Potential consequences of climate change on crop production can be studied using mechanistic crop simulation models. While a broad variety of maize simulation models exist, it is not known whether different models diverge on grain yield responses to changes in climatic factors, or whether they agree in their general trends related to phenology, growth, and yield. With the goal of analyzing the sensitivity of simulated yields to changes in temperature and atmospheric carbon dioxide concentrations [CO2 ], we present the largest maize crop model intercomparison to date, including 23 different models. These models were evaluated for four locations representing a wide range of maize production conditions in the world: Lusignan (France), Ames (USA), Rio Verde (Brazil) and Morogoro (Tanzania). While individual models differed considerably in absolute yield simulation at the four sites, an ensemble of a minimum number of models was able to simulate absolute yields accurately at the four sites even with low data for calibration, thus suggesting that using an ensemble of models has merit. Temperature increase had strong negative influence on modeled yield response of roughly -0.5 Mg ha(-1) per °C. Doubling [CO2 ] from 360 to 720 μmol mol(-1) increased grain yield by 7.5% on average across models and the sites. That would therefore make temperature the main factor altering maize yields at the end of this century. Furthermore, there was a large uncertainty in the yield response to [CO2 ] among models. Model responses to temperature and [CO2 ] did not differ whether models were simulated with low calibration information or, simulated with high level of calibration information.

Cropping systems that provide ecosystem services beyond crop production are gaining interest from farmers, policy makers and society at large, yet we lack frameworks to evaluate and manage for multiple ecosystem services. Using the example of integrating cover crops into annual crop rotations, we present an assessment framework that: (1) estimates the temporal dynamics of a suite of ecosystem services; (2) illustrates ecosystem multifunctionality using spider plots; and (3) identifies key time points for optimizing ecosystem service benefits and minimizing trade-offs. Using quantitative models and semi-quantitative estimates, we applied the framework to analyze the temporal dynamics of 11 ecosystem services and two economic metrics when cover crops are introduced into a 3-year soybean (Glycine max)–wheat (Triticum aestivum)–corn (Zea mays) rotation in a typical Mid-Atlantic climate. We estimated that cover crops could increase 8 of 11 ecosystem services without negatively influencing crop yields. We demonstrate that when we measure ecosystem services matters and cumulative assessments can be misleading due to the episodic nature of some services and the time sensitivity of management windows. For example, nutrient retention benefits occurred primarily during cover crop growth, weed suppression benefits occurred during cash crop growth through a cover crop legacy effect, and soil carbon benefits accrued slowly over decades. Uncertainties exist in estimating cover crop effects on several services, such as pest dynamics. Trade-offs occurred between cover crop ecosystem benefits, production costs, and management risks. Differences in production costs with and without cover crops varied 3-fold over 10 years, largely due to changes in fertilizer prices, and thus cover crop use will become more economical with increasing fertilizer prices or if modest cost-sharing programs are established. Frameworks such as that presented here provide the means to quantify ecosystem services and facilitate the transition to more multifunctional agricultural systems.

Abstract During extensive periods without rain, known as dry-downs, decreasing soil moisture (SM) induces plant water stress at the point when it limits evapotranspiration, defining a critical SM threshold (θ crit ). Better quantification of θ crit is needed for improving future projections of climate and water resources, food production, and ecosystem vulnerability. Here, we combine systematic satellite observations of the diurnal amplitude of land surface temperature (dLST) and SM during dry-downs, corroborated by in-situ data from flux towers, to generate the observation-based global map of θ crit . We find an average global θ crit of 0.19 m 3 /m 3 , varying from 0.12 m 3 /m 3 in arid ecosystems to 0.26 m 3 /m 3 in humid ecosystems. θ crit simulated by Earth System Models is overestimated in dry areas and underestimated in wet areas. The global observed pattern of θ crit reflects plant adaptation to soil available water and atmospheric demand. Using explainable machine learning, we show that aridity index, leaf area and soil texture are the most influential drivers. Moreover, we show that the annual fraction of days with water stress, when SM stays below θ crit , has increased in the past four decades. Our results have important implications for understanding the inception of water stress in models and identifying SM tipping points.

Soot-producing global catastrophes such as nuclear war, super volcano eruption, or asteroid strike, although rare, pose a serious threat to human survival. Light-blocking aerosols would sharply reduce solar radiation and temperatures, decreasing crop productivity including for locally-adapted traditional crop varieties, i.e. landraces. Here, we test post-catastrophic climate impacts on four crops with extensive landrace cultivation: barley, maize, rice, sorghum, under a range of nuclear war scenarios. We used a crop growth model to estimate gradients of environmental stressors that drive local adaptation. We then fit genotype environment associations using high density genomic markers with gradient forest offset (GF offset) methods, and predicted maladaptation through time. As a validation, we found that our GF models successfully predicted local adaptation of maize landraces in multiple common gardens across Mexico. We found strong concordance between GF offset and disruptions in climate, and landraces were predicted to be the most maladapted across space and time where soot-induced climate change was the greatest. We further used our models to identify landrace varieties best matched to specific post-catastrophic conditions, indicating potential substitutions for agricultural resilience. We found the best landrace genotype was often far away or in another nation, though countries with more climatic diversity had better within-country substitutions. Our results highlight that a soot-producing catastrophe would result in the global maladaptation of landraces and suggest that current landrace adaptive diversity is insufficient for agricultural resilience in the case of the scenarios with the greatest change to climate.