Les réponses contrastées de la superficie et du rendement au climat extrême contribuent au changement climatique

Rapports scientifiques volume 13, Numéro d'article : 6219 (2023) Citer cet article

668 accès

Détails des métriques

Les impacts du climat sur les composantes de la production agricole autres que le rendement, c'est-à-dire la superficie et l'intensité de la culture, restent sous-étudiés. Ici, nous clarifions les relations entre le climat et la superficie des cultures en analysant la superficie du recensement infranational et les données de rendement pour six pays multi-rizicoles en Asie du Sud et du Sud-Est. Le climat extrême a une plus grande influence sur l'écart de la superficie et du rendement par rapport aux tendances à long terme que le climat saisonnier moyen ; les précipitations et la température pendant la période de semis de la saison humide/pluviale ont une plus grande influence sur la variabilité de la superficie annuelle totale que pendant la période de croissance. Dans 57 % des cas de scénario de pays montrant des changements significatifs de la superficie et/ou du rendement, les directions des réponses de la superficie et du rendement au climat ne sont pas synchronisées, ce qui entraîne des changements de production non significatifs sous les climats projetés. Les relations climat-superficie non seulement limitent les chocs de production, mais clarifient également les incertitudes associées à l'atténuation climatique des terres agricoles, où la superficie affecte considérablement l'échelle de l'atténuation.

Les phénomènes météorologiques et climatiques extrêmes réduisent souvent la production agricole et déclenchent des chocs alimentaires par le biais de chaînes d'approvisionnement mondiales interconnectées, exacerbant la sécurité alimentaire et la nutrition dans les régions vulnérables du monde1,2,3. De nombreuses études ont porté sur les impacts du climat sur les rendements (volume de production par unité de surface récoltée et saison) en raison des principales contributions du rendement sur les augmentations de production au cours des dernières décennies. Cependant, comme mentionné dans des études précédentes4,5,6, une question sous-étudiée demeure : comment le climat influence-t-il les composantes de la production autres que le rendement : la superficie cultivée (plantée ou récoltée) et l'intensité de la culture (nombre de récoltes par an) ?

La superficie cultivée et l'intensité de culture sont cruciales pour déterminer les impacts du climat sur le volume de production, en particulier dans les régions à cultures multiples5,6,7,8,9 et sujettes à la sécheresse10. Pour mieux saisir la variabilité de la production, il est important de comprendre les impacts du climat sur les composantes individuelles de la production. Une meilleure compréhension de ces impacts conduit finalement à des interventions et des politiques axées sur la modération des cascades négatives des prix alimentaires et sur l'augmentation de l'insécurité alimentaire dans les régions vulnérables et parmi les groupes de consommateurs3,11,12. Il est possible de dire que la compréhension de ces impacts est importante pour l'atténuation du climat terrestre liée à l'agriculture, car une diminution de la superficie récoltée en raison d'événements climatiques extrêmes, par rapport à la superficie de mise en œuvre (plantée), n'a pas été prise en compte. En effet, même dans les récentes études de modélisation du changement d'affectation des terres (ex.13 et les dernières évaluations des potentiels d'atténuation pour la bioénergie avec capture et stockage du carbone (BECCS, ex.14), l'étendue de la zone de mise en œuvre est un facteur crucial affectant l'échelle de l'effet d'atténuation.

Ici, nous essayons de clarifier les relations climat-superficie et de montrer que le climat saisonnier influence les caractéristiques des superficies rizicoles, autant que les rendements. La direction de la réponse au changement climatique n'est souvent pas synchronisée entre la superficie et le rendement, et le climat extrême a un effet plus important sur les écarts de superficie et de rendement par rapport aux tendances à long terme, que le climat saisonnier moyen. En effet, les régions multi-rizicoles représentent un tiers de la superficie rizicole mondiale15. Nous avons étudié six pays multi-rizicoles en Asie du Sud et du Sud-Est (Bangladesh, Indonésie, Malaisie, Myanmar, Philippines et Thaïlande ; Tableau supplémentaire 1) qui, ensemble, représentent une part importante de la production mondiale de riz (25 %) et de la superficie cultivée en riz. culture (27%). Les modèles de régression élastique net-régularisés associaient les anomalies annuelles de superficie et de rendement aux indices extrêmes et moyens de précipitations et de températures pour les périodes de semis et de croissance des saisons humides et sèches (Fig. 1 supplémentaire). Des projections climatiques qui présentent des changements relativement grands et petits dans les précipitations et la température à long terme ont été sélectionnées (Fig. 1) et ont été utilisées pour caractériser la zone et produire des réponses au changement climatique et leurs contributions relatives aux impacts sur la production.

(a) La répartition géographique de la superficie rizicole en 2005. (b,c) La température moyenne annuelle projetée et les précipitations totales sur la superficie rizicole en Asie (10° S–52° N ; 85–135° E) à partir de huit circulations générales modèles (GCM) sous quatre voies de concentration représentatives (RCP). (d) La relation entre les changements projetés de température et de précipitations pour le milieu (2041-2060) et la fin (2081-2100) du XXIe siècle, par rapport à la période 1986-2005. La ligne grise en gras est la ligne la mieux adaptée. Les cercles gris pleins indiquent les quatre scénarios climatiques sélectionnés pour cette étude, consistant en deux RCP (RCP2.6 et RCP8.5) et deux GCM (GFDL-ESM2M et HadGEM2-ES). La carte présentée ici a été créée à partir de la version 4.5.18 de Generic Mapping Tools (GMT) (https://www.generic-mapping-tools.org/).

L'intervalle inter-quantile (IQR) calculé à partir des données du recensement pour la période 1987-2012 a révélé que la variabilité de la superficie cultivée n'est pas négligeable, même lorsqu'elle est comparée à la variabilité des rendements. Au Bangladesh, au Myanmar et aux Philippines, les valeurs de variabilité de la superficie (IQL 4,8–5,8 %) étaient comparables à la variabilité du rendement (4,7–5,2 %), tandis que la variabilité du rendement (7,4–12,5 %) était de 2,0 à 2,5 %. fois plus grande que la variabilité de la zone (3,3 à 5,9 %) dans les trois pays restants (Fig. 2, Tableau supplémentaire 2). La variabilité de la production (6,0–15,1 %) était supérieure à la variabilité de la superficie ou du rendement dans tous les pays considérés ici, à l'exception de la Malaisie (6,0 %). Pris ensemble, les résultats ont montré que les signes de la superficie et du rendement ont changé dans le même sens certaines années, mais pas toujours. En effet, les anomalies de superficie et de rendement n'étaient pas significativement corrélées entre elles dans quatre pays, le Bangladesh (R = 0,530 ; p = 0,005) et le Myanmar (R = 0,480 ; p = 0,013) étant des exceptions (tableau supplémentaire 2).

Anomalies signalées de la superficie rizicole, du rendement et de la production. Les plages inter-quantiles (IQR) sont présentées pour la superficie (A), le rendement (Y) et la production (P).

Les comparaisons entre les données du recensement pour la période 1987-2012 et la reproduction hors échantillon à l'aide des modèles de régression nette élastique avec les conditions météorologiques réelles comme données d'entrée ont montré que les performances du modèle étaient suffisamment élevées pour la superficie et le rendement. Pour la superficie, la valeur R moyenne entre les pays était de 0,990, la plage minimale à maximale (min-max) allant de 0,970 pour la Malaisie à 0,997 pour le Myanmar (Fig. 2 supplémentaire). Pour le rendement, la valeur moyenne correspondante était de 0,994 (0,989 pour la Thaïlande à 0,999 pour l'Indonésie). Ces corrélations étaient toutes significatives au seuil de 0,1 %. Les erreurs quadratiques moyennes (RMSE) variaient de 0,6 à 0,7 % pour la superficie (moyenne de 0,65 %), et de 0,5 à 2,0 % pour le rendement (moyenne de 0,9 %), les minimums et les maximums correspondant respectivement à la Thaïlande et aux Philippines. . Des performances aussi élevées, même pour la validation hors échantillon, se retrouvent généralement dans les études antérieures qui utilisaient des modèles de régression nette élastique (voir "Méthodes").

Les coefficients de régression estimés ont clarifié l'effet du climat sur la superficie et le rendement actuels. Si nous utilisons les Philippines comme exemple représentatif, les deux caractéristiques suivantes sont évidentes. Premièrement, les indices climatiques moyens sont rarement classés parmi les principaux facteurs affectant la superficie et le rendement, que ce soit négativement ou positivement (trois indices climatiques pour chaque signe ; les barres avec et sans pointillés rouges sur la Fig. 3 et la Fig. S3 supplémentaire) . Ces résultats indiquent que le climat extrême, indépendamment de celui des saisons humides et sèches, a une plus grande influence sur la superficie que le climat saisonnier moyen. Deuxièmement, par rapport à la période de croissance de la saison des pluies, beaucoup plus d'indices de précipitations et de température ont été identifiés comme facteurs qui ont le plus affecté la zone, positivement ou négativement, pendant la période de semis de la saison des pluies (les barres brunes représentent plus de la moitié de les principaux contributeurs de la Fig. 3). Ces résultats montrent l'influence du climat pendant la période d'ensemencement de la saison humide/pluviale sur la variabilité d'une année à l'autre de la superficie totale annuelle cultivée ; cela est considéré comme raisonnable puisque l'étendue signalée de la zone de saison des pluies aux Philippines en 2020 était environ 1,3 fois plus grande que celle de la zone de saison sèche.

Réponse de la zone au climat aux Philippines. Les valeurs indiquent les coefficients de régression moyens standardisés des modèles de régression nette élastique. Les prédicteurs avec et sans pointillés rouges indiquent respectivement les indices climatiques moyens et extrêmes. Le marron indique la période de semis ; Le vert indique la moyenne des groupes de période de croissance précoce et tardive. Les quatre panneaux montrent les différentes saisons (humide/pluviale et sèche/irriguée) et les variables climatiques (précipitations et température).

Les caractéristiques décrites ci-dessus étaient relativement courantes dans les pays étudiés. Les conditions climatiques extrêmes ont eu un effet marqué sur la superficie dans quatre des six pays. Les précipitations saisonnières moyennes n'étaient plus élevées qu'en Indonésie et en Thaïlande (Fig. 4 supplémentaire, tableau supplémentaire 3). Une tendance similaire a été observée pour les rendements dans les quatre pays. Cependant, les précipitations saisonnières moyennes se sont classées comme le principal contributeur aux rendements au Bangladesh et en Indonésie. Parmi les autres indices climatiques extrêmes, le nombre de jours secs consécutifs (CDD) était souvent le principal facteur qui affectait négativement la zone (Fig. 5 supplémentaire). De plus, les contributions des jours extrêmement humides (R99pTOT), des jours très humides (R95pTOT), des jours humides consécutifs (CWD) et des jours de fortes précipitations (R10mm) ont également été fréquemment classées en haut, mais le signe de la réponse de la zone était mitigé. Bien que la réponse de la zone aux indices de température extrême ait également été mitigée, les jours les plus froids (TXn) et les jours frais (TX10p) ont eu tendance à augmenter la superficie. Pour le rendement, le CWD et le CDD ont été fréquemment identifiés comme ayant respectivement des effets décroissants et croissants. TX10p et les jours les plus chauds (TXx) ont également été fréquemment détectés, mais les signes de la réponse du rendement étaient mitigés.

L'influence des précipitations et de la température pendant la période d'ensemencement de la saison des pluies sur la superficie était une caractéristique commune aux quatre pays, à l'exception de la Malaisie et du Myanmar (Fig. 4 supplémentaire, Tableau supplémentaire 3). Les précipitations et la température ont eu une influence, positive ou négative, sur la superficie pendant la période de semis de la saison des pluies par rapport à la période de croissance de la même saison (Fig. 5 supplémentaire). Cette influence du climat sur la superficie en période de semis a été rarement observée en saison sèche. Cela est considéré comme raisonnable étant donné que la superficie plantée en saison sèche est largement déterminée par la disponibilité des installations d'irrigation et de l'eau.

Nous avons projeté les impacts du changement climatique sur la superficie et le rendement, ainsi que les changements de production qui en résultent selon quatre scénarios climatiques, avec des mesures de la fiabilité de la projection. Les scénarios consistaient en deux voies de concentration représentatives [RCP2.6 (r26) et RCP8 (r85)] et deux modèles de circulation générale (GCM) [GFDL-ESM2M (gG) et HadGEM2-ES (gH)]. r26gG et r85gH représentent les scénarios avec des changements plus petits et plus grands de la température et des précipitations, respectivement. Les scénarios restants, c'est-à-dire r85gG et r26gH, se situent au milieu des deux scénarios en termes d'amplitudes des changements projetés de température et de précipitations (Fig. 1d).

Si la Malaisie a été prise comme exemple représentatif, la production ne devrait pas changer de manière significative dans trois scénarios (r26gG, r26gH et r85gH), dont deux cas, à savoir les changements dans la superficie projetée et le rendement, n'ont pas été synchronisés et n'ont pas produit modifications importantes de la production. En raison des diminutions de la superficie et du rendement, une diminution de la production n'a été projetée que sous r85gG. La fiabilité de la projection était plus élevée pour r26gG que pour les trois scénarios restants. À l'aide des modèles de régression nette élastique, nous avons estimé le rapport des prédicteurs climatiques qui se situent dans les plages min-max observées pour donner aux lecteurs une idée de la fiabilité de la projection (voir la carte thermique superposée sur chaque panneau de la Fig. 4). Dans les cartes thermiques, plus la couleur verte est claire, plus les prédicteurs climatiques utilisés pour dériver cette projection se situaient en dehors des plages des données d'apprentissage, ce qui indique que la projection était moins fiable. Comme prévu, la fiabilité de la projection était élevée pour le futur proche et pour le scénario montrant de plus petits changements dans les précipitations et la température (r26gG).

Changements projetés dans la production, la superficie et le rendement pour la Malaisie. La carte thermique superposée sur chaque panneau indique la fiabilité de la projection. Des colonnes vertes et blanches plus claires indiquent que de nombreux prédicteurs climatiques utilisés pour dériver la projection se situent en dehors des plages observées ; par conséquent, ces projections sont moins fiables que les projections de la colonne verte plus foncée. Les échantillons de projection moins fiables sont éliminés lors de l'ajustement d'une ligne de tendance et du test de la signification de la pente. Les lignes de tendance et les valeurs de pente correspondantes ne sont affichées que lorsqu'une pente significative est obtenue.

Parmi les 24 cas composés de six pays et de quatre scénarios examinés ici, les changements de production projetés n'étaient pas significatifs dans la plupart des cas (21), principalement en raison de la faible fiabilité de la projection et du nombre réduit d'échantillons dans le test statistique. Cependant, 7 cas sur 24 ont montré que la superficie et le rendement, ou les deux, présentaient des changements significatifs (Figs. 6, 7 supplémentaires) ; le taux de changement par décennie variait de − 0,84 à + 1,11 % pour la superficie et de − 0,34 % à + 0,77 % pour le rendement (Fig. 4, Fig. 6 supplémentaire). Fait intéressant, 4 cas sur 7, soit 57 %, ont montré des changements de production non significatifs en raison de la non-synchronisation des réponses de la superficie et du rendement aux changements projetés du climat. Ces résultats montrent que les changements de production ne sont pas nécessairement proportionnels aux changements de rendement, et que les relations climat-zone doivent être prises en compte pour saisir les impacts climatiques sur la production.

Les comparaisons avec la littérature indiquent que la superficie et les réponses du rendement au climat identifiées dans cette étude sont plausibles, bien que les études disponibles soient limitées. Les impacts positifs du CWD et les impacts négatifs du CDD, à la fois pendant la période de semis de la saison des pluies, sont apparents en Indonésie (Fig. 4 supplémentaire, Tableau supplémentaire 3). Ces résultats sont cohérents avec ceux de Naylor et al.7 qui ont signalé que la superficie de riz de saison humide au cours des dernières décennies a augmenté en Indonésie en réponse à des conditions plus humides que la normale. Koide et al.8 ont rapporté qu'aux Philippines, la superficie rizicole de saison humide est positivement corrélée avec les précipitations de pré-saison, ces résultats sont corroborés par ceux de cette étude, qui a montré que R10mm, CWD et précipitations totales par jour humide (PRECIPTOT ) pendant la période de semis de la saison des pluies a eu le plus grand effet sur la superficie rizicole (Fig. 3). Pour le rendement, le climat extrême aurait une plus grande influence que le climat saisonnier moyen16, ce qui est cohérent avec les résultats de cette étude. Enfin, les changements de rendement projetés dans cette étude sont considérés comme raisonnables étant donné que ces projections sont réparties dans la fourchette des projections dérivées des modèles de culture basés sur les processus (texte supplémentaire). En raison du manque d'études antérieures sur les relations climat-superficie, aucune comparaison n'est possible pour le changement projeté de la superficie rizicole.

En utilisant les pays multi-rizicoles d'Asie du Sud et du Sud-Est comme étude de cas, les conclusions de cette étude montrent que les conditions météorologiques et climatiques extrêmes peuvent entraîner des écarts par rapport aux tendances à long terme de la superficie rizicole. Bien que nous n'ayons étudié que le riz, les résultats de cette étude sont pertinents pour les régions de cultures multiples du monde, qui représentent respectivement 13 % et 10 % des superficies mondiales de blé et de maïs15. Néanmoins, la question de 'comment le climat affecte-t-il la région ?' doit être abordée de manière plus résolue par le processus afin, en fin de compte, de développer des interventions et des politiques pour protéger les régions et les groupes de producteurs vulnérables. Nos modèles suggèrent l'existence d'au moins deux voies d'impact. La première est que l'étendue de la superficie plantée pendant la saison des pluies est influencée par les précipitations pendant la période de semis, ce qui est probablement lié à la disponibilité de l'eau dans des conditions pluviales. L'autre est que la superficie plantée diminue dans la mesure de la superficie au moment de la récolte, quelles que soient les saisons humides et sèches, en raison des dommages causés par des événements climatiques extrêmes liés aux précipitations pendant la période de croissance, tels que les sécheresses météorologiques et les inondations. La praticabilité au champ et les méthodes de plantation pourraient également influencer la première voie. Les pratiques agronomiques, telles que la replantation et la disponibilité des semences, peuvent influencer cette dernière voie.

Malgré le manque d'études, il existe des preuves à l'appui des idées susmentionnées. Liée à la première voie, la progression de la transplantation du riz dans les basses terres pluviales du nord-est de la Thaïlande est influencée par le taux d'accumulation des précipitations après le début des moussons ; par conséquent, les semis retardés se produisent les années plus sèches que la normale et diminuent la superficie plantée pendant la saison des pluies. Les producteurs attendent donc que les précipitations s'accumulent et qu'il leur reste suffisamment de temps pour achever leur récolte de riz au début de la saison sèche suivante lorsqu'ils changent leur méthode de plantation du repiquage au semis direct ; bien que cela diminue les rendements, cela permet d'économiser plus de temps et de main-d'œuvre que le repiquage17. Liée à cette dernière voie, la superficie cultivée en céréales en Asie diminue en cas de sécheresse1. Pour les grandes cultures en Iran, la production est souvent réduite en raison des sécheresses en raison de la diminution de la superficie récoltée10. De telles réductions des superficies récoltées sont bien documentées dans la littérature portant sur l'évaluation des dommages et des pertes dus aux catastrophes dans l'agriculture18. Par rapport à l'influence des précipitations sur une zone, presque aucune information n'est actuellement disponible sur la manière dont les températures extrêmes et moyennes influencent la superficie cultivée. Cohn et al.5 ont signalé que des températures plus élevées diminuent la superficie cultivée de maïs-soja au Brésil, cependant, les processus pertinents n'ont pas été discutés.

Les conclusions de cette étude sont pertinentes non seulement pour l'adaptation, mais aussi pour l'atténuation. Alors que les prévisions de précipitations futures sont incertaines dans les régions productrices de riz en Asie, 14 % et 31 % de la superficie mondiale des terres cultivées devraient connaître des climats plus secs et plus humides d'ici 2040, respectivement19. Ces résultats soulignent la nécessité d'adaptations pour limiter les réductions de production en modérant les impacts du changement climatique sur les surfaces, ce qui est rarement pris en compte20. Pour l'atténuation du climat, l'étendue de la superficie des terres cultivées faisant l'objet d'une mesure d'atténuation spécifique basée sur les terres est cruciale pour déterminer l'ampleur des résultats de l'atténuation du climat, cela est vrai que la mesure soit la séquestration du carbone dans les sols des terres cultivées ou la réduction des émissions de méthane des rizières21,22, 23,24. Les réductions de superficie induites par le climat pourraient compromettre les résultats de ces mesures d'atténuation à des échelles saisonnières et à plus long terme. Pour le riz, la variabilité de la superficie cultivée associée aux changements saisonniers du climat pourrait être de l'ordre de 10% ou plus de la tendance à long terme, comme le montre cette étude, qui est considérée comme non négligeable. Les impacts du changement climatique moyen sur la superficie sont bien inférieurs à la valeur rapportée ici de deux ordres de grandeur (− 0,85 % à + 0,06 % par décennie), bien que les impacts des fortes précipitations et des changements de température sur la superficie ne soient pas suffisamment pris en compte dans ce rapport. étude en raison du manque de projections fiables. Par conséquent, des recherches futures sont nécessaires pour comparer l'ampleur de l'effet de la réponse de la zone aux changements climatiques avec d'autres facteurs lors de l'évaluation des résultats des mesures d'atténuation basées sur les terres agricoles.

Les données de recensement nationales et infranationales sur la superficie de riz récoltée et le rendement dans les six pays asiatiques pour la période 1961-2012 ont été utilisées (tableau supplémentaire 1). Les données ont été recueillies à partir des annuaires statistiques agricoles compilés par les agences gouvernementales des différents pays (voir les références 25, 26 pour les sources de données). Comme les unités administratives ont parfois changé avec le temps, nous avons utilisé celles de 2010 pour l'analyse.

Nous avons modifié la tendance des séries chronologiques annuelles de superficie et de rendement pour éliminer les influences des changements de la demande de riz, des changements d'affectation des terres, des changements des prix des intrants et des extrants et des améliorations technologiques, et nous nous sommes concentrés principalement sur les effets des facteurs climatiques. La suppression des tendances a été effectuée séparément pour la superficie et le rendement afin de permettre différents modèles de tendance (Fig. 8 supplémentaire). Un tel cas pourrait se produire, par exemple, en raison d'une diminution de la superficie induite par l'urbanisation et d'une augmentation du rendement induite par l'intensification. Nous avons calculé les anomalies en pourcentage, par rapport aux tendances à long terme, afin de pouvoir comparer les influences climatiques sur la superficie et le rendement et leurs contributions relatives aux impacts sur la production. L'utilisation d'anomalies en pourcentage a également permis de comparer les contributions climatiques entre les pays dans lesquels les niveaux moyens de superficie et de rendement différaient en termes absolus.

Pour la suppression des tendances, nous avons adopté l'approche à double filtre, qui consistait d'abord à effectuer la moyenne mobile avec une fenêtre de 7 ans (t - 3 à t + 3) puis à appliquer un lissage par nuage de points pondéré localement (LOWESS27 avec une plage de lissage (f ) de 0,5 mis en œuvre dans le progiciel statistique R28. L'approche à double filtre a été utilisée car une vérification visuelle suggérait que l'exécution d'une moyenne mobile seule ou de LOWESS seul était parfois insuffisante lorsque la série chronologique donnée était hautement non linéaire.

Nous avons calculé 10 indices de précipitations extrêmes et 15 indices de températures extrêmes définis par l'équipe d'experts sur la détection et les indices du changement climatique (ETCCDI29) ainsi que les précipitations et températures moyennes saisonnières (tableau supplémentaire 4). Ces indices climatiques ont été calculés pour chaque période et saison. distinction entre plusieurs saisons de riz La double culture du riz, c'est-à-dire la saison humide/pluviale et la saison sèche/irriguée, est pratiquée dans cinq pays La triple culture du riz est pratiquée au Bangladesh, et deux saisons (Aman et Aus) ont été classées comme saison humide /saison pluviale (tableau supplémentaire 1). Chaque saison a été divisée en période de semis et période de croissance. Quant à la période de croissance, nous l'avons ensuite divisée en groupes précoces et tardifs. Au total, nous avons défini trois périodes par saison (Fig. . 1) : (1) la période de semis, du premier mois de la fenêtre de plantation au dernier mois de la fenêtre de plantation ; (2) le groupe de la période de végétation précoce, du premier mois de la fenêtre de plantation au premier mois de la fenêtre de récolte ; et (3) le groupe de la période de croissance tardive, du dernier mois de la fenêtre de plantation au dernier mois de la fenêtre de récolte. Bien que la période de semis et le groupe de période de croissance précoce se chevauchent presque, la présence d'événements climatiques extrêmes dans le mois précédant la plantation est la principale différence entre les deux périodes. Il est peu probable que les conditions climatiques avant la plantation affectent les rendements, mais les conditions climatiques juste avant et pendant la plantation influencent la disponibilité de l'eau, la maniabilité du champ et retardent ou accélèrent la progression de la plantation et éventuellement la superficie plantée17,30,31. Nous avons principalement utilisé des calendriers rizicoles provenant de deux sources : le système d'information sur les marchés agricoles (AMIS) et le système mondial d'information et d'alerte précoce (SMIAR) (tableau supplémentaire 1). Dans le cas où les informations pour un pays d'intérêt sont disponibles pour les deux sources, nous avons utilisé le calendrier AMIS.

Lors du calcul des indices climatiques pour le climat projeté, nous avons conservé les calendriers de riz identiques aux conditions actuelles. Les calendriers du riz peuvent changer avec le changement climatique et l'adaptation. Cependant, les erreurs associées à cette hypothèse ont été considérées comme faibles lorsque les calendriers ont été utilisés sur une base mensuelle, étant donné que le décalage observé dans les dates de plantation et de récolte des cultures au cours des deux dernières décennies est < 2 semaines32 et < 5 jours par réchauffement de 1 °C33.

Nous avons obtenu les températures maximales et minimales quotidiennes de l'air et les précipitations totales quotidiennes pour la période 1958-2013 à partir d'un ensemble de données de forçage météorologique rétrospectif global de 0,5° appelé S14FD34. La température moyenne quotidienne a été dérivée en faisant la moyenne des températures maximales et minimales quotidiennes. Pour projeter le climat, nous avons utilisé les sorties quotidiennes réduites statistiquement de 0,5° et corrigées des biais de huit GCM qui ont été utilisées dans la phase 5 du projet d'intercomparaison de modèles couplés (CMIP535 sous les quatre RCP de 2,6, 4,5, 6,0 et 8,5 W m− 236 (tableau supplémentaire 5). Les sorties GCM ont été spatialement interpolées sur la coordonnée de grille régulière de 0,5 ° à l'aide de la méthode de pondération inverse de la distance, puis corrigées du biais à l'aide de la méthode de réduction d'échelle basée sur la fonction de distribution cumulative (CDF) 37, 38. S14FD a été utilisé comme une référence pour la correction du biais 34. En bref, l'erreur dans les données GCM pour une variable climatique a été définie pour chaque centile des CDF empiriques dérivés du GCM et du S14FD pour une période d'apprentissage. L'erreur GCM définie a ensuite été retirée du CDF empirique. des données GCM pour une période de correction du biais en supposant que la relation erreur-percentile ne change pas dans le temps.

Parmi 32 scénarios climatiques composés de huit GCM et de quatre RCP, nous avons sélectionné GFDL-ESM2M et HadGEM2-ES sous RCP2.6 et RCP8.5 pour projeter les changements de superficie, de rendement et de production. Cette sélection était basée sur la relation entre les changements annuels de température et de précipitations sur la zone rizicole en Asie (Fig. 1a) pour le milieu (moyenne de 2041-2060) et la fin (moyenne de 2081-2100) du XXIe siècle. projeté par huit GCM et quatre RCP, par rapport à 1986–2005 (Fig. 1b, c). Une corrélation positive a été observée entre les précipitations projetées et les changements de température (Fig. 1d). HadGEM2-ES sous RCP8.5 (r85gH) était le scénario climatique qui présentait un changement plus important le long de la relation décrite ci-dessus (température, + 4,7 °C ; et précipitations, + 11,1 %), tandis que GFDL-ESM2M sous RCP2.6 (r26gG ) a présenté une variation plus faible (+ 1,1 °C et + 0,7 %). HadGEM2-ES sous RCP2.6 (r26gH ; + 1,8 °C et + 6,2 %) et GFDL-ESM2M sous RCP8.5 (g85gG ; 2,9 °C et + 7,5 %) étaient des scénarios associés à des changements intermédiaires de température et de précipitations. La carte de la superficie rizicole de 200539 utilisée comme pondération a été maintenue constante dans le calcul des précipitations moyennes et des changements de température sur la superficie rizicole.

Nous avons établi des modèles empiriques qui relient les anomalies de surface aux indices extrêmes et moyens de précipitations et de températures à l'aide de la technique de régression nette élastique40. La régression nette élastique est une forme générale d'un modèle de régression régularisé qui inclut Lasso et Ridge. Étant donné que de bonnes performances, même dans la validation hors échantillon, ont été signalées pour les modèles de régression nette élastique25,26,41, ces modèles ont été utilisés. Plus important encore, les modèles de régression nette élastique peuvent être appliqués dans les cas où le nombre de prédicteurs est supérieur au nombre d'échantillons, ainsi que dans les cas où les prédicteurs étaient corrélés les uns aux autres. En raison de ces caractéristiques, le modèle a été utilisé pour l'analyse du rendement climatique25,26,41 et est bien adapté à cette étude car certains des indices climatiques (ou les prédicteurs climatiques) sont corrélés les uns avec les autres, et le nombre de prédicteurs de 162–243 (= 27 indices climatiques \(\times\) 3 périodes par saison \(\times\) 2–3 saisons) était plus grande que la taille de l'échantillon de la variable de culture de réponse d'environ 52 ans.

Le modèle des anomalies de surface a été construit pour chaque unité administrative. Cette façon de modéliser aide à considérer les principales caractéristiques de la réponse du riz au niveau de l'unité administrative au climat de la saison de croissance influencé par la gestion locale, comme le choix du cultivar. Une seule cellule de grille de 0,5° contenant la plus grande superficie rizicole a été identifiée à partir de la carte de la superficie rizicole en 200539 et utilisée comme emplacement représentatif pour chaque unité administrative. Nous avons utilisé une approche connue sous le nom d'origine de prévision glissante42 pour nous permettre de procéder systématiquement au développement du modèle et à la validation hors échantillon. Nous avons construit un modèle utilisant 25 échantillons de t − 25 à t − 1 pour prédire l'année t et répété cette procédure 25 fois pour validation. Étant donné que les données sur la superficie et le rendement du recensement sont disponibles pour les 52 années, ce paramètre indique que la moitié des données a été utilisée comme sous-ensemble de formation et que l'autre moitié a été utilisée comme sous-ensemble de validation. En conséquence, 27 modèles ont été développés depuis le modèle initial prédisant 1986 (construit sur la période 1961-1985) jusqu'au dernier modèle prédisant 2012 (construit sur la période 1987-2011). Ensuite, des séries chronologiques annuelles de la médiane de 27 prédictions ont été calculées et utilisées pour l'analyse. Les modèles pour les anomalies de rendement ont été développés de la même manière que ceux pour les anomalies de superficie.

Les coefficients de régression des modèles de régression nette élastique ont été utilisés pour caractériser la zone et produire des réponses au climat. Les coefficients de régression pour chaque unité administrative ont été automatiquement standardisés dans la procédure d'ajustement du modèle dans R, puis moyennés sur les unités administratives du pays et des modèles avec différents sous-ensembles de formation et utilisés pour caractériser les influences climatiques moyennes à l'échelle du pays. La caractérisation a été effectuée séparément pour la superficie et le rendement en mettant l'accent sur la distinction entre les saisons humides et sèches, les précipitations et la température, les périodes de semis et de croissance, et les climats extrêmes et moyens.

Nous avons affiché un indicateur de la fiabilité de la projection pour la superficie projetée, le rendement et la production. L'indicateur est le rapport des prédicteurs climatiques qui se situent dans les plages min-max observées lors de la dérivation de la projection pour une année donnée à partir des modèles de régression nette élastique. Le nombre total d'échantillons utilisés pour calculer le rapport pour une année est égal au nombre de prédicteurs climatiques (162–243). Les différents modèles produits à l'aide de différents sous-ensembles de formation n'ont pas été pris en compte pour calculer le rapport, car les plages observées des prédicteurs climatiques entrés dans les modèles sont presque identiques entre les sous-ensembles de formation. Plus le ratio est faible, plus les prédicteurs climatiques se situent en dehors des plages min-max observées et, par conséquent, la projection dérivée de ces modèles de régression nette élastique est interprétée comme étant moins fiable. L'exclusion des projections non fiables (ratio < 90 %) diminue la taille de l'échantillon utilisé pour tester la signification de la pente d'une ligne de tendance calculée pour la superficie, le rendement et la production. Ainsi, la fiabilité des projections est intégrée au test de tendance. Nous avons considéré que ce traitement est nécessaire pour éviter des changements irréalistes dans la superficie, le rendement et la production, qui pourraient se produire lors de la saisie de valeurs sans précédent de prédicteurs climatiques dans des modèles empiriques, y compris les modèles de régression nette élastique. En outre, de tels artefacts sont plus susceptibles d'apparaître dans les modèles empiriques utilisant des indices climatiques extrêmes comme prédicteurs, par rapport aux modèles utilisant des indices climatiques moyens saisonniers comme prédicteurs.

Nous avons obtenu des projections de rendement du riz pour la période 2006-2100, dérivées à l'aide des modèles de cultures maillés mondiaux (GGCM) basés sur les processus imposés par les MCG CMIP543,44, et les avons comparées avec les projections de rendement dérivées des modèles de régression nette élastique. Cet ensemble de données est connu comme le produit du projet d'intercomparaison et d'amélioration des modèles agricoles (AgMIP, qui faisait partie de la Global Gridded Crop Model Intercomparison Initiative (GGCMI45), et du projet Inter-Sectoral Impacts Model Intercomparison (ISI-MIP46). Nous avons utilisé les résultats à partir de quatre GGCM (EPIC, GEPIC, IMAGE-AEZ et LPJmL) forcés par HadGEM2-ES et GFDL-ESM2M sous RCP2.6 et RCP8.5 pour assurer la cohérence entre les comparaisons Les autres GGCM disponibles dans l'ensemble de données n'ont pas simulé le riz44. les rendements projetés étaient disponibles séparément pour les conditions pluviales et entièrement irriguées ainsi que pour avec et sans l'effet de fertilisation de la concentration atmosphérique élevée de dioxyde de carbone [CO2] Nous avons calculé la moyenne d'ensemble des quatre GGCM pour chacun des quatre paramètres consistant en r26gG/r26gH /r85gG/r85gH, pluvial/irrigué, et avec/sans l'effet [CO2] et évalué si nos projections de rendement basées sur la régression étaient plausibles compte tenu de l'incertitude connue dans les projections de rendement basées sur les GGCM.

Toutes les données à l'appui de l'analyse effectuée dans cette étude sont accessibles au public à partir de sources ouvertes. Les données du recensement du riz sont accessibles à partir des annuaires statistiques de chaque pays. L'ensemble de données de forçage météorologique S14FD est disponible sur https://doi.org/10.20783/DIAS.523. Les sorties CMIP5 GCM corrigées en biais peuvent être obtenues à partir de https://doi.org/10.20783/DIAS.524.

Lesk, C., Rowhani, P. & Ramankutty, N. Influence des catastrophes climatiques extrêmes sur la production agricole mondiale. Nature 529, 84–87. https://doi.org/10.1038/nature16467 (2016).

Article ADS CAS PubMed Google Scholar

Gaupp, F. et al. Évolution des risques de défaillance simultanée du grenier mondial. Nat. Clim. Changement. 10, 54–57. https://doi.org/10.1038/s41558-019-0600-z (2020).

Annonces d'article Google Scholar

Verschuur, J. et al. Le changement climatique en tant que moteur de l'insécurité alimentaire lors de la sécheresse de 2007 entre le Lesotho et l'Afrique du Sud. Sci. Rep. 11, 3852. https://doi.org/10.1038/s41598-021-83375-x (2021).

Article ADS CAS PubMed PubMed Central Google Scholar

Iizumi, T. & Ramankutty, N. Comment le temps et le climat influencent-ils la superficie et l'intensité de culture ?. Glob. Sécurité Alimentaire 4, 46–50. https://doi.org/10.1016/j.gfs.2014.11.003 (2015).

Article Google Scholar

Cohn, A. et al. La fréquence de culture et la réponse de la superficie à la variabilité climatique peuvent dépasser la réponse du rendement. Nat. Clim. Modifier 6, 601–604. https://doi.org/10.1038/nclimate2934 (2016).

Annonces d'article Google Scholar

Zhu, P. et al. Le réchauffement réduit la production agricole mondiale en diminuant la fréquence des cultures et les rendements. Nat. Clim. Modification 12, 1016–1023. https://doi.org/10.1038/s41558-022-01492-5 (2022).

Article ADS CAS Google Scholar

Naylor, RL et al. Utilisation des données climatiques El Niño/oscillation australe pour prédire la production de riz en Indonésie. Clim. Modifier 50, 255–265. https://doi.org/10.1023/A:1010662115348 (2001).

Article Google Scholar

Koide, N. et al. Prévision de la production de riz aux Philippines à l'aide des prévisions climatiques saisonnières. J. Appl. Météorol. Climatol. 52, 552–569. https://doi.org/10.1175/JAMC-D-11-0254.1 (2013).

Annonces d'article Google Scholar

Kotera, A. et al. Une approche de modélisation pour évaluer le cycle de culture du riz affecté par les inondations, l'intrusion de salinité et les pluies de mousson dans le delta du Mékong, au Vietnam. Paddy Water Environ. 12, 343–354. https://doi.org/10.1007/s10333-013-0386-y (2014).

Article Google Scholar

Rezaei, EE et al. La superficie récoltée, et non le rendement, entraîne la variabilité de la production agricole en Iran. Environ. Rés. Lett. 16, 064058. https://doi.org/10.1088/1748-9326/abfe29 (2021).

Annonces d'article Google Scholar

Ubilava, D. L'effet ENSO et les asymétries dans la dynamique des prix du blé. Dév. 96, 490–502. https://doi.org/10.1016/j.worlddev.2017.03.031 (2017).

Article Google Scholar

Hasegawa, T., Wakatsuki, H. & Nelson, GC Preuve et projection de la défaillance de plusieurs paniers à pain causée par le changement climatique. Courant. Avis. Environ. Soutenir. 58, 101217. https://doi.org/10.1016/j.cosust.2022.101217 (2022).

Article Google Scholar

Hasegawa, T. et al. Modèle global d'affectation des terres lié à un modèle d'évaluation intégré. Sci. Environ. 580, 787–796. https://doi.org/10.1016/j.scitotenv.2016.12.025 (2017).

Article ADS CAS PubMed Google Scholar

Ai, Z. et al. La bioénergie mondiale avec un potentiel de capture et de stockage du carbone est largement limitée par l'irrigation durable. Nat. Soutenir. 4, 884–891. https://doi.org/10.1038/s41893-021-00740-4 (2021).

Article Google Scholar

Waha, K. et al. Les multiples systèmes de culture du monde et le potentiel d'augmentation de l'intensité de culture. Glob. Environ. Changement. 64, 102131. https://doi.org/10.1016/j.gloenvcha.2020.102131 (2020).

Article PubMed PubMed Central Google Scholar

Vogel, E. et al. Les effets des extrêmes climatiques sur les rendements agricoles mondiaux. Environ. Rés. Lett. 14, 054010. https://doi.org/10.1088/1748-9326/ab154b (2019).

Annonces d'article Google Scholar

Sawano, S. et al. Modélisation de la dépendance du calendrier cultural du riz pluvial aux précipitations dans le nord-est de la Thaïlande. Paddy Water Environ. 6, 83–90. https://doi.org/10.1007/s10333-007-0102-x (2008).

Article Google Scholar

Conforti, P., Markova, G., Tochkov, D. Méthodologie de la FAO pour l'évaluation des dommages et des pertes dans l'agriculture. Document de travail statistique de la FAO 19–17 (Rome, 2020). https://doi.org/10.4060/ca6990en.

Rojas, M. et al. Émergence de changements de précipitations robustes dans les zones de production agricole au 21e siècle. Proc. Natl. Acad. Sci. États-Unis 116, 6673–6678. https://doi.org/10.1073/pnas.1811463116 (2019).

Article ADS CAS PubMed PubMed Central Google Scholar

Sloat, LL et al. Adaptation au climat par la migration des cultures. Nat. Commun. 11, 1243. https://doi.org/10.1038/s41467-020-15076-4 (2020).

Article ADS CAS PubMed PubMed Central Google Scholar

Zhang, G. et al. Empreinte digitale des rizières dans la dynamique spatio-temporelle de la concentration atmosphérique de méthane en Asie de la mousson. Nat. Commun. 11, 554. https://doi.org/10.1038/s41467-019-14155-5 (2020).

Article ADS CAS PubMed PubMed Central Google Scholar

Roe, S. et al. Mesures terrestres pour atténuer le changement climatique : Potentiel et faisabilité par pays. Glob. Changer Biol. 27, 6025–6058. https://doi.org/10.1111/gcb.15873 (2021).

Article CAS Google Scholar

Minamikawa, K. et al. Prévision des futures émissions de méthane des rizières irriguées du centre de la Thaïlande selon différentes pratiques de gestion de l'eau. Sci. Environ. 566–567, 641–651. https://doi.org/10.1016/j.scitotenv.2016.05.145 (2016).

Article ADS CAS PubMed Google Scholar

Searchinger, T., Herrero, M., Yan, X. et al. Opportunités de réduire les émissions de méthane de l'agriculture mondiale. (2021) https://scholar.princeton.edu/sites/default/files/methane_discussion_paper_nov_2021.pdf.

Iizumi, T. et al. L'alignement de l'année de récolte dans les simulations de modèles de cultures maillées mondiales avec celle des rapports de recensement est essentiel pour les évaluations des performances des modèles au niveau national pour le riz. Euro. J.Agron. 130, 126367. https://doi.org/10.1016/j.eja.2021.126367 (2021).

Article Google Scholar

Iizumi, T. et al. Prévision globale des anomalies de rendement intra-saison pour les principales cultures dérivée des prévisions saisonnières des indices climatiques à grande échelle et des températures et précipitations régionales. Prévisions météorologiques. 36, 285–299. https://doi.org/10.1175/WAF-D-20-0097.1 (2021).

Annonces d'article Google Scholar

Lu, J., Carbone, GJ & Gao, P. Détendance des données sur le rendement des cultures pour la visualisation spatiale des impacts de la sécheresse aux États-Unis, 1895–2014. Agric. Pour. Météorol. 237–238, 196–208. https://doi.org/10.1016/j.agrformet.2017.02.001 (2017).

Annonces d'article Google Scholar

Équipe de base R. R : Un langage et un environnement pour le calcul statistique (Vienne, 2022).

Alexander, LV Global a observé des changements à long terme dans les extrêmes de température et de précipitations : un examen des progrès et des limites des évaluations du GIEC et au-delà. Météo Clim. Extrêmes 11, 4–16. https://doi.org/10.1016/j.wace.2015.10.007 (2016).

Article Google Scholar

Mathison, C. et al. Estimation des dates de semis et de récolte en fonction de la mousson d'été asiatique. Terre Syst. Dyn. 9, 563–592. https://doi.org/10.5194/esd-9-563-2018 (2018).

Annonces d'article Google Scholar

Choi, Y.-S. et coll. Influence climatique sur la date de semis du maïs dans le Midwest des États-Unis. Int. J. Climatol. 37, 1595–1602. https://doi.org/10.1002/joc.4799 (2017).

Article Google Scholar

Kucharik, CJ Une tendance multidécennale de semis de maïs précoce dans le centre des États-Unis. Agro. J. 98, 1544–1550. https://doi.org/10.2134/agronj2006.0156 (2006).

Article Google Scholar

Yang, Y. et al. Caractérisation des schémas spatio-temporels de la phénologie des cultures en Amérique du Nord de 2000 à 2016 à l'aide d'images satellitaires et de données d'enquêtes agricoles. ISPRS J. Photogramme. Remote Sens. 170, 156–173. https://doi.org/10.1016/j.isprsjprs.2020.10.005 (2020).

Annonces d'article Google Scholar

Iizumi, T. et al. Contributions de différentes méthodes de correction de biais et d'ensembles de données de référence sur le forçage météorologique à l'incertitude des températures et des précipitations extrêmes projetées. J. Geophys. Rés. Atmos. 122, 7800–7819. https://doi.org/10.1002/2017JD026613 (2017).

Annonces d'article Google Scholar

Taylor, KE, Stouffer, RJ & Meehl, GA Un aperçu de CMIP5 et de la conception de l'expérience. Taureau. Suis. Météorol. Soc. 93, 485–498. https://doi.org/10.1175/BAMS-D-11-00094.1 (2012).

Annonces d'article Google Scholar

van Vuuren, DP et al. Les voies de concentration représentatives : un aperçu. Clim. Modification 109, 5. https://doi.org/10.1007/s10584-011-0148-z (2011).

Annonces d'article Google Scholar

Iizumi, T. et al. Évaluation et intercomparaison des indices de précipitations quotidiennes à échelle réduite sur le Japon dans le climat actuel : forces et faiblesses des méthodes de réduction d'échelle statistiques dynamiques et de type correction de biais. J. Geophys. Rés. Atmos. 116, D01111. https://doi.org/10.1029/2010JD014513 (2011).

Annonces d'article Google Scholar

Ishizaki, NN et al. Évaluation de deux méthodes de correction de biais pour des scénarios climatiques maillés au Japon. SOLA 16, 80–85. https://doi.org/10.2151/sola.2020-014 (2020).

Annonces d'article Google Scholar

Ray, DK et al. Schémas récents de croissance et de stagnation des rendements des cultures. Nat. Commun. 3, 1293. https://doi.org/10.1038/ncomms2296 (2012).

Article ADS CAS PubMed Google Scholar

Zou, H. & Hastie, T. Régularisation et sélection de variables via le filet élastique. Statistique JR. Soc. 67B, 301–320. https://doi.org/10.1111/j.1467-9868.2005.00503.x (2005).

Article MathSciNet MATH Google Scholar

Das, B. et al. Évaluation de modèles linéaires multiples, de réseaux neuronaux et de régression pénalisée pour la prédiction du rendement du riz en fonction des paramètres météorologiques pour la côte ouest de l'Inde. Int. J. Biométéorol. 62, 1809–1822. https://doi.org/10.1007/s00484-018-1583-6 (2018).

Article ADS PubMed Google Scholar

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

Rosenzweig, C. et al. Évaluation des risques agricoles du changement climatique au 21e siècle dans une intercomparaison de modèles de cultures maillées mondiales. Proc. Natl. Acad. Sci. États-Unis 111, 3268–3273. https://doi.org/10.1073/pnas.1222463110 (2014).

Article ADS CAS PubMed Google Scholar

Villoria, N.-B. et al. Agrégation rapide des sorties de modèles de cultures maillées mondiales pour faciliter l'analyse interdisciplinaire des impacts du changement climatique sur l'agriculture. Environ. Modèle. Logiciel 75, 193–201. https://doi.org/10.1016/j.envsoft.2015.10.016 (2016).

Article Google Scholar

Elliott, J. et al. L'intercomparaison des modèles de cultures maillées mondiales : protocoles de données et de modélisation pour la phase 1 (v1.0). Géosci. Modèle Dév. 8, 261–277. https://doi.org/10.5194/gmd-8-261-2015 (2015).

Annonces d'article Google Scholar

Warszawski, L. et al. Le projet d'intercomparaison des modèles d'impact intersectoriels (ISI-MIP) : cadre du projet. Proc. Natl. Acad. Sci. États-Unis 111, 3228–3232. https://doi.org/10.1073/pnas.1312330110 (2014).

Article ADS CAS PubMed Google Scholar

Télécharger les références

Nous remercions Takumi Matsunobu et Singh Rajeev Kumar pour la collecte de données. Cette recherche a été soutenue par le Fonds de développement technologique et de recherche sur l'environnement (JPMEERF20202002 et JPMEERF23S21120) de l'Agence de restauration et de conservation de l'environnement fourni par le ministère de l'Environnement du Japon. TI a été en partie soutenu par des subventions d'aide à la recherche scientifique (22H00577 et 20K06267) de la Société japonaise pour la promotion de la science.

Institut des sciences agro-environnementales, Organisation nationale de recherche agricole et alimentaire, Tsukuba, Ibaraki, 305-8604, Japon

Nanae Hosokawa, Yasuhiro Doi, Wonsik Kim et Toshichika Iizumi

Institut de recherche sur la foresterie et les produits forestiers, Organisation de recherche et de gestion forestière, Tsukuba, Ibaraki, 305-8687, Japon

Nanae Hosokawa

CSJ Co. Ltd., Shibuya-Ku, Tokyo, 151-0053, Japon

Yasuhiro Doi

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

TI a conçu l'étude ; NH et YD ont mené une analyse ; TI, YD, NH et WK ont rédigé le manuscrit.

Correspondance avec Toshichika Iizumi.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur n'importe quel support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournir un lien vers la licence Creative Commons et indiquer si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Hosokawa, N., Doi, Y., Kim, W. et al. Les réponses contrastées de la superficie et du rendement au climat extrême contribuent à une production de riz résistante au climat en Asie. Sci Rep 13, 6219 (2023). https://doi.org/10.1038/s41598-023-33413-7

Télécharger la citation

Reçu : 25 janvier 2023

Accepté : 12 avril 2023

Publié: 17 avril 2023

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

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.