Producción de cultivos¶
Resumen¶
Los modelos de percentil de producción de cultivos y de regresión de producción de cultivos estiman el rendimiento de los cultivos y el valor de los nutrientes para un conjunto fijo de cultivos, derivados de la información sobre la cubierta vegetal suministrada por usted. El rendimiento de los cultivos depende principalmente del clima y, si se dispone de las tasas de fertilizantes, también pueden tenerse en cuenta con el modelo de regresión.
Introducción¶
La ampliación de la producción agrícola y la reducción de las diferencias de rendimiento son una estrategia clave para muchos gobiernos y organismos de desarrollo centrados en la mitigación de la pobreza y la consecución de la seguridad alimentaria. Sin embargo, la conversión de los hábitats naturales a la producción agrícola afecta a otros servicios ecosistémicos que son clave para mantener los beneficios económicos que la agricultura proporciona a las comunidades locales. Las prácticas agrícolas intensivas pueden aumentar la carga de contaminación de las fuentes de agua, lo que a menudo hace necesarios costosos métodos de purificación del agua en el futuro. El uso excesivo del agua también amenaza el suministro disponible para la energía hidroeléctrica u otros servicios. Aun así, la producción de cultivos es esencial para el bienestar y el sustento de las personas. El modelo de producción de cultivos de InVEST permite un examen detallado de los costos y beneficios de esta empresa humana vital, incluyendo la exploración de cuestiones como:
¿Cómo se compararía una disposición o selección diferente de los sistemas de cultivo con los sistemas actuales en términos de producción total? ¿Podría el cambio de cultivos producir un mayor rendimiento económico o valor nutricional?
¿Cuáles son los efectos de la intensificación de los cultivos en los servicios ecosistémicos? Si se utiliza menos tierra para producir la misma cantidad de alimentos aumentando la intensificación?, ¿es positivo o negativo el resultado neto sobre la producción de servicios ecosistémicos?
¿Cómo podemos evaluar diferentes estrategias para satisfacer la creciente demanda de alimentos minimizando el impacto en los servicios ecosistémicos?
El modelo¶
El modelo de producción de cultivos de InVEST se divide en un modelo de rendimiento basado en el percentil, que abarca 172 cultivos en todo el mundo, y un modelo basado en la regresión que tiene en cuenta las tasas de fertilización en 10 cultivos. Estos modelos se presentan al final como modelos «percentil» y «regresión».
Todos los resultados se comparan con los resultados observados en la misma región para comprobar el control de calidad, así como la información nutricional de 33 macro y micronutrientes.
Modelo percentil¶
El modelo de percentiles de producción de cultivos de InVEST produce estimaciones del rendimiento de 172 cultivos a partir de datos existentes, resúmenes de percentiles y rendimientos observados. Estas observaciones se basan en conjuntos de datos de la FAO y subnacionales para 172 cultivos, como toneladas/ha (Monfreda et al. 2008) e información nutricional. Los rendimientos percentiles son útiles para explorar una gama de niveles de intensificación, enumerando el rendimiento para los percentiles 25, 50, 75 y 95, entre los datos de rendimiento observados en cada uno de los tramos climáticos del cultivo.
Modelo regresión¶
Para 10 cultivos básicos cuyos rendimientos han sido modelizados globalmente por Mueller et al. (2011), el modelo de Regresión de la Producción de Cultivos puede proporcionar estimaciones de los rendimientos dados los aportes de fertilizantes. Estos cultivos incluyen la cebada, el maíz, la palma aceitera, la patata, el arroz, la soya, la remolacha azucarera, la caña de azúcar, el girasol y el trigo. Para ejecutar este modelo, usted debe proporcionar una tabla adicional que corresponda a los cultivos con las tasas de aplicación de nitrógeno, fosfato y potasa (kg/ha) por cultivo. El modelo produce los rendimientos de los cultivos modelizados y observados, así como el valor nutricional.
Cómo funciona¶
Conjuntos de datos proporcionados¶
Los datos de muestra contienen un directorio model_data que contiene los conjuntos de datos globales de Monfreda en los que se basa el modelo:
climate_percentile_yield_tables (modelo percentil): para cada cultivo, un CSV con la lista de los rendimientos de los percentiles 25, 50, 75 y 95 en cada casilla climática. Estos percentiles se obtienen a partir de los conjuntos de datos de rendimiento global observado y de la franja climática; por ejemplo, el valor del percentil 95 para el trigo en la franja climática 1 es de 3,763889. Esto significa que el 95% de las zonas que cultivan trigo en la zona climática 1 producen menos de 3,763889 toneladas/hectárea. El percentil 50 sería un rendimiento «medio», y el percentil 95 sería un rendimiento casi óptimo que se conseguiría mejorando las prácticas agrícolas.
climate_regression_yield_tables (modelo de regresión): para cada cultivo, un CSV de los parámetros de regresión para cada casilla climática.
crop_nutrient.csv (modelos de percentil y de regresión): una tabla con los valores nutricionales de cada cultivo.
extended_climate_bin_maps (modelo de percentiles): para cada cultivo, un ráster global de casillas climáticas para ese cultivo (para más detalles, ver los Métodos Suplementarios de Mueller et al. 2012).
observed_yield (modelo de percentiles): para cada cultivo, un ráster global del rendimiento real observado alrededor del año 2000.
Modelo percentiles¶
El algoritmo del modelo percentiles es el siguiente, para cada tipo de cultivo (los resultados correspondientes están entre paréntesis):
Recorte el mapa global de casillas climáticas de model_data/extended_climate_bin_maps/ a la extensión del mapa de la cubierta vegetal proporcionado por usted (intermediate_outputs/clipped_<crop>_climate_bin_map.tif)
Para cada percentil (25, 50, 75, 95):
Reclasifique el mapa climático recortado de (1) utilizando los valores de model_data/climate_percentile_yield_tables para obtener un mapa de rendimientos por percentil (intermediate_outputs/<crop>_yield_<percentile>_coarse_yield.tif).
Interpólela a la misma resolución que el mapa de la cobertura vegetal, cambiando los píxeles de 1/12 grados grandes por un gradiente más suave (intermediate_outputs/<crop>_yield_<percentile>_interpolated_yield.tif)
Enmascare las zonas que no tienen ese cultivo según el mapa de la cubierta vegetal (<crop>_yield_<percentile>_production.tif).
Recorte el mapa de rendimiento global observado de model_data/observed_yield/ a la extensión del mapa de la cubierta vegetal, y sustituya los valores de los píxeles nodata por cero (intermediate_outputs/<crop>_clipped_observed_yield.tif, intermediate_outputs/<crop>_zeroed_observed_yield.tif).
Interpólela a la misma resolución que el mapa de la cobertura vegetal, cambiando los píxeles de 1/12 grados grandes por un gradiente más suave (intermediate_outputs/<crop>_interpolated_observed_yield.tif)
Enmascare las zonas que no tienen ese cultivo según el mapa de la cubierta vegetal (<crop>_observed_production.tif).
Sume los valores de rendimiento y los valores nutricionales (utilizando los datos de model_data/crop_nutrient.csv), y tabule los resultados (result_table.csv).
Si se proporcionó un vector de polígonos agregados, sume los valores dentro de cada área de polígono agregado y tabúlelos (intermediate_outputs/aggregate_vector.shp, aggregate_results.csv).
Modelo regresión¶
El algoritmo del modelo regresión es el siguiente, para cada tipo de cultivo (los resultados correspondientes figuran entre paréntesis):
Recorte el mapa global de casillas climáticas de model_data/extended_climate_bin_maps/ a la extensión del mapa de la cobertura del suelo proporcionado por usted (intermediate_outputs/clipped_<crop>_climate_bin_map.tif)
Para cada parámetro de regresión:
Reclasifique el mapa climático recortado de (1) utilizando los valores de model_data/climate_regression_yield_tables para obtener un mapa de los valores de los parámetros de regresión (intermediate_outputs/<crop>_<parameter>_coarse_regression_parameter.tif)
Interpólela a la misma resolución que el mapa de la cobertura del suelo, cambiando los píxeles de 1/12 grados grandes por un gradiente más suave (intermediate_outputs/<crop>_<parameter>_interpolated_regression_parameter.tif)
Para cada elemento fertilizante (nitrógeno, fósforo, potasio):
Calcule un ráster de rendimiento de los cultivos basado en ese elemento utilizando los rásters de parámetros de regresión de (2) (intermediate_outputs/<crop>_<element>_yield.tif).
Calcule el rendimiento de los cultivos tomando el mínimo en píxeles de los tres rásters de rendimiento de (3) (<crop>_regression_production.tif).
Recorte el mapa de rendimiento global observado de model_data/observed_yield/ a la extensión del mapa de la cubierta vegetal, y sustituir los valores de los píxeles nodata por cero (intermediate_outputs/<crop>_clipped_observed_yield.tif, intermediate_outputs/<crop>_zeroed_observed_yield.tif).
Interpólela a la misma resolución que el mapa de la cobertura del suelo, cambiando los píxeles de 1/12 grados grandes por un gradiente más suave (intermediate_outputs/<crop>_interpolated_observed_yield.tif)
Enmascare las zonas que no tienen ese cultivo según el mapa de la cobertura vegetal (<crop>_observed_production.tif).
Sume los valores de rendimiento y los valores nutricionales (utilizando los datos de model_data/crop_nutrient.csv), y tabule los resultados (result_table.csv).
Si se proporcionó un vector de polígonos agregados, sume los valores dentro de cada área de polígono agregado y tabúlelos (intermediate_outputs/aggregate_vector.shp, aggregate_results.csv).
La regresión del cultivo en sí (pasos 3 y 4 anteriores) proviene de Mueller et al. 2012 y tiene la forma
\[Y_{mod_{GC}}=\min(Y_{max}(1-b_{NP}\exp(-c_N N_{GC})), Y_{max}(1-b_{NP} \exp(-c_P P_{GC})), Y_{max}(1-b_K \exp(-c_K K_{GC})))\]
Donde \(N_{GC}, P_{GC}, K_{GC}\) son las tasas de fertilización suministradas por usted (N = nitrógeno, P = fósforo, K = potasio), y los demás parámetros de regresión se proporcionan como datos globales al modelo.
Limitaciones y simplificaciones¶
La versión actual del modelo es un modelo global grueso conducido principalmente por el clima y opcionalmente por la gestión. Por tanto, este modelo no es capaz de captar la variación de la productividad que se produce en paisajes heterogéneos. Una ladera rocosa y un valle fluvial fértil, si comparten el mismo clima, tendrían el mismo rendimiento en el modelo actual. Esto es un problema si la cuestión de interés es dónde priorizar la futura conversión del hábitat, o dónde la agricultura es más productiva y menos destructiva.
Necesidades de datos¶
Hay dos modelos de producción de cultivos de InVEST disponibles, un modelo de observación basado en percentiles que opera en 172 cultivos, y un modelo de regresión para explorar las tasas de fertilización que opera en 10 cultivos. Los argumentos que se exponen a continuación se refieren a ambos modelos, a menos que se especifique lo contrario.
Importante: Es necesario descargar el conjunto de datos de InVEST para la producción de cultivos, para obtener el conjunto de datos de Monfreda necesario como input para los modelos. Si elige instalar los datos de muestra de Producción de Cultivos cuando instale InVEST, habrá una carpeta llamada sample_data\CropProduction
en la carpeta de instalación de InVEST, donde pueden encontrarse estos datos. O bien, puede descargarlos de http://releases.naturalcapitalproject.org/?prefix=invest/, después de ir a ese enlace, hacer clic en la versión de destino, luego navegar en el directorio data
y seleccionar CropProduction.zip
.
Consulte también el conjunto de datos de producción de cultivos para ver ejemplos de todos estos inputs de datos. Esto le ayudará con el tipo de archivo, la estructura de la carpeta y el formato de la tabla. Tenga en cuenta que todos los inputs para el SIG deben estar en el mismo sistema de coordenadas proyectadas y en unidades de metros lineales.
Ambos modelos¶
Workspace (directorio, requerido): The folder where all the model’s output files will be written. If this folder does not exist, it will be created. If data already exists in the folder, it will be overwritten.
Sufijo Del Archivo (texto, opcional): Sufijo que se añadirá a todos los nombres de archivos resultantes. Es útil para diferenciar entre las ejecuciones del modelo.
Directorio De Datos Del Modelo (directorio, requerido): Ruta de acceso al directorio de datos de producción de cultivos de InVEST.
Tanto el modelo percentiles como el de regresión requieren el conjunto de datos base de Monfreda, que se instalará si se opta por instalar los datos de muestra junto con las herramientas InVEST, o descargue el conjunto de datos directamente como se ha explicado anteriormente. Una vez instalado, la carpeta del modelo essample_data\CropProduction\model_data
en el directorio de instalación de datos de InVEST.Uso Del Suelo/Cobertura Del Suelo (ráster, requerido): Mapa de códigos de uso/cobertura del suelo. A cada tipo de uso del suelo/cobertura del suelo se le debe asignar un código entero único.
Este ráster debe tener un sistema de coordenadas proyectado con unidades de metros (por ejemplo, UTM) porque las áreas de los píxeles se dividen por 10000 para presentar algunos resultados en hectáreas. Solo puede haber una clase de uso/cobertura del suelo (LULC) asociada a cada tipo de cultivo único. Si tiene varias clases LULC que deben asignarse a un cultivo concreto, tendrá que combinar esas clases LULC múltiples en una sola clase en el ráster LULC antes de utilizarlas en el modelo.Área De Interés (vector, polygon/multipolygon, opcional): Un mapa de zonas sobre el que agregar y resumir los resultados finales.
Necesidades adicionales de datos percentiles¶
Tabla De LULC A Cultivos (CSV, requerido): Una tabla que asigna cada código LULC del mapa LULC a uno de los 175 nombres de cultivos canónicos que representan el cultivo realizado en esa clase LULC.
Solo puede haber una clase de cobertura del suelo asociada a cada tipo de cultivo único. Para más información, véase la descripción del uso del suelo/cobertura del suelo más arriba.Columnas:
lucode (entero, requerido)
crop_name (opción, requerido)
Opciones:
abaca: Abaca (manila hemp)
agave: Agave fibers, other
alfalfa: Alfalfa
almond: Almonds, with shell
aniseetc: Anise, badian, fennel, coriander
apple: Apples
apricot: Apricots
areca: Areca nuts (betel)
artichoke: Artichokes
asparagus: Asparagus
avocado: Avocados
bambara: Bambara beans
banana: Bananas
barley: Barley
bean: Beans, dry
beetfor: Beets for fodder
berrynes: Berries, other
blueberry: Blueberries
brazil: Brazil nuts, with shell
broadbean: Broad beans, horse beans, dry
buckwheat: Buckwheat
cabbage: Cabbages and other brassicas
cabbagefor: Cabbage for fodder
canaryseed: Canary seed
carob: Carobs
carrot: Carrots and turnips
carrotfor: Carrots for fodder
cashew: Cashew nuts, with shell
cashewapple: Cashew apple
cassava: Cassava
castor: Castor beans
cauliflower: Cauliflower and broccoli
cerealnes: Cereals, other
cherry: Cherries
chestnut: Chestnuts
chickpea: Chick peas
chicory: Chicory roots
chilleetc: Chilies and peppers, green
cinnamon: Cinnamon (canella)
citrusnes: Citrus fruit, other
clove: Cloves
clover: Clover
cocoa: Cocoa beans
coconut: Coconuts
coffee: Coffee, green
cotton: Cotton
cowpea: Cow peas, dry
cranberry: Cranberries
cucumberetc: Cucumbers and gherkins
currant: Currants
date: Dates
eggplant: Eggplants (aubergines)
fibrenes: Fiber crops, other
fig: Figs
flax: Flax fiber and tow
fonio: Fonio
fornes: Forage products, other
fruitnes: Fresh fruit, other
garlic: Garlic
ginger: Ginger
gooseberry: Gooseberries
grape: Grapes
grapefruitetc: Grapefruit and pomelos
grassnes: Grasses, other
greenbean: Beans, green
greenbroadbean: Broad beans, green
greencorn: Green corn (maize)
greenonion: Onions and shallots, green
greenpea: Peas, green
groundnut: Groundnuts, with shell
hazelnut: Hazelnuts (filberts), with shell
hemp: Hemp fiber and tow
hempseed: Hempseed
hop: Hops
jute: Jute
jutelikefiber: Jute-like fibers
kapokfiber: Kapok fiber
kapokseed: Kapok seed in shell
karite: Karite nuts (shea nuts)
kiwi: Kiwi fruit
kolanut: Kola nuts
legumenes: Legumes, other
lemonlime: Lemons and limes
lentil: Lentils
lettuce: Lettuce and chicory
linseed: Linseed
lupin: Lupins
maize: Maize
maizefor: Maize for forage and silage
mango: Mangoes, mangosteens, guavas
mate: Mate
melonetc: Cantaloupes and other melons
melonseed: Melon seed
millet: Millet
mixedgrain: Mixed grain
mixedgrass: Mixed grasses and legumes
mushroom: Mushrooms and truffles
mustard: Mustard seed
nutmeg: Nutmeg, mace, and cardamoms
nutnes: Nuts, other
oats: Oats
oilpalm: Oil palm fruit
oilseedfor: Green oilseeds for fodder
oilseednes: Oilseeds, other
okra: Okra
olive: Olives
onion: Onions, dry
orange: Oranges
papaya: Papayas
pea: Peas, dry
peachetc: Peaches and nectarines
pear: Pears
pepper: Pepper (Piper spp.)
peppermint: Peppermint
persimmon: Persimmons
pigeonpea: Pigeon peas
pimento: Chilies and peppers, dry
pineapple: Pineapples
pistachio: Pistachios
plantain: Plantains
plum: Plums and sloes
poppy: Poppy seed
potato: Potatoes
pulsenes: Pulses, other
pumpkinetc: Pumpkins, squash, gourds
pyrethrum: Pyrethrum, dried flowers
quince: Quinces
quinoa: Quinoa
ramie: Ramie
rapeseed: Rapeseed
rasberry: Raspberries
rice: Rice
rootnes: Roots and tubers, other
rubber: Natural rubber
rye: Rye
ryefor: Rye grass for forage and silage
safflower: Safflower seed
sesame: Sesame seed
sisal: Sisal
sorghum: Sorghum
sorghumfor: Sorghum for forage and silage
sourcherry: Sour cherries
soybean: Soybeans
spicenes: Spices, other
spinach: Spinach
stonefruitnes: Stone fruit, other
strawberry: Strawberries
stringbean: String beans
sugarbeet: Sugar beets
sugarcane: Sugar cane
sugarnes: Sugar crops, other
sunflower: Sunflower seed
swedefor: Swedes for fodder
sweetpotato: Sweet potatoes
tangetc: Tangerines, mandarins, clementines
taro: Taro
tea: Tea
tobacco: Tobacco leaves
tomato: Tomatoes
triticale: Triticale
tropicalnes: Fresh tropical fruit, other
tung: Tung nuts
turnipfor: Turnips for fodder
vanilla: Vanilla
vegetablenes: Fresh vegetables, other
vegfor: Vegetables and roots for fodder
vetch: Vetches
walnut: Walnuts, with shell
watermelon: Watermelons
wheat: Wheat
yam: Yams
yautia: Yautia
Ejemplo:
crop_name
lucode
barley
1
wheat
20
soybean
1000
Necesidades adicionales de datos de regresión¶
Tabla De LULC A Cultivos (CSV, requerido): Una tabla que asigna cada código LULC del mapa LULC a uno de los 10 nombres de cultivos canónicos que representan el cultivo realizado en esa clase LULC.
Columnas:
Tabla De Tasas De Fertilización (CSV, requerido): Una tabla que relaciona los cultivos con las tasas de aplicación de fertilizantes.
A continuación se incluye una tabla de ejemplo derivada de los valores medios de las tasas de fertilización CBI observadas. Se pueden explorar los datos CBI en bruto ensample_data_\CropProduction\model_data\cbi_mod_yield_use_as_check
. (Véase la nota Importante anterior para obtener información sobre la obtención de estos datos).Columnas:
crop_name (opción, requerido): Uno de los tipos de cultivo admitidos.
Opciones:
barley: Barley
maize: Maize
oilpalm: Oil palm fruit
potato: Potatoes
rice: Rice
soybean: Soybeans
sugarbeet: Sugar beets
sugarcane: Sugar cane
sunflower: Sunflower seed
wheat: Wheat
nitrogen_rate (número, unidades: kg/ha, requerido): Rate of nitrogen application for the crop.
phosphorus_rate (número, unidades: kg/ha, requerido): Rate of phosphorus application for the crop.
potassium_rate (número, unidades: kg/ha, requerido): Rate of potassium application for the crop.
Ejemplo de tabla de fertilizantes:
crop_name
nitrogen_rate
phosphorus_rate
potassium_rate
barley
44.89457693
16.23535846
7.57676268
maize
96.32921765
25.33357058
20.48986618
oilpalm
52.32043701
15.95551604
68.13866219
potato
82.80431618
29.97946392
31.27596176
rice
92.04486444
28.03866758
12.01960867
soybean
21.49161346
33.86379707
34.84370762
sugarbeet
87.34252997
30.55592282
35.15127241
sugarcane
84.19565105
41.0406544
52.20177264
sunflower
23.15877332
6.413182596
7.155222222
wheat
71.91518364
29.49656744
7.739412485
Interpretación de los resultados¶
A continuación se describe brevemente cada uno de los resultados del modelo de producción de cultivos. Los resultados finales se encuentran en el espacio de trabajo definido por usted y especificado para esta ejecución del modelo. «Sufijo» en los siguientes nombres de archivos se refiere al Sufijo opcional definido por usted y que se introduce en el modelo.
aggregate_results_[Suffix].csv: Si se proporciona un shapefile de polígono de resultados agregados, se produce una tabla que resume la producción total observada/percentil/modelizada y la información sobre nutrientes dentro de cada polígono.
Rásters de producción de cultivos: Para cada cultivo modelizado, habrá un ráster (.tif) correspondiente a ese nombre de cultivo y al tipo de modelización - «observado», «regresión», o «rendimiento», más el número de percentil (25º/50º/75º/95º), y el sufijo proporcionado por usted. Estos rásters representan la tasa de producción de ese cultivo por píxel en toneladas métricas por píxel y por año.
result_table_[Suffix].csv: Tabla en la que se enumeran todos los cultivos modelizados en la ejecución, la superficie cubierta, el percentil o la producción modelizada, la producción observada y la información sobre los nutrientes de cada cultivo. Es el principal resultado del modelo.
También hay una carpeta intermediate_output, que contiene muchos archivos que representan pasos intermedios en los cálculos de los resultados finales. Normalmente, no es necesario trabajar con estos archivos, pero pueden ser de interés si se está depurando una ejecución del modelo o se quieren entender mejor los pasos intermedios. También contiene un subdirectorio que almacena los metadatos que se utilizan internamente para poder evitar el recálculo.
Los resultados del rendimiento observado se aproximan al rendimiento real del cultivo en el área de interés, alrededor del año 2000. Los resultados del rendimiento percentil y del rendimiento por regresión son útiles si el cultivo no se cultiva actualmente en el área de interés, o para aproximar el potencial de aumento al cerrar las brechas de rendimiento.
Referencias¶
«Farming the planet: 2. Geographic distribution of crop areas, yields, physiological types, and net primary production in the year 2000.»» C. Monfreda N. Ramankutty, J. Foley. Biogeochemical Cycles, Vol.22, GB1022, doi:10.1029/2007GB002947. 2008
«Closing yield gaps through nutrient and water management» N Mueller, J. Gerber, M. Johnston, D. Ray, N. Ramankutty, J. Foley. Nature. 2012 Oct 11;490(7419):254-7. doi: 10.1038/nature11420. Epub 2012 Aug 29.