Sie fordern, dass diese Schätzungen durch die strukturelle Anwendung lokal erhobener Daten und durch regelmäßigeres Testen der Modelle mit lokalen Experimenten verbessert werden. Die Wissenschaftler verglichen die Leistung von zwei häufig verwendeten Top-down-Modellen (Global Agro-ecological Zones und Agricultural Model Intercomparison and Improvement Project) mit der Leistung ihres eigenen Bottom-up-Ansatzes, dem Global Yield Gap Atlas.
'Die Schätzungen, die von globalen Top-Down-Modellen für ein großes Land wie die Vereinigten Staaten oder einen ganzen Kontinent geliefert werden, sind oft - wenn auch sicher nicht immer - einigermaßen genau. Aber wenn man bestimmte Regionen oder kleinere Länder betrachtet, werden die Ergebnisse unzuverlässig. Tatsächlich ist die geschätzte potenzielle landwirtschaftliche Produktion eines Landes oft niedriger als die tatsächliche Produktion der vorangegangenen Jahre', sagt Mitautor Professor Martin van Ittersum vom Lehrstuhl für Pflanzenproduktionssysteme der WUR.
Die Unzulänglichkeiten der Top-Down-Modelle seien auf die Tendenz der Datenbanken zurückzuführen, einen groben Ansatz zu verfolgen, und auf die Tatsache, dass sie auf generierten Wetterdaten oder Annahmen über Erntekalender beruhen. So wird bspw. nicht immer richtig eingeschätzt, wann eine Kultur in einer bestimmten Region gesät und geerntet wird.
Globale Studien würden außerdem ein einziges Modell für eine breite Palette von Kulturpflanzen und für die ganze Welt verwenden, obwohl die Modelle nicht durch gut durchgeführte Experimente vor Ort getestet wurden. Nach Ansicht der Autoren könnte das Problem durch die strukturelle Nutzung lokaler Daten in globalen Studien gelöst werden. Diese lokalen Daten (in Bezug auf Wetter, Böden und Anbaumanagement) und Simulationen seien bereits verfügbar, da sie seit 2011 systematisch im Projekt Global Yield Gap Atlas (GYGA) erfasst werden, das von Van Ittersum mitverwaltet wird, heißt es abschließend.
