Kontrastierende Flächen- und Ertragsreaktionen auf extreme Klimabedingungen tragen zum Klima bei

Scientific Reports Band 13, Artikelnummer: 6219 (2023) Diesen Artikel zitieren

659 Zugriffe

Details zu den Metriken

Die Auswirkungen des Klimas auf andere Pflanzenproduktionskomponenten als den Ertrag, also Fläche und Anbauintensität, sind nach wie vor unzureichend untersucht. Hier klären wir die Beziehungen zwischen Klima und Anbaugebieten, indem wir subnationale Zählflächen- und Ertragsdaten für sechs Länder mit mehreren Reisanbaugebieten in Süd- und Südostasien analysieren. Extremes Klima hat einen größeren Einfluss auf die Abweichung von Fläche und Ertrag von langfristigen Trends als das durchschnittliche Saisonklima; Niederschlag und Temperatur haben in der Aussaatperiode der Regen-/Regenperiode einen größeren Einfluss auf die Variabilität der gesamten Jahresfläche als in der Wachstumsperiode. In 57 % der Länderszenarien, die signifikante Veränderungen der Fläche und/oder des Ertrags zeigen, sind die Richtungen der Fläche und die Ertragsreaktionen auf das Klima nicht synchronisiert, was zu nicht signifikanten Produktionsänderungen unter den prognostizierten Klimabedingungen führt. Klima-Flächen-Beziehungen begrenzen nicht nur Produktionsschocks, sondern klären auch Unsicherheiten im Zusammenhang mit dem Klimaschutz auf landwirtschaftlichen Flächen, bei denen die Fläche das Ausmaß des Klimaschutzes deutlich beeinflusst.

Extreme Wetter- und Klimaereignisse reduzieren häufig die Pflanzenproduktion und lösen über vernetzte globale Lieferketten Nahrungsmittelschocks aus, was die Ernährungssicherheit und Ernährung in gefährdeten Regionen der Welt verschärft1,2,3. Zahlreiche Studien haben sich auf die Auswirkungen des Klimas auf die Erträge (Produktionsvolumen pro geerntete Flächeneinheit und Saison) konzentriert, da der Ertrag in den letzten Jahrzehnten in erster Linie zu Produktionssteigerungen beitrug. Allerdings bleibt, wie in früheren Studien4,5,6 erwähnt, eine wenig untersuchte Frage: Wie beeinflusst das Klima die Produktionskomponenten außer dem Ertrag – Anbaufläche (angebaut oder geerntet) und Anbauintensität (Anzahl der Ernten pro Jahr)?

Sowohl die Anbaufläche als auch die Anbauintensität sind entscheidend für die Bestimmung der Klimaauswirkungen auf das Produktionsvolumen, insbesondere in Regionen mit mehreren Anbauarten5,6,7,8,9 und dürregefährdeten Regionen10. Um die Produktionsvariabilität besser erfassen zu können, ist es wichtig, die Auswirkungen des Klimas auf einzelne Produktionskomponenten zu verstehen. Ein besseres Verständnis dieser Auswirkungen führt letztendlich zu Interventionen und Richtlinien, die sich auf die Abschwächung negativer Lebensmittelpreiskaskaden und auf eine erhöhte Ernährungsunsicherheit in gefährdeten Regionen und bei Verbrauchergruppen konzentrieren3,11,12. Man kann sagen, dass das Verständnis dieser Auswirkungen für den landbasierten Klimaschutz im Zusammenhang mit der Landwirtschaft wichtig ist, da eine Verringerung der Erntefläche aufgrund extremer Klimaereignisse im Verhältnis zur Umsetzungsfläche (bepflanzt) nicht berücksichtigt wurde. Tatsächlich ist selbst in aktuellen Landnutzungsänderungsmodellierungsstudien (Bsp. 13) und den neuesten Bewertungen der Minderungspotenziale für Bioenergie mit Kohlenstoffabscheidung und -speicherung (BECCS, Bsp. 14) die Ausdehnung des Umsetzungsbereichs ein entscheidender Faktor, der den Umfang beeinflusst der Milderungseffekt.

Hier versuchen wir, Klima-Gebiet-Beziehungen zu klären und zu zeigen, dass das saisonale Klima die Eigenschaften von Reisgebieten ebenso beeinflusst wie die Erträge. Die Richtung der Reaktion auf Klimaveränderungen ist häufig nicht zwischen Fläche und Ertrag synchronisiert, und extreme Klimabedingungen wirken sich stärker auf die Abweichungen von Fläche und Ertrag von langfristigen Trends aus als das saisonale Durchschnittsklima. Tatsächlich machen Regionen mit mehreren Reisanbaugebieten ein Drittel der weltweiten Reisanbaufläche aus15. Wir untersuchten sechs Länder mit mehreren Reisanbaugebieten in Süd- und Südostasien (Bangladesch, Indonesien, Malaysia, Myanmar, Philippinen und Thailand; Ergänzungstabelle 1), die zusammen einen erheblichen Teil der weltweiten Reisproduktion (25 %) und der Reisanbaufläche ausmachen Anbau (27 %). Die elastischen netzregulierten Regressionsmodelle verknüpften jährliche Flächen- und Ertragsanomalien mit extremen und durchschnittlichen Niederschlags- und Temperaturindizes für Aussaat- und Wachstumsperioden der Regen- und Trockenzeit (ergänzende Abbildung 1). Klimaprojektionen, die relativ große und kleine Änderungen der langfristigen Niederschläge und Temperaturen zeigen, wurden ausgewählt (Abb. 1) und zur Charakterisierung der Gebiets- und Ertragsreaktionen auf den Klimawandel und ihrer relativen Beiträge zu den Produktionsauswirkungen verwendet.

(a) Die geografische Verteilung der Reisfläche im Jahr 2005. (b,c) Die projizierte jährliche Durchschnittstemperatur und der Gesamtniederschlag über der Reisfläche in Asien (10° S–52° N; 85–135° E) aus acht allgemeinen Zirkulationen Modelle (GCMs) unter vier repräsentativen Konzentrationspfaden (RCPs). (d) Die Beziehung zwischen den prognostizierten Temperatur- und Niederschlagsänderungen für die Mitte (2041–2060) und das Ende (2081–2100) des 21. Jahrhunderts im Vergleich zum Zeitraum 1986–2005. Die graue fette Linie ist die am besten geeignete Linie. Durchgezogene graue Kreise zeigen die vier für diese Studie ausgewählten Klimaszenarien an, bestehend aus zwei RCPs (RCP2.6 und RCP8.5) und zwei GCMs (GFDL-ESM2M und HadGEM2-ES). Die hier dargestellte Karte wurde mit Generic Mapping Tools (GMT) Version 4.5.18 (https://www.generic-mapping-tools.org/) erstellt.

Der aus den Volkszählungsdaten für den Zeitraum 1987–2012 berechnete Interquantilbereich (IQR) ergab, dass die Variabilität der Anbaufläche nicht vernachlässigbar ist, selbst im Vergleich zur Ertragsvariabilität. In Bangladesch, Myanmar und den Philippinen waren die Flächenvariabilitätswerte (IQL 4,8–5,8 %) mit der Ertragsvariabilität (4,7–5,2 %) vergleichbar, wohingegen die Ertragsvariabilität (7,4–12,5 %) 2,0–2,5 % betrug. Mal größer als die Flächenvariabilität (3,3–5,9 %) in den übrigen drei Ländern (Abb. 2, Ergänzungstabelle 2). Die Produktionsvariabilität (6,0–15,1 %) war in allen hier betrachteten Ländern mit Ausnahme von Malaysia (6,0 %) größer als die Flächen- oder Ertragsvariabilität. Insgesamt zeigten die Ergebnisse, dass sich die Vorzeichen der Fläche und des Ertrags in einigen Jahren, jedoch nicht immer, in die gleiche Richtung änderten. Tatsächlich korrelierten die Flächen- und Ertragsanomalien in vier Ländern nicht signifikant miteinander, wobei Bangladesch (R = 0,530; p = 0,005) und Myanmar (R = 0,480; p = 0,013) Ausnahmen bildeten (Ergänzungstabelle 2).

Gemeldete Anomalien bei Reisanbaufläche, Ertrag und Produktion. Interquantilbereiche (IQR) werden für Fläche (A), Ertrag (Y) und Produktion (P) dargestellt.

Vergleiche zwischen den Volkszählungsdaten für den Zeitraum 1987–2012 und der Reproduktion außerhalb der Stichprobe unter Verwendung der elastischen Netzregressionsmodelle mit tatsächlichen Wetterbedingungen als Eingabe zeigten, dass die Modellleistung sowohl für Fläche als auch für Ertrag zufriedenstellend hoch war. Für die Fläche betrug der mittlere R-Wert zwischen den Ländern 0,990, wobei der minimale bis maximale Bereich (Min.-Max.) zwischen 0,970 für Malaysia und 0,997 für Myanmar lag (ergänzende Abbildung 2). Beim Ertrag lag der entsprechende Mittelwert bei 0,994 (0,989 für Thailand bis 0,999 für Indonesien). Diese Korrelationen waren alle auf dem 0,1 %-Niveau signifikant. Der quadratische Mittelfehler (RMSE) lag zwischen 0,6 und 0,7 % für die Fläche (Mittelwert 0,65 %) und zwischen 0,5 und 2,0 % für den Ertrag (Mittelwert 0,9 %), wobei die Mindest- und Höchstwerte jeweils Thailand und den Philippinen entsprachen . Eine solch hohe Leistung, selbst bei der Validierung außerhalb der Stichprobe, wurde typischerweise in früheren Studien gefunden, die elastische Netzregressionsmodelle verwendeten (siehe „Methoden“).

Die geschätzten Regressionskoeffizienten verdeutlichten den Einfluss des Klimas auf die aktuelle Fläche und den Ertrag. Wenn wir die Philippinen als repräsentatives Beispiel verwenden, werden die folgenden zwei Merkmale deutlich. Erstens werden die durchschnittlichen Klimaindizes selten zu den wichtigsten Faktoren gezählt, die sich negativ oder positiv auf Fläche und Ertrag auswirken (drei Klimaindizes für jedes Zeichen; die Balken mit und ohne rot gepunktete Linien in Abb. 3 und der ergänzenden Abb. S3). . Diese Ergebnisse deuten darauf hin, dass extremes Klima, unabhängig davon in der Regen- und Trockenzeit, einen größeren Einfluss auf die Fläche hat als das durchschnittliche saisonale Klima. Zweitens wurden im Vergleich zur Vegetationsperiode der Regenzeit viel mehr Niederschlags- und Temperaturindizes als Faktoren identifiziert, die das Gebiet während der Aussaatperiode der Regenzeit am stärksten positiv oder negativ beeinflussten (die braunen Balken machen mehr als die Hälfte davon aus). die Top-Beitragenden in Abb. 3). Diese Ergebnisse zeigen den Einfluss des Klimas während der Aussaatperiode der Regen-/Regenzeit auf die jährliche Variabilität der jährlichen Gesamtanbaufläche; Dies wird als angemessen angesehen, da die gemeldete Ausdehnung des Regenzeitgebiets auf den Philippinen im Jahr 2020 etwa 1,3-mal größer war als die des Trockenzeitgebiets.

Gebietsreaktion auf das Klima auf den Philippinen. Die Werte geben die standardisierten durchschnittlichen Regressionskoeffizienten der elastischen Netto-Regressionsmodelle an. Die Prädiktoren mit und ohne rot gestrichelte Linien bezeichnen durchschnittliche bzw. extreme Klimaindizes. Braun gibt den Aussaatzeitraum an; Grün zeigt den Durchschnitt der Gruppen der frühen und späten Wachstumsperiode an. Die vier Tafeln zeigen die verschiedenen Jahreszeiten (nass/regenbewässert und trocken/bewässert) und Klimavariablen (Niederschlag und Temperatur).

Die oben beschriebenen Merkmale waren in den untersuchten Ländern relativ häufig. In vier von sechs Ländern wirkten sich extreme Klimabedingungen deutlich auf die Fläche aus. Der durchschnittliche saisonale Niederschlag lag nur in Indonesien und Thailand höher (Ergänzungsabbildung 4, Ergänzungstabelle 3). Ein ähnliches Muster war bei den Renditen in den vier Ländern zu beobachten. In Bangladesch und Indonesien war der durchschnittliche saisonale Niederschlag jedoch der wichtigste Ertragsfaktor. Neben anderen extremen Klimaindizes war die Anzahl aufeinanderfolgender Trockentage (CDD) häufig der wichtigste Faktor, der sich negativ auf das Gebiet auswirkte (ergänzende Abbildung 5). Darüber hinaus wurden die Beiträge von extrem nassen Tagen (R99pTOT), sehr nassen Tagen (R95pTOT), aufeinanderfolgenden nassen Tagen (CWD) und Starkniederschlagstagen (R10 mm) häufig ebenfalls hoch eingestuft, die Vorzeichen der Flächenreaktion waren jedoch gemischt. Während die Flächenreaktion auf die extremen Temperaturindizes ebenfalls gemischt war, neigten die kältesten Tage (TXn) und kühlen Tage (TX10p) zu einer Flächenvergrößerung. Beim Ertrag wurde häufig festgestellt, dass CWD und CDD abnehmende bzw. steigende Effekte haben. TX10p und heißeste Tage (TXx) wurden ebenfalls häufig festgestellt, die Anzeichen der Ertragsreaktion waren jedoch gemischt.

Der Einfluss von Niederschlag und Temperatur in der Aussaatperiode der Regenzeit auf die Fläche war in allen vier Ländern mit Ausnahme von Malaysia und Myanmar ein gemeinsames Merkmal (ergänzende Abbildung 4, ergänzende Tabelle 3). Sowohl der Niederschlag als auch die Temperatur hatten einen positiven oder negativen Einfluss auf die Fläche in der Aussaatperiode der Regenzeit als in der Wachstumsperiode derselben Jahreszeit (ergänzende Abbildung 5). Dieser Einfluss des Klimas auf die Fläche in der Aussaatperiode wurde in der Trockenzeit selten beobachtet. Dies wird als sinnvoll erachtet, da die bepflanzte Fläche in der Trockenzeit weitgehend von der Verfügbarkeit von Bewässerungsanlagen und Wasser abhängt.

Wir prognostizierten die Auswirkungen des Klimawandels auf Fläche und Ertrag sowie die daraus resultierenden Veränderungen in der Produktion in vier Klimaszenarien mit Maßen für die Zuverlässigkeit der Prognose. Die Szenarien bestanden aus zwei repräsentativen Konzentrationspfaden [RCP2.6 (r26) und RCP8 (r85)] und zwei allgemeinen Zirkulationsmodellen (GCMs) [GFDL-ESM2M (gG) und HadGEM2-ES (gH)]. r26gG und r85gH stellen die Szenarien mit kleineren bzw. größeren Änderungen der Temperatur und des Niederschlags dar. Die übrigen Szenarien, also r85gG und r26gH, liegen hinsichtlich der Amplituden der prognostizierten Temperatur- und Niederschlagsänderungen in der Mitte der beiden Szenarien (Abb. 1d).

Wenn Malaysia als repräsentatives Beispiel genommen wurde, wurde prognostiziert, dass sich die Produktion in drei Szenarien (r26gG, r26gH und r85gH) nicht wesentlich ändern würde, wobei zwei Fälle, nämlich Änderungen der projizierten Fläche und des Ertrags, nicht synchronisiert waren und keine Produktion erbrachten erhebliche Produktionsänderungen. Aufgrund von Flächen- und Ertragsrückgängen wurde ein Produktionsrückgang nur unter r85gG prognostiziert. Die Zuverlässigkeit der Prognose war für r26gG höher als für die übrigen drei Szenarien. Mithilfe der elastischen Netzregressionsmodelle haben wir das Verhältnis der Klimaprädiktoren geschätzt, die in die beobachteten Min-Max-Bereiche fallen, um den Lesern einen Eindruck von der Zuverlässigkeit der Prognose zu vermitteln (siehe die Heatmap, die jedem Panel in Abb. 4 überlagert ist). Je heller die grüne Farbe in den Heatmaps ist, desto mehr lagen die Klimaprädiktoren, die zur Ableitung dieser Prognose verwendet wurden, außerhalb der Bereiche der Trainingsdaten, was darauf hindeutet, dass die Prognose weniger zuverlässig war. Wie erwartet war die Zuverlässigkeit der Prognose für die nahe Zukunft und für das Szenario mit geringeren Änderungen bei Niederschlag und Temperatur (r26gG) hoch.

Voraussichtliche Änderungen in Produktion, Fläche und Ertrag für Malaysia. Die jedem Panel überlagerte Heatmap zeigt die Zuverlässigkeit der Projektion an. Hellere grüne und weiße Säulen weisen darauf hin, dass viele Klimaprädiktoren, die zur Ableitung der Projektion verwendet wurden, außerhalb der beobachteten Bereiche liegen; Daher sind diese Projektionen weniger zuverlässig als die Projektionen in der dunkleren grünen Spalte. Weniger zuverlässige Projektionsstichproben werden beim Anpassen einer Trendlinie und beim Testen der Signifikanz der Steigung eliminiert. Trendlinien und die entsprechenden Steigungswerte werden nur angezeigt, wenn eine signifikante Steigung ermittelt wird.

Unter den hier untersuchten 24 Fällen, bestehend aus sechs Ländern und vier Szenarien, waren die prognostizierten Produktionsänderungen in den meisten Fällen nicht signifikant (21), hauptsächlich aufgrund der geringen Zuverlässigkeit der Prognose und der daraus resultierenden geringeren Stichproben im statistischen Test. Allerdings zeigten 7 von 24 Fällen, dass entweder die Fläche oder der Ertrag oder beide signifikante Veränderungen aufwiesen (Ergänzende Abbildungen 6, 7); Die Änderungsrate pro Jahrzehnt lag zwischen − 0,84 und + 1,11 % für die Fläche und zwischen − 0,34 % und + 0,77 % für den Ertrag (Abb. 4, ergänzende Abb. 6). Interessanterweise zeigten 4 von 7 Fällen bzw. 57 % nicht signifikante Produktionsveränderungen als Folge der nicht synchronisierten Flächen- und Ertragsreaktionen auf die prognostizierten Klimaveränderungen. Diese Ergebnisse zeigen, dass Produktionsänderungen nicht unbedingt proportional zu Ertragsänderungen sind und dass Beziehungen zwischen Klima und Gebiet berücksichtigt werden müssen, um die Klimaauswirkungen auf die Produktion zu erfassen.

Vergleiche mit der Literatur zeigen, dass die in dieser Studie identifizierten Flächen- und Ertragsreaktionen auf das Klima plausibel sind, obwohl die verfügbaren Studien begrenzt sind. Die positiven Auswirkungen von CWD und die negativen Auswirkungen von CDD, beide in der Aussaatperiode der Regenzeit, sind in Indonesien offensichtlich (ergänzende Abbildung 4, ergänzende Tabelle 3). Diese Ergebnisse stimmen mit denen von Naylor et al.7 überein, die berichteten, dass die Reisanbaufläche in der Regenzeit in Indonesien in den letzten Jahrzehnten als Reaktion auf überdurchschnittlich nasse Bedingungen zugenommen hat. Koide et al.8 berichteten, dass auf den Philippinen die Reisfläche in der Regenzeit positiv mit den Niederschlägen vor der Saison korreliert. Diese Ergebnisse werden durch die Ergebnisse dieser Studie bestätigt, die zeigten, dass R10 mm, CWD und der Gesamtniederschlag an nassen Tagen (PRECIPTOT ) in der Aussaatperiode der Regenzeit hatte den größten Einfluss auf die Reisfläche (Abb. 3). Es wurde berichtet, dass extremes Klima einen größeren Einfluss auf den Ertrag hat als das saisonale Durchschnittsklima16, was mit den Ergebnissen dieser Studie übereinstimmt. Schließlich werden die prognostizierten Ertragsänderungen in dieser Studie als angemessen angesehen, da diese Prognosen innerhalb der Spanne der Prognosen verteilt sind, die aus prozessbasierten Erntemodellen abgeleitet wurden (Ergänzungstext). Aufgrund des Mangels an früheren Studien zu Klima-Flächen-Beziehungen sind keine Vergleiche für die prognostizierte Veränderung der Reisfläche möglich.

Die Ergebnisse dieser Studie dienen als Fallstudie in Ländern mit mehreren Reisanbaugebieten in Süd- und Südostasien und zeigen, dass extreme Wetter- und Klimabedingungen zu Abweichungen von langfristigen Trends im Reisanbau führen können. Obwohl wir nur Reis untersucht haben, sind die Ergebnisse dieser Studie für Mehranbauregionen der Welt relevant, die 13 % bzw. 10 % der weltweiten Weizen- und Maisanbauflächen ausmachen15. Dennoch stellt sich die Frage: „Wie wirkt sich das Klima auf das Gebiet aus?“ Das Problem muss auf besser prozesslösbare Weise angegangen werden, um letztendlich Interventionen und Richtlinien zum Schutz gefährdeter Regionen und Erzeugergruppen zu entwickeln. Unsere Modelle deuten auf die Existenz von mindestens zwei Wirkungspfaden hin. Zum einen wird die Größe der in der Regenzeit bepflanzten Fläche durch Niederschläge während der Aussaatperiode beeinflusst, was wahrscheinlich mit der Wasserverfügbarkeit unter Regenbedingungen zusammenhängt. Der andere Grund besteht darin, dass die bepflanzte Fläche unabhängig von der Regen- und Trockenzeit auf das Ausmaß der Erntefläche abnimmt, was auf Schäden zurückzuführen ist, die durch extreme Klimaereignisse im Zusammenhang mit Niederschlägen in der Vegetationsperiode wie meteorologische Dürren und Überschwemmungen verursacht werden. Auch die Bearbeitbarkeit auf dem Feld und die Pflanzmethoden könnten den früheren Weg beeinflussen. Agronomische Praktiken wie Neuanpflanzung und Saatgutverfügbarkeit können den letztgenannten Weg beeinflussen.

Trotz fehlender Studien gibt es einige unterstützende Beweise für die oben genannten Ideen. Im Zusammenhang mit dem ersteren Verlauf wird der Fortschritt der Reisverpflanzung in regenreichen Tieflandgebieten im Nordosten Thailands durch die Niederschlagsakkumulationsrate nach Beginn des Monsuns beeinflusst; Daher kommt es in Jahren, die trockener als normal sind, zu einer verzögerten Aussaat, wodurch die in der Regenzeit bepflanzte Fläche abnimmt. Daher warten die Erzeuger darauf, dass sich die Niederschläge akkumulieren, sodass ihnen noch genügend Zeit bleibt, um ihre Reisernte bis zum Beginn der folgenden Trockenzeit abzuschließen, wenn sie ihre Pflanzmethode von Umpflanzen auf Direktsaat umstellen. Dies führt zwar zu geringeren Erträgen, ist aber zeit- und arbeitssparender als das Umpflanzen17. Im Zusammenhang mit dem letztgenannten Pfad nimmt die Getreideanbaufläche in Asien bei Dürreperioden ab1. Bei Feldfrüchten im Iran kommt es aufgrund von Dürreperioden häufig zu Produktionseinbußen aufgrund einer Verringerung der Erntefläche10. Solche Verringerungen der abgeernteten Flächen sind in der Literatur, die sich auf die Bewertung von Katastrophenschäden und Verlusten in der Landwirtschaft konzentriert, gut dokumentiert18. Im Vergleich zum Einfluss von Niederschlägen auf eine Fläche liegen derzeit kaum Informationen darüber vor, wie sich extreme und durchschnittliche Temperaturen auf die Anbaufläche auswirken. Cohn et al.5 berichteten, dass höhere Temperaturen die Anbaufläche von Mais-Sojabohnen in Brasilien verringern, relevante Prozesse wurden jedoch nicht diskutiert.

Die Ergebnisse dieser Studie sind nicht nur für die Anpassung, sondern auch für die Eindämmung relevant. Während zukünftige Niederschlagsprognosen für Reisanbauregionen in Asien ungewiss sind, wird erwartet, dass bis 2040 14 % bzw. 31 % der weltweiten Ackerfläche trockeneres bzw. feuchteres Klima erleben werden19. Diese Ergebnisse unterstreichen die Notwendigkeit von Anpassungen zur Begrenzung von Produktionsrückgängen durch Abmilderung der Auswirkungen des Klimawandels auf die Fläche, was selten berücksichtigt wird20. Für den Klimaschutz ist die Größe der Ackerfläche, die einer bestimmten landbasierten Klimaschutzmaßnahme unterliegt, von entscheidender Bedeutung, um das Ausmaß der Klimaschutzergebnisse zu bestimmen. Dies gilt unabhängig davon, ob es sich bei der Maßnahme um die Kohlenstoffbindung in Ackerlandböden oder um die Reduzierung der Methanemissionen aus Reisfeldern handelt21,22. 23,24. Klimabedingte Flächenreduzierungen könnten die Ergebnisse dieser Abhilfemaßnahmen auf saisonalen und längeren Zeitskalen beeinträchtigen. Bei Reis könnte die mit saisonalen Klimaveränderungen verbundene Variabilität der Anbaufläche in der Größenordnung von 10 % oder mehr des langfristigen Trends liegen, wie in dieser Studie gezeigt wird, die als nicht vernachlässigbar angesehen wird. Die Auswirkungen des mittleren Klimawandels auf die Fläche sind um zwei Größenordnungen deutlich geringer als der hier angegebene Wert (− 0,85 % bis + 0,06 % pro Jahrzehnt), obwohl die Auswirkungen großer Niederschläge und Temperaturänderungen auf die Fläche dabei nicht ausreichend berücksichtigt werden Studie aufgrund des Mangels an verlässlichen Prognosen. Daher ist künftige Forschung erforderlich, um das Ausmaß der Wirkung der Gebietsreaktion auf Klimaveränderungen mit anderen Faktoren zu vergleichen, wenn die Ergebnisse landwirtschaftlicher Flächenminderungsmaßnahmen bewertet werden.

Es wurden nationale und subnationale Volkszählungsdaten zur Reiserntefläche und zum Reisertrag in den sechs asiatischen Ländern für den Zeitraum 1961–2012 verwendet (Ergänzungstabelle 1). Die Daten stammen aus agrarstatistischen Jahrbüchern, die von Regierungsbehörden der einzelnen Länder zusammengestellt wurden (siehe Ref. 25, 26 für die Datenquellen). Da sich Verwaltungseinheiten im Laufe der Zeit gelegentlich änderten, haben wir diese im Jahr 2010 für die Analyse herangezogen.

Wir haben die jährliche Zeitreihe der Fläche und des Ertrags trendentfernt, um die Einflüsse von Änderungen der Reisnachfrage, Landnutzungsänderungen, Änderungen der Input- und Outputpreise und technologischen Verbesserungen zu beseitigen, und uns hauptsächlich auf die Auswirkungen klimatischer Faktoren konzentriert. Die Trendbereinigung wurde getrennt für Fläche und Ertrag durchgeführt, um unterschiedliche Trendmuster zu ermöglichen (ergänzende Abbildung 8). Ein solcher Fall könnte beispielsweise aufgrund einer durch Urbanisierung bedingten Flächenverringerung und einer durch Intensivierung bedingten Ertragssteigerung eintreten. Wir haben prozentuale Anomalien im Verhältnis zu langfristigen Trends berechnet, um die Klimaeinflüsse auf Fläche und Ertrag sowie deren relativen Beitrag zu den Auswirkungen auf die Produktion vergleichen zu können. Die Verwendung prozentualer Anomalien ermöglichte auch Vergleiche der Klimabeiträge zwischen den Ländern, in denen sich die durchschnittlichen Flächen- und Ertragsniveaus in absoluten Zahlen unterschieden.

Zur Trendbeseitigung haben wir den Doppelfilter-Ansatz übernommen, bei dem zunächst der gleitende Durchschnitt mit einem 7-Jahres-Fenster (t − 3 bis t + 3) ermittelt und anschließend eine lokal gewichtete Streudiagrammglättung (LOWESS27) mit einer Glättungsspanne (f.) angewendet wurde ) von 0,5, implementiert im R-Statistikpaket28. Der Doppelfilteransatz wurde verwendet, weil eine visuelle Überprüfung ergab, dass die Durchführung einer gleitenden Mittelung allein oder von LOWESS allein manchmal unzureichend war, wenn die gegebene Zeitreihe stark nichtlinear war.

Wir haben 10 Indizes für extreme Niederschläge und 15 Indizes für extreme Temperaturen berechnet, die vom Expertenteam für Erkennung und Indizes des Klimawandels (ETCCDI29) definiert wurden, sowie saisonale Durchschnittsniederschläge und -temperaturen (Ergänzungstabelle 4). Diese Klimaindizes wurden für jeden Zeitraum und jede Jahreszeit berechnet. Wir Es wird zwischen mehreren Reissaisonen unterschieden. In fünf Ländern wird ein doppelter Reisanbau durchgeführt, d /Regenperiode (Ergänzungstabelle 1). Jede Saison wurde in die Aussaatperiode und die Wachstumsperiode unterteilt. Was die Wachstumsperiode betrifft, haben wir sie weiter in frühe und späte Gruppen unterteilt. Insgesamt haben wir drei Perioden pro Saison definiert (Ergänzungsabbildung). . 1): (1) die Aussaatperiode, von einem Monat vor dem ersten Monat des Pflanzfensters bis zum letzten Monat des Pflanzfensters; (2) die Gruppe der frühen Wachstumsperioden, vom ersten Monat des Pflanzfensters bis zum erster Monat des Erntefensters; und (3) die Gruppe der späten Wachstumsperiode, vom letzten Monat des Pflanzfensters bis zum letzten Monat des Erntefensters. Obwohl sich die Aussaatperiode und die Gruppe der frühen Wachstumsperioden fast überschneiden, ist das Vorhandensein extremer Klimaereignisse im Monat vor der Aussaat der Hauptunterschied zwischen den beiden Perioden. Es ist unwahrscheinlich, dass sich die Klimabedingungen vor der Aussaat auf die Erträge auswirken, aber die Klimabedingungen unmittelbar vor und während der Aussaat beeinflussen die Wasserverfügbarkeit, die Bearbeitbarkeit auf dem Feld und verzögern oder beschleunigen den Fortschritt der Aussaat und schließlich der bepflanzten Fläche17,30,31. Wir verwendeten hauptsächlich Reiskalender aus zwei Quellen: dem Agricultural Market Information System (AMIS) und dem Global Information and Early Warning System (GIEWS) (Ergänzungstabelle 1). Für den Fall, dass die Informationen für ein Land von Interesse für beide Quellen verfügbar sind, haben wir den AMIS-Kalender verwendet.

Bei der Berechnung der Klimaindizes für das prognostizierte Klima haben wir die Reiskalender unter Berücksichtigung der aktuellen Bedingungen beibehalten. Reiskalender können sich zusammen mit dem Klimawandel und der Anpassung ändern. Die mit dieser Annahme verbundenen Fehler wurden jedoch als gering angesehen, wenn die Kalender auf monatlicher Basis verwendet wurden, da die beobachtete Verschiebung der Pflanz- und Erntetermine für die letzten zwei Jahrzehnte < 2 Wochen32 und < 5 Tage pro 1 °C Erwärmung33 beträgt.

Wir haben die täglichen maximalen und minimalen Lufttemperaturen sowie den täglichen Gesamtniederschlag für den Zeitraum 1958–2013 aus einem 0,5° globalen retrospektiven meteorologischen Antriebsdatensatz namens S14FD34 ermittelt. Die tägliche Durchschnittstemperatur wurde durch Mittelung der täglichen Höchst- und Tiefsttemperaturen ermittelt. Für die Klimaprojektion verwendeten wir die um 0,5° statistisch herunterskalierten, voreingenommenen Tagesausgänge von acht GCMs, die im Coupled Model Intercomparison Project Phase 5 (CMIP535) unter den vier RCPs von 2,6, 4,5, 6,0 und 8,5 W m− verwendet wurden 236 (Ergänzungstabelle 5). Die GCM-Ausgaben wurden unter Verwendung der inversen Distanzgewichtungsmethode räumlich auf die reguläre 0,5°-Gitterkoordinate interpoliert und dann unter Verwendung der auf der kumulativen Verteilungsfunktion (CDF) basierenden Herunterskalierungsmethode 37,38 voreingenommen. S14FD wurde als verwendet eine Referenz zur Bias-Korrektur34. Kurz gesagt, der Fehler in den GCM-Daten für eine Klimavariable wurde für jedes Perzentil der empirischen CDFs definiert, die aus dem GCM und S14FD für einen Trainingszeitraum abgeleitet wurden. Der definierte GCM-Fehler wurde dann aus dem empirischen CDF entfernt der GCM-Daten für einen Bias-Korrekturzeitraum unter der Annahme, dass sich die Fehler-Perzentil-Beziehung im Laufe der Zeit nicht ändert.

Unter 32 Klimaszenarien bestehend aus acht GCMs und vier RCPs haben wir GFDL-ESM2M und HadGEM2-ES unter RCP2.6 und RCP8.5 ausgewählt, um Veränderungen in Fläche, Ertrag und Produktion zu projizieren. Diese Auswahl basierte auf der Beziehung zwischen den jährlichen Temperatur- und Niederschlagsänderungen über der Reisfläche in Asien (Abb. 1a) für die Mitte (Durchschnitt von 2041–2060) und das Ende (Durchschnitt von 2081–2100) des 21. Jahrhunderts projiziert von acht GCMs und vier RCPs, bezogen auf 1986–2005 (Abb. 1b, c). Es wurde eine positive Korrelation zwischen den prognostizierten Niederschlags- und Temperaturänderungen beobachtet (Abb. 1d). HadGEM2-ES unter RCP8.5 (r85gH) war das Klimaszenario, das eine größere Änderung entlang der oben beschriebenen Beziehung aufwies (Temperatur + 4,7 °C; und Niederschlag + 11,1 %), wohingegen GFDL-ESM2M unter RCP2.6 (r26gG ) zeigte eine geringere Veränderung (+ 1,1 °C und + 0,7 %). HadGEM2-ES unter RCP2.6 (r26gH; + 1,8 °C und + 6,2 %) und GFDL-ESM2M unter RCP8.5 (g85gG; 2,9 °C und + 7,5 %) waren Szenarien, die mit zwischenzeitlichen Temperatur- und Niederschlagsänderungen verbunden waren. Die als Gewichte verwendete Reisgebietskarte aus dem Jahr 200539 wurde bei der Berechnung der durchschnittlichen Niederschlags- und Temperaturänderungen über dem Reisgebiet konstant gehalten.

Wir haben empirische Modelle erstellt, die Gebietsanomalien mit extremen und durchschnittlichen Niederschlags- und Temperaturindizes unter Verwendung der elastischen Netzregressionstechnik verknüpfen40. Die elastische Netzregression ist eine allgemeine Form eines regulierten Regressionsmodells, das Lasso und Ridge umfasst. Da für die elastischen Netzregressionsmodelle25,26,41 eine gute Leistung auch bei der Validierung außerhalb der Stichprobe berichtet wurde, wurden diese Modelle verwendet. Noch wichtiger ist, dass die elastischen Netzregressionsmodelle in Fällen angewendet werden können, in denen die Anzahl der Prädiktoren größer ist als die Anzahl der Stichproben, sowie in Fällen, in denen Prädiktoren miteinander korreliert sind. Aufgrund dieser Merkmale wurde das Modell für die Klimaertragsanalyse25,26,41 verwendet und eignet sich gut für diese Studie, da einige der Klimaindizes (oder Klimaprädiktoren) miteinander korrelieren und die Anzahl der Prädiktoren von 162–243 (= 27 Klimaindizes \(\times\) 3 Perioden pro Saison \(\times\) 2–3 Jahreszeiten) war größer als die Stichprobengröße der Antwortkulturvariablen von ~ 52 Jahren.

Das Modell für Flächenanomalien wurde für jede Verwaltungseinheit erstellt. Diese Art der Modellierung hilft dabei, die Hauptmerkmale der Reisreaktion auf Verwaltungseinheitsebene auf das Klima der Vegetationsperiode zu berücksichtigen, das durch das lokale Management, wie z. B. die Sortenwahl, beeinflusst wird. Eine einzelne 0,5°-Gitterzelle mit der größten Reisfläche wurde 2005 auf der Reisflächenkarte identifiziert39 und als repräsentativer Standort für jede Verwaltungseinheit verwendet. Wir verwendeten einen Ansatz, der als rollierender Prognoseursprung42 bekannt ist, um eine systematische Modellentwicklung und Out-of-Sample-Validierung durchzuführen. Wir haben ein Modell mit 25 Stichproben von t − 25 bis t − 1 erstellt, um das Jahr t vorherzusagen, und diesen Vorgang zur Validierung 25 Mal wiederholt. Da die Zählgebiets- und Ertragsdaten für die 52 Jahre verfügbar sind, bedeutet diese Einstellung, dass die Hälfte der Daten als Trainingsteilmenge und die verbleibende Hälfte als Validierungsteilmenge verwendet wurde. Infolgedessen wurden 27 Modelle entwickelt, vom ursprünglichen Modell für das Jahr 1986 (basierend auf dem Zeitraum 1961–1985) bis zum letzten Modell für das Jahr 2012 (basierend auf dem Zeitraum 1987–2011). Anschließend wurde eine jährliche Zeitreihe des Medians von 27 Vorhersagen berechnet und für die Analyse verwendet. Die Modelle für die Ertragsanomalien wurden in ähnlicher Weise entwickelt wie die Modelle für die Flächenanomalien.

Die Regressionskoeffizienten der elastischen Netzregressionsmodelle wurden zur Charakterisierung der Fläche und der Ertragsreaktionen auf das Klima verwendet. Die Regressionskoeffizienten für jede Verwaltungseinheit wurden im Rahmen des Modellanpassungsverfahrens in R automatisch standardisiert und dann über die Verwaltungseinheiten von Ländern und Modellen mit unterschiedlichen Trainingsteilmengen gemittelt und zur Charakterisierung durchschnittlicher Klimaeinflüsse auf Länderebene verwendet. Die Charakterisierung wurde getrennt nach Fläche und Ertrag durchgeführt, wobei der Schwerpunkt auf der Unterscheidung zwischen Regen- und Trockenzeit, Niederschlag und Temperatur, Saat- und Wachstumsperioden sowie extremem und durchschnittlichem Klima lag.

Wir haben einen Indikator für die Zuverlässigkeit der Prognose für die projizierte Fläche, den Ertrag und die Produktion angezeigt. Der Indikator ist das Verhältnis der Klimaprädiktoren, die bei der Ableitung der Prognose für ein bestimmtes Jahr aus den elastischen Nettoregressionsmodellen in die beobachteten Min-Max-Bereiche fallen. Die Gesamtzahl der zur Berechnung des Verhältnisses für ein Jahr verwendeten Stichproben entspricht der Zahl der Klimaprädiktoren (162–243). Die verschiedenen Modelle, die mit unterschiedlichen Trainingsteilmengen erstellt wurden, wurden bei der Berechnung des Verhältnisses nicht berücksichtigt, da die beobachteten Bereiche der in die Modelle eingegebenen Klimaprädiktoren zwischen den Trainingsteilmengen nahezu identisch sind. Je niedriger das Verhältnis, desto mehr liegen die Klimaprädiktoren außerhalb der beobachteten Min-Max-Bereiche und daher werden die aus diesen elastischen Netto-Regressionsmodellen abgeleiteten Prognosen als weniger zuverlässig interpretiert. Der Ausschluss unzuverlässiger Prognosen (Verhältnis < 90 %) verringert die Stichprobengröße, die zum Testen der Signifikanz der Steigung einer Trendlinie verwendet wird, die jeweils für Fläche, Ertrag und Produktion berechnet wird. Daher ist die Zuverlässigkeit der Prognosen in den Trendtest integriert. Wir waren der Ansicht, dass diese Behandlung notwendig ist, um unrealistisch große Änderungen bei Fläche, Ertrag und Produktion zu vermeiden, die auftreten könnten, wenn beispiellose Werte von Klimaprädiktoren in empirische Modelle, einschließlich der elastischen Netzregressionsmodelle, eingegeben werden. Darüber hinaus treten solche Artefakte eher in empirischen Modellen auf, die extreme Klimaindizes als Prädiktoren verwenden, als in Modellen, die saisonale Durchschnittsklimaindizes als Prädiktoren verwenden.

Wir haben Reisertragsprognosen für den Zeitraum 2006–2100 erhalten, die mithilfe der prozessbasierten globalen Gitterkulturmodelle (GGCMs) abgeleitet wurden, die durch CMIP5-GCMs43,44 erzwungen wurden, und sie mit Ertragsprognosen verglichen, die aus den elastischen Nettoregressionsmodellen abgeleitet wurden. Dieser Datensatz ist als Produkt des Agricultural Model Intercomparison and Improvement Project (AgMIP), das Teil der Global Gridded Crop Model Intercomparison Initiative (GGCMI45) war, und des Inter-Sectoral Impacts Model Intercomparison Project (ISI-MIP46) bekannt. Wir haben die Ergebnisse verwendet aus vier GGCMs (EPIC, GEPIC, IMAGE-AEZ und LPJmL), die von HadGEM2-ES und GFDL-ESM2M unter RCP2.6 und RCP8.5 erzwungen wurden, um Konsistenz zwischen Vergleichen sicherzustellen. Andere im Datensatz verfügbare GGCMs simulierten Reis nicht44. Die Die prognostizierten Erträge waren separat für Regenbewässerungs- und vollständig bewässerte Bedingungen sowie für mit und ohne Düngewirkung durch erhöhte atmosphärische Kohlendioxidkonzentration [CO2] verfügbar. Wir berechneten den Gesamtmittelwert der vier GGCMs für jede der vier Einstellungen, bestehend aus r26gG/r26gH /r85gG/r85gH, Regenbewässerung/Bewässerung und mit/ohne [CO2]-Effekt und bewerteten, ob unsere regressionsbasierten Ertragsprognosen angesichts der bekannten Unsicherheit in GGCM-basierten Ertragsprognosen plausibel waren.

Alle Daten, die die in dieser Studie durchgeführte Analyse unterstützen, sind aus offenen Quellen öffentlich verfügbar. Die Reiszählungsdaten sind aus den statistischen Jahrbüchern der einzelnen Länder zugänglich. Der meteorologische Antriebsdatensatz S14FD ist unter https://doi.org/10.20783/DIAS.523 verfügbar. Die voreingenommenen korrigierten CMIP5-GCM-Ausgaben können unter https://doi.org/10.20783/DIAS.524 abgerufen werden.

Lesk, C., Rowhani, P. & Ramankutty, N. Einfluss extremer Wetterkatastrophen auf die globale Pflanzenproduktion. Natur 529, 84–87. https://doi.org/10.1038/nature16467 (2016).

Artikel ADS CAS PubMed Google Scholar

Gaupp, F. et al. Sich ändernde Risiken eines gleichzeitigen globalen Kornkammerausfalls. Nat. Aufstieg. Ändern. 10, 54–57. https://doi.org/10.1038/s41558-019-0600-z (2020).

Artikel ADS Google Scholar

Verschuur, J. et al. Der Klimawandel als Treiber der Ernährungsunsicherheit bei der Dürre in Lesotho und Südafrika 2007. Wissenschaft. Rep. 11, 3852. https://doi.org/10.1038/s41598-021-83375-x (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Iizumi, T. & Ramankutty, N. Wie beeinflussen Wetter und Klima die Anbaufläche und -intensität? Globus. Lebensmittelsicherheit. 4, 46–50. https://doi.org/10.1016/j.gfs.2014.11.003 (2015).

Artikel Google Scholar

Cohn, A. et al. Die Anbauhäufigkeit und die Flächenreaktion auf Klimaschwankungen können die Ertragsreaktion übersteigen. Nat. Aufstieg. Änderung 6, 601–604. https://doi.org/10.1038/nclimate2934 (2016).

Artikel ADS Google Scholar

Zhu, P. et al. Durch die Erwärmung sinkt die weltweite landwirtschaftliche Produktion, da die Anbauhäufigkeit und die Erträge sinken. Nat. Aufstieg. Änderung 12, 1016–1023. https://doi.org/10.1038/s41558-022-01492-5 (2022).

Artikel ADS CAS Google Scholar

Naylor, RL et al. Verwendung von El Niño/Southern Oscillation-Klimadaten zur Vorhersage der Reisproduktion in Indonesien. Aufstieg. Änderung 50, 255–265. https://doi.org/10.1023/A:1010662115348 (2001).

Artikel Google Scholar

Koide, N. et al. Vorhersage der Reisproduktion auf den Philippinen anhand saisonaler Klimavorhersagen. J. Appl. Meteorol. Klimatol. 52, 552–569. https://doi.org/10.1175/JAMC-D-11-0254.1 (2013).

Artikel ADS Google Scholar

Kotera, A. et al. Ein Modellierungsansatz zur Bewertung des Reisanbauzyklus, der durch Überschwemmungen, Salzgehaltseinbrüche und Monsunregen im Mekong-Delta, Vietnam, beeinflusst wird. Reiswasserumgebung. 12, 343–354. https://doi.org/10.1007/s10333-013-0386-y (2014).

Artikel Google Scholar

Rezaei, EE et al. Die Erntefläche, nicht der Ertrag, bestimmt die Variabilität der Pflanzenproduktion im Iran. Umgebung. Res. Lette. 16, 064058. https://doi.org/10.1088/1748-9326/abfe29 (2021).

Artikel ADS Google Scholar

Ubilava, D. Der ENSO-Effekt und Asymmetrien in der Weizenpreisdynamik. Weltentwickler. 96, 490–502. https://doi.org/10.1016/j.worlddev.2017.03.031 (2017).

Artikel Google Scholar

Hasegawa, T., Wakatsuki, H. & Nelson, GC Beweise für und Prognose eines durch den Klimawandel verursachten Ausfalls mehrerer Kornkammern. Curr. Meinung. Umgebung. Aufrechterhalten. 58, 101217. https://doi.org/10.1016/j.cosust.2022.101217 (2022).

Artikel Google Scholar

Hasegawa, T. et al. Globales Landnutzungszuteilungsmodell verknüpft mit einem integrierten Bewertungsmodell. Wissenschaft. Gesamtumgebung. 580, 787–796. https://doi.org/10.1016/j.scitotenv.2016.12.025 (2017).

Artikel ADS CAS PubMed Google Scholar

Ai, Z. et al. Globale Bioenergie mit Potenzial zur Kohlenstoffabscheidung und -speicherung wird weitgehend durch nachhaltige Bewässerung eingeschränkt. Nat. Aufrechterhalten. 4, 884–891. https://doi.org/10.1038/s41893-021-00740-4 (2021).

Artikel Google Scholar

Waha, K. et al. Mehrere Anbausysteme der Welt und das Potenzial für eine Steigerung der Anbauintensität. Globus. Umgebung. Ändern. 64, 102131. https://doi.org/10.1016/j.gloenvcha.2020.102131 (2020).

Artikel PubMed PubMed Central Google Scholar

Vogel, E. et al. Die Auswirkungen von Klimaextremen auf die globalen landwirtschaftlichen Erträge. Umgebung. Res. Lette. 14, 054010. https://doi.org/10.1088/1748-9326/ab154b (2019).

Artikel ADS Google Scholar

Sawano, S. et al. Modellierung der Abhängigkeit des Erntekalenders für Regenreis vom Niederschlag im Nordosten Thailands. Reiswasserumgebung. 6, 83–90. https://doi.org/10.1007/s10333-007-0102-x (2008).

Artikel Google Scholar

Conforti, P., Markova, G., Tochkov, D. FAO-Methodik zur Schadens- und Verlustbewertung in der Landwirtschaft. FAO Statistics Working Paper 19–17 (Rom, 2020). https://doi.org/10.4060/ca6990en.

Rojas, M. et al. Entstehung robuster Niederschlagsveränderungen in allen Pflanzenanbaugebieten im 21. Jahrhundert. Proz. Natl. Acad. Wissenschaft. USA 116, 6673–6678. https://doi.org/10.1073/pnas.1811463116 (2019).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Sloat, LL et al. Klimaanpassung durch Pflanzenmigration. Nat. Komm. 11, 1243. https://doi.org/10.1038/s41467-020-15076-4 (2020).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Zhang, G. et al. Fingerabdruck von Reisfeldern in der räumlich-zeitlichen Dynamik der atmosphärischen Methankonzentration im Monsunasien. Nat. Komm. 11, 554. https://doi.org/10.1038/s41467-019-14155-5 (2020).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Roe, S. et al. Landbasierte Maßnahmen zur Eindämmung des Klimawandels: Potenzial und Machbarkeit nach Ländern. Globus. Biol. ändern 27, 6025–6058. https://doi.org/10.1111/gcb.15873 (2021).

Artikel CAS Google Scholar

Minamikawa, K. et al. Vorhersage der zukünftigen Methanemissionen aus bewässerten Reisfeldern in Zentralthailand unter verschiedenen Wassermanagementpraktiken. Wissenschaft. Gesamtumgebung. 566–567, 641–651. https://doi.org/10.1016/j.scitotenv.2016.05.145 (2016).

Artikel ADS CAS PubMed Google Scholar

Searchinger, T., Herrero, M., Yan, X. et al. Möglichkeiten zur Reduzierung der Methanemissionen aus der globalen Landwirtschaft. (2021) https://scholar.princeton.edu/sites/default/files/methan_discussion_paper_nov_2021.pdf.

Iizumi, T. et al. Die Abstimmung des Erntejahrs in weltweiten Rastermodellsimulationen mit dem Erntejahr in Volkszählungsberichten ist für die Bewertung der Modellleistung von Reis auf nationaler Ebene von entscheidender Bedeutung. Euro. J. Agron. 130, 126367. https://doi.org/10.1016/j.eja.2021.126367 (2021).

Artikel Google Scholar

Iizumi, T. et al. Globale Vorhersage von Ertragsanomalien innerhalb der Saison für wichtige Nutzpflanzen, abgeleitet aus saisonalen Vorhersagen großräumiger Klimaindizes sowie regionaler Temperatur und Niederschläge. Wettervorhersage. 36, 285–299. https://doi.org/10.1175/WAF-D-20-0097.1 (2021).

Artikel ADS Google Scholar

Lu, J., Carbone, GJ & Gao, P. Detrending-Ertragsdaten zur räumlichen Visualisierung von Dürreauswirkungen in den Vereinigten Staaten, 1895–2014. Landwirtschaft. Für. Meteorol. 237–238, 196–208. https://doi.org/10.1016/j.agrformet.2017.02.001 (2017).

Artikel ADS Google Scholar

R-Kernteam. R: Eine Sprache und Umgebung für statistisches Rechnen (Wien, 2022).

Alexander, LV Global beobachtete langfristige Veränderungen bei Temperatur- und Niederschlagsextremen: Ein Überblick über Fortschritte und Einschränkungen bei IPCC-Bewertungen und darüber hinaus. Wetter Clim. Extreme 11, 4–16. https://doi.org/10.1016/j.wace.2015.10.007 (2016).

Artikel Google Scholar

Mathison, C. et al. Schätzung der Aussaat- und Erntetermine basierend auf dem asiatischen Sommermonsun. Erdsystem. Dyn. 9, 563–592. https://doi.org/10.5194/esd-9-563-2018 (2018).

Artikel ADS Google Scholar

Choi, Y.-S. et al. Klimatischer Einfluss auf den Zeitpunkt der Maisaussaat im Mittleren Westen der USA. Int. J. Climatol. 37, 1595–1602. https://doi.org/10.1002/joc.4799 (2017).

Artikel Google Scholar

Kucharik, CJ Ein multidekadischer Trend zum früheren Maisanbau in den zentralen USA. Agron. J. 98, 1544–1550. https://doi.org/10.2134/agronj2006.0156 (2006).

Artikel Google Scholar

Yang, Y. et al. Charakterisierung räumlich-zeitlicher Muster der Pflanzenphänologie in ganz Nordamerika im Zeitraum 2000–2016 mithilfe von Satellitenbildern und landwirtschaftlichen Erhebungsdaten. ISPRS J. Fotogramm. Remote Sens. 170, 156–173. https://doi.org/10.1016/j.isprsjprs.2020.10.005 (2020).

Artikel ADS Google Scholar

Iizumi, T. et al. Beiträge verschiedener Bias-Korrekturmethoden und Referenzdatensätze zu meteorologischen Antrieben zur Unsicherheit bei projizierten Temperatur- und Niederschlagsextremen. J. Geophys. Res. Atmosphäre. 122, 7800–7819. https://doi.org/10.1002/2017JD026613 (2017).

Artikel ADS Google Scholar

Taylor, KE, Stouffer, RJ & Meehl, GA Ein Überblick über CMIP5 und das Experimentdesign. Stier. Bin. Meteorol. Soc. 93, 485–498. https://doi.org/10.1175/BAMS-D-11-00094.1 (2012).

Artikel ADS Google Scholar

van Vuuren, DP et al. Die repräsentativen Konzentrationswege: ein Überblick. Aufstieg. Änderung 109, 5. https://doi.org/10.1007/s10584-011-0148-z (2011).

Artikel ADS Google Scholar

Iizumi, T. et al. Bewertung und Vergleich herunterskalierter täglicher Niederschlagsindizes über Japan im heutigen Klima: Stärken und Schwächen dynamischer und systematischer statistischer Herunterskalierungsmethoden mit Bias-Korrektur. J. Geophys. Res. Atmosphäre. 116, D01111. https://doi.org/10.1029/2010JD014513 (2011).

Artikel ADS Google Scholar

Ishizaki, NN et al. Evaluierung von zwei Bias-Korrekturmethoden für gitterförmige Klimaszenarien über Japan. SOLA 16, 80–85. https://doi.org/10.2151/sola.2020-014 (2020).

Artikel ADS Google Scholar

Ray, DK et al. Jüngste Muster des Ernteertragswachstums und der Stagnation. Nat. Komm. 3, 1293. https://doi.org/10.1038/ncomms2296 (2012).

Artikel ADS CAS PubMed Google Scholar

Zou, H. & Hastie, T. Regularisierung und Variablenauswahl über das elastische Netz. JR-Stat. Soc. 67B, 301–320. https://doi.org/10.1111/j.1467-9868.2005.00503.x (2005).

Artikel MathSciNet MATH Google Scholar

Das, B. et al. Evaluierung mehrerer linearer, neuronaler Netzwerk- und bestrafter Regressionsmodelle zur Vorhersage des Reisertrags basierend auf Wetterparametern für die Westküste Indiens. Int. J. Biometeorol. 62, 1809–1822. https://doi.org/10.1007/s00484-018-1583-6 (2018).

Artikel ADS PubMed Google Scholar

Hyndman, RJ, Athanasopoulos, G. Forecasting: Principles and Practice, 2. Aufl. (Melbourne, 2018). OTexts.com/fpp2.

Rosenzweig, C. et al. Bewertung der landwirtschaftlichen Risiken des Klimawandels im 21. Jahrhundert in einem globalen, gerasterten Nutzpflanzenmodell-Vergleich. Proz. Natl. Acad. Wissenschaft. USA 111, 3268–3273. https://doi.org/10.1073/pnas.1222463110 (2014).

Artikel ADS CAS PubMed Google Scholar

Villoria, NB et al. Schnelle Aggregation der Ergebnisse globaler gerasterter Nutzpflanzenmodelle, um eine interdisziplinäre Analyse der Auswirkungen des Klimawandels in der Landwirtschaft zu erleichtern. Umgebung. Modell. Softw. 75, 193–201. https://doi.org/10.1016/j.envsoft.2015.10.016 (2016).

Artikel Google Scholar

Elliott, J. et al. Der Global Gridded Crop Model Intercomparison: Daten und Modellierungsprotokolle für Phase 1 (v1.0). Geosci. Modellentwickler. 8, 261–277. https://doi.org/10.5194/gmd-8-261-2015 (2015).

Artikel ADS Google Scholar

Warszawski, L. et al. Das intersektorale Impact-Modell-Vergleichsprojekt (ISI-MIP): Projektrahmen. Proz. Natl. Acad. Wissenschaft. USA 111, 3228–3232. https://doi.org/10.1073/pnas.1312330110 (2014).

Artikel ADS CAS PubMed Google Scholar

Referenzen herunterladen

Wir danken Takumi Matsunobu und Singh Rajeev Kumar für die Datenerfassung. Diese Forschung wurde vom Environment Research and Technology Development Fund (JPMEERF20202002 und JPMEERF23S21120) der Environmental Restoration and Conservation Agency des japanischen Umweltministeriums unterstützt. TI wurde teilweise durch Grants-in-Aid for Scientific Research (22H00577 und 20K06267) der Japan Society for the Promotion of Science unterstützt.

Institut für Agrarumweltwissenschaften, Nationale Organisation für Landwirtschaft und Lebensmittelforschung, Tsukuba, Ibaraki, 305-8604, Japan

Nanae Hosokawa, Yasuhiro Doi, Wonsik Kim und Toshichika Iizumi

Forschungsinstitut für Forstwirtschaft und Forstprodukte, Forstforschungs- und Managementorganisation, Tsukuba, Ibaraki, 305-8687, Japan

Nanae Hosokawa

CSJ Co. Ltd., Shibuya-Ku, Tokio, 151-0053, Japan

Yasuhiro Doi

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

TI hat die Studie konzipiert; NH und YD führten eine Analyse durch; TI, YD, NH und WK haben das Manuskript geschrieben.

Korrespondenz mit Toshichika Iizumi.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Hosokawa, N., Doi, Y., Kim, W. et al. Kontrastierende Flächen- und Ertragsreaktionen auf extremes Klima tragen zu einer klimaresistenten Reisproduktion in Asien bei. Sci Rep 13, 6219 (2023). https://doi.org/10.1038/s41598-023-33413-7

Zitat herunterladen

Eingegangen: 25. Januar 2023

Angenommen: 12. April 2023

Veröffentlicht: 17. April 2023

DOI: https://doi.org/10.1038/s41598-023-33413-7

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.