Identificación y caracterización del uso de pesticidas en 9.000 campos de agricultura orgánica.

Nature Communications volumen 12, número de artículo: 5461 (2021) Citar este artículo

12k Accesos

12 citas

16 altmétrica

Detalles de métricas

A pesar de la percepción popular, los impactos ambientales de la agricultura orgánica, particularmente con respecto al uso de pesticidas, no están bien establecidos. Lo que alimenta el estancamiento es la falta general de datos sobre campos agrícolas orgánicos y convencionales comparables. Identificamos la ubicación de ~9,000 campos orgánicos de 2013 a 2019 utilizando datos de uso de pesticidas y cultivos a nivel de campo, junto con datos de certificación estatal, para el condado de Kern, CA, uno de los condados productores de cultivos más valiosos de EE. UU. Analizamos cómo ser orgánico en relación con lo convencional afecta las decisiones de fumigar pesticidas y, en caso de fumigar, cuánto fumigar usando tasas de aplicación de pesticidas tanto crudas como ajustadas por brecha de rendimiento, con base en un metanálisis global. Mostramos que la probabilidad esperada de fumigar cualquier pesticida se reduce en aproximadamente 30 puntos porcentuales para campos orgánicos en comparación con campos convencionales, a través de diferentes métricas de uso de pesticidas, incluido el peso total aplicado y métricas generales de ecotoxicidad. Informamos poca diferencia, en promedio, en el uso de pesticidas para campos orgánicos y convencionales que sí se fumigan, aunque observamos una heterogeneidad sustancial específica de cada cultivo.

La agricultura cubre alrededor del 40% de la tierra cultivable a nivel mundial1 y es una de las principales causas de degradación ambiental1. A pesar de los enormes avances en la producción agrícola en las últimas décadas, el hambre y la desnutrición siguen siendo un desafío2, y la demanda de productos agrícolas continúa aumentando3. Encontrar formas escalables de mejorar la sostenibilidad de la producción agrícola es fundamental para apoyar a una población en crecimiento y mitigar los daños a la salud humana y ambiental.

La agricultura orgánica es un enfoque comúnmente sugerido para mejorar la sostenibilidad de la producción agrícola. Actualmente, la agricultura orgánica cubre sólo ~1,5% de la tierra agrícola mundial, pero está creciendo rápidamente en extensión y ventas4,5. Por ejemplo, entre 2000 y 2015, la agricultura orgánica mundial creció de 15 millones de hectáreas a 51 millones de hectáreas2 y desde entonces ha superado los 73 millones de hectáreas5. El rápido aumento de la demanda de productos orgánicos por parte de los consumidores está impulsado por una variedad de factores relacionados principalmente con la nutrición, la seguridad alimentaria y de los trabajadores agrícolas, y preocupaciones ambientales4. Preocupaciones similares han impulsado numerosas iniciativas políticas para promover la producción orgánica, como la estrategia de la Unión Europea de la granja a la mesa6,7. A pesar de la percepción popular, comprender los beneficios y desventajas de la agricultura orgánica por producto sigue siendo un área de investigación activa8,9,10,11,12,13.

El quid del debate, desde la perspectiva de la sostenibilidad ambiental, es si la reducción de los impactos ecológicos y ambientales negativos en el campo compensa la reducción de los rendimientos14,15 y el aumento de la variabilidad del rendimiento16 que se ha observado para la mayoría de los cultivos producidos orgánicamente en estudios de campo reales8 ,16,17. Aunque aparentemente simple, abordar esta pregunta incluso para un subconjunto de resultados ambientales está plagado de desafíos metodológicos derivados de la falta de un grupo de comparación válido18. Es poco probable que los campos orgánicos se coloquen al azar en el paisaje, ni que los agricultores orgánicos sean una selección aleatoria de la comunidad agrícola en general. En otras palabras, las granjas orgánicas podrían producir un conjunto de cultivos sistemáticamente diferentes en suelos sistemáticamente mejores o peores, o ser producidas por agricultores con comportamientos ambientales o de salud sistemáticamente diferentes a los de sus vecinos convencionales. Si bien estos desafíos pueden abordarse y se han abordado mediante pruebas de campo a largo plazo19,20, comprender la diferencia entre campos orgánicos y convencionales en entornos del mundo real es crucial para comprender los méritos de las prácticas de producción orgánica a escala. Sin embargo, las encuestas sobre rendimientos y prácticas entre un pequeño número de agricultores dispuestos probablemente estarán plagadas de sesgos de selección. Este desafío en la selección de muestras se ve agravado aún más por la escasez de datos a nivel de campo sobre insumos y/o productos en general, y sobre campos orgánicos en particular11, lo que complica las comparaciones.

Si bien son solo una métrica de sostenibilidad, los pesticidas son muy destacados para los consumidores11,21. Históricamente, el uso generalizado de sustancias químicas persistentes, de amplio espectro y bioacumulables, como los organoclorados y los organofosforados, tuvo graves impactos negativos en los seres humanos, otros mamíferos y aves22,23; impactos que ayudaron a estimular el movimiento orgánico inicial24,25. A medida que esos riesgos se reconocían cada vez más, se desarrolló una nueva generación de productos químicos con especial atención a la reducción de los riesgos para la salud humana. Si bien el desarrollo y la adopción de estos pesticidas han limitado la mortalidad directa de mamíferos y aves en las últimas décadas26, muchos siguen siendo altamente tóxicos para otros organismos27,28,29. Además, los efectos ecológicos a nivel de población a través de interacciones en la red alimentaria o impactos subletales (por ejemplo, cambios de comportamiento y navegación migratoria reducida) siguen siendo una preocupación para los taxones superiores30,31.

Comúnmente se percibe que la agricultura orgánica está libre de químicos, aunque orgánica como definición regulatoria, al menos en los EE. UU., generalmente restringe el tipo de insumos aplicados más que la cantidad21. La regulación en sí no exige una agricultura libre de químicos y el cumplimiento orgánico no siempre implica una baja toxicidad para los puntos finales ecológicos o ambientales. Por ejemplo, los ingredientes activos orgánicamente aceptables como el cobre21, la piretrina y la azadiractina son tóxicos para los organismos acuáticos32,33. Además, dado que las pruebas de residuos de pesticidas a menudo se centran en productos químicos sintéticos de alta toxicidad humana34,35 y los datos a nivel de campo sobre producción o certificación rara vez están disponibles, se sabe poco sobre las prácticas de uso de pesticidas en campos orgánicos.

Nuestro objetivo es cuantificar las diferencias en el uso total de pesticidas y los pesticidas de interés específico para diferentes criterios ecológicos y ambientales para comprender mejor los beneficios y desventajas ambientales de los diferentes sistemas de producción. Armonizamos y agregamos varias fuentes de datos para identificar la ubicación espacial de los campos de cultivos orgánicos y nos basamos en datos únicos de uso de pesticidas y cultivos a nivel de campo del condado de Kern, California, para comprender las diferencias en el uso de pesticidas. El condado de Kern produce una variedad de cultivos de frutas y verduras de alto valor y es consistentemente uno de los condados productores de cultivos más valiosos de California y Estados Unidos por ventas36. Debido a la cantidad de diferentes productos y químicos aplicados en nuestra área de estudio, confiamos en el uso de pesticidas y en métricas aproximadas de ecotoxicidad basadas en la etiqueta del producto pesticida, que refleja la superación de los umbrales de toxicidad en diferentes puntos finales. Reconocemos que el uso de pesticidas puede no siempre reflejar un daño ambiental potencial37,38, e incluso los umbrales de toxicidad no pueden diferenciar entre los peligros que plantean dos sustancias químicas que exceden los umbrales regulatorios, pero que difieren en toxicidad. Consideramos y discutimos las métricas y limitaciones de toxicidad en todo momento.

Nuestra investigación se basa principalmente en modelos de doble obstáculo para separar la decisión de fumigar pesticidas de la decisión de cuánto fumigar. Utilizando estos modelos, evaluamos (1) las diferencias generales entre campos orgánicos y convencionales con respecto a las decisiones de fumigar y cuánto fumigar para el uso total de pesticidas y los pesticidas de peligro potencial para una variedad de puntos finales diferentes, (2) cultivos específicos diferencias en las decisiones de uso de pesticidas entre campos orgánicos y convencionales para cinco cultivos comúnmente cultivados con prácticas tanto orgánicas como convencionales, y (3) cómo el ajuste de las brechas de rendimiento puede influir en los resultados generales. Nuestros resultados sugieren que es más probable que la agricultura orgánica esté “libre de pesticidas”, pero los campos orgánicos que son fumigados tienden a recibir niveles similares de pesticidas que sus vecinos convencionales.

Nuestra muestra consistió en 99,533 campos, todos los cuales fueron campos permitidos en el condado de Kern entre 2013 y 2019. En toda la muestra, el tamaño promedio de los campos fue de aproximadamente 31 ha y la calidad del suelo, medida como el Índice de Historia Revisado de California39 con un rango de 1 (el más alto calidad) a 6 (calidad más baja), con un promedio de 1,8. Anualmente, se utilizaron alrededor de 25 kg ha-1 de ingredientes activos de pesticidas (IA) y 45 kg ha-1 de productos pesticidas (IA + adyuvantes) en un campo promedio. Había 1.293 explotaciones en un año medio con un tamaño medio de 451 ha. Todas estas variables variaron espacialmente a lo largo de Kern (Fig. 1).

a Los 15 cultivos principales (según una cantidad de campos) cultivados con todos los demás cultivos agrupados como “Otros” y todos los campos de cultivos múltiples marcados como “Cultivos múltiples”. b Tamaño del campo en hectáreas, con cuartiles de 0 (amarillo claro) a 296 (rojo oscuro). c Calidad del suelo por índice Storie, con cuartiles del 1 (suelo productivo verde oscuro) al 6 (suelo improductivo amarillo claro). d Usos de plaguicidas en kg ha-1 de un producto plaguicida, con cuartiles de 0 (púrpura claro) a 2188 (púrpura oscuro). Para campos con valores múltiples (cultivos múltiples, permisos activos versus inactivos, etc.), los mapas ilustran el valor máximo de cada variable, y para cultivos, el cultivo que se cultiva con más frecuencia.

Identificamos alrededor de 9100 campos orgánicos entre 2013 y 2019 uniendo datos sobre el uso de pesticidas y datos sobre la ubicación espacial de campos orgánicos certificados obtenidos a pedido del Departamento de Alimentación y Agricultura de California (ver métodos). Por año, el número de campos orgánicos osciló entre un mínimo de 936 en 2013 y un máximo de 1544 en 2017. En un año determinado entre 2013 y 2019, había alrededor de 14 200 campos permitidos y, por lo tanto, los campos orgánicos representaban entre un 7 % y un 11 %. de campos en el condado de Kern. En promedio, en toda la muestra, los campos orgánicos eran aproximadamente un 44% más pequeños que los campos convencionales (Tabla 1); sin embargo, las fincas que contenían tanto campos convencionales como al menos un campo orgánico en el período de estudio eran ~4 veces más grandes que las fincas puramente convencionales (1240 ha en comparación con 319 ha). Los campos orgánicos también tendieron a estar en mejores suelos, tanto en promedio (Tabla 1) como cuando se tiene en cuenta la heterogeneidad específica del cultivo (Tabla complementaria 1). Los principales cultivos cultivados activamente por área incluyeron zanahoria, papa, hoja de lechuga y tomate para campos orgánicos y almendras, pistachos, uvas y alfalfa para campos convencionales, respectivamente.

Comenzamos con modelos de datos agrupados y de panel para comprender la influencia de diferentes decisiones de especificación de modelos (Métodos, Notas complementarias, Tablas complementarias 2 y 3). Sin embargo, los mecanismos que determinan los valores cero para el uso de pesticidas pueden diferir de los que determinan el nivel de uso, y las estadísticas resumidas básicas sugieren diferencias en la frecuencia de los valores cero entre campos orgánicos y convencionales (Tabla complementaria 4). Como tal, investigamos y discutimos principalmente modelos de doble obstáculo para separar la decisión de fumigar de la decisión de cuánto fumigar. Para el primer obstáculo, estamos interpretando el uso de cero pesticidas como la verdadera elección del agricultor y estamos prediciendo la probabilidad de que el agricultor (de un campo determinado) sea de “tipo cero” en función de ser orgánico o no. Lo hacemos utilizando un modelo probit de efectos aleatorios con covariables para el tamaño del campo, el tamaño de la granja y la calidad del suelo, con intercepciones aleatorias para la familia de granja por cultivo y con errores estándar robustos agrupados en la familia de granja por cultivo (Métodos , Notas complementarias). Reportamos los efectos marginales promedio de los modelos probit. Para todos los ingredientes activos, encontramos que ser orgánico conduce a una reducción promedio de ~31 puntos porcentuales (0,31 ± 0,03) en la probabilidad de uso de pesticidas (Fig. 2, Tabla complementaria 5). Dado que el peso de los ingredientes activos no refleja necesariamente el daño ambiental37, probamos varios otros resultados de pesticidas basados ​​en la información de la etiqueta del pesticida. La etiqueta del pesticida, que se rige por la EPA40, incluye declaraciones de peligros que reflejan si uno o más químicos en el producto excede los umbrales de toxicidad aguda para los humanos, así como diferentes resultados ambientales y ecológicos. Estas declaraciones generalmente se basan en estudios de toxicidad aguda para humanos y para aves, peces, invertebrados, insectos polinizadores y mamíferos40 (ver “Métodos”). Además, las etiquetas incluyen una declaración basada en el potencial del producto para derivar o ser transportado en otros medios, e información sobre los ingredientes activos de los cuales se pueden derivar los taxones objetivo, entre otra información. Para estos otros resultados del uso de pesticidas: productos pesticidas, productos insecticidas, productos con propensión a la deriva, productos de peligro potencial para peces y abejas, y productos de mayor (palabra de advertencia de la EPA 1-2) e inferior (palabra de advertencia de la EPA 3-4). ) toxicidad aguda para los humanos: vemos que ser orgánico conduce a una reducción promedio de 18 a 31 puntos porcentuales (0,18 ± 0,02 a 0,31 ± 0,03; Fig. 2, Tabla complementaria 5) en la probabilidad de pulverización, manteniendo todo lo demás constante. Aquí, el aumento del tamaño de los campos y granjas y la mayor calidad del suelo conducen a un aumento significativo en la probabilidad promedio de usar pesticidas para la mayoría de los resultados de uso de pesticidas evaluados.

Modelos de obstáculos lognormales que estiman el cambio en la probabilidad de uso de pesticidas (a) y el cambio porcentual en el uso de pesticidas para campos con uso positivo (b) para campos orgánicos en relación con campos convencionales. El eje x indica diferentes medidas de los resultados del uso de pesticidas: kg ha-1 de ingredientes activos (AI), kg ha-1 de productos (Prd), kg ha-1 de productos dirigidos únicamente a plagas de insectos (Insect), kg ha-1 de productos con propensión a la deriva (Drift), kg ha-1 productos de peligro potencial para peces y abejas (Fish, Bee), así como productos de mayor (palabra de advertencia de la EPA 1–2) e inferior (palabra de advertencia de la EPA 3– 4) toxicidad humana aguda (Alta, Baja). En todos los resultados, los campos orgánicos tienen una probabilidad significativamente menor de usar pesticidas (a), aunque hay poca diferencia entre los campos orgánicos y convencionales para aquellos que sí rocían, con la excepción de productos químicos de mayor y menor toxicidad (b). Los símbolos indican estimaciones puntuales (media) y las barras de error representan el IC del 95%. Todos los modelos incluyen errores estándar robustos agrupados a nivel de granja por familia de cultivo. Para el segundo obstáculo (b) en las Figs. 2–4, el cambio porcentual se calcula a partir del modelo de nivel logarítmico como \(100(e^{\beta }-1)\) y los errores estándar se derivan utilizando el método delta implementado con la función nlcom en Stata. Todos los modelos incluyen covariables para el tamaño del campo, el tamaño de la finca y la calidad del suelo, así como efectos aleatorios familiares de finca por cultivo. N = 91,926 para todas las especificaciones en el primer obstáculo (a) y N = 68,704 (AI), N = 68,816 (Prd), N = 52,606 (Insect.), N = 67,988 (Deriva), N = 60,653 (Peces), N = 48,254 (Abeja), N = 61,883 (Alto) y N = 65,593 (Bajo) en el segundo obstáculo (b), donde las abreviaturas son las descritas anteriormente. Las estimaciones de coeficientes para todas las covariables se proporcionan en la Tabla complementaria 5.

En el segundo obstáculo, evaluamos qué impulsa la cantidad de uso de pesticidas en los campos que deciden fumigar. Con la excepción de los productos de toxicidad humana aguda más baja, vemos un efecto generalmente negativo de ser orgánico, aunque el coeficiente solo es significativo (p <0,05) para los productos de toxicidad humana aguda más alta (Fig. 2, Tabla complementaria 5). Informamos los coeficientes orgánicos como la semielasticidad, calculada a partir del modelo del segundo obstáculo (nivel logarítmico) como \(100(e^{\beta }-1)\), y el error estándar, derivado utilizando el método delta. implementado con la función nlcom en Stata. En este caso, un cambio a productos orgánicos conduce a una disminución significativa del 27 ± 11 % en la cantidad de uso por hectárea para productos de mayor toxicidad y un aumento significativo del 28 ± 14 % en productos de menor toxicidad. Para todos los demás resultados, excepto los productos potencialmente peligrosos para los peces, las estimaciones de los coeficientes fueron equivalentes a una disminución de ~1 a 17% (Fig. 2, Tabla complementaria 5), ​​aunque ninguno fue estadísticamente significativo.

Las intersecciones aleatorias para familias de finca por cultivo permiten la correlación entre campos compartidos por un agricultor de una clase específica de cultivos, pero obligan a todas las observaciones a compartir la misma relación general, lo que puede ocultar variaciones importantes y relevantes para las políticas en la relación entre manejo y pesticidas para cultivos individuales. Volvimos a ejecutar el modelo de obstáculos lognormal para cinco cultivos (zanahoria, uva, naranja, papa y cebolla) que se cultivaban relativamente ampliamente tanto de forma orgánica como convencional (ver “Métodos”). Esto permite pendientes únicas por tipo de cultivo, aunque reduce sustancialmente el número de observaciones, particularmente para los orgánicos en el segundo obstáculo. En estos cinco cultivos, vemos una disminución constante y estadísticamente significativa de 21 a 51 puntos porcentuales (0,21 ± 0,04 a 0,51 ± 0,03) en la probabilidad promedio de usar cualquier ingrediente activo de pesticida (Fig. 3, Tabla complementaria 6). El efecto de los productos orgánicos en el segundo obstáculo fue mucho más variable. Vemos que ser orgánico disminuye significativamente la IA de los pesticidas en las zanahorias en aproximadamente un 87 ± 3 %, mientras que aumenta significativamente la IA de los pesticidas en las uvas en aproximadamente un 132 ± 33 % (Fig. 3, Tabla complementaria 6). Se estima que el cambio a productos orgánicos reduce significativamente el uso de pesticidas en un 64 ± 11 % y un 81 ± 5 %, respectivamente, para las naranjas y las patatas, y da como resultado un aumento no significativo del 54 ± 54 % para las cebollas (Fig. 3, Tabla complementaria 6). ). En comparación con el modelo combinado con todos los cultivos, estos cultivos, en promedio, tuvieron una mayor disminución en la probabilidad de usar cualquier pesticida y una mayor disminución en el uso de pesticidas para campos orgánicos versus convencionales que sí se fumigaron (Tablas complementarias 5 y 6).

En los cinco cultivos, los campos orgánicos tienen una menor probabilidad de utilizar ingredientes activos de pesticidas (a). El efecto de los productos orgánicos sobre el uso de pesticidas en campos que sí se fumigan depende del cultivo (b). Para el segundo obstáculo (b), el cambio porcentual se calcula a partir del modelo de nivel logarítmico como \(100(e^{\beta }-1)\) y los errores estándar se derivan utilizando el método delta implementado con la función nlcom en Estado. Los símbolos indican estimaciones puntuales (media) y las barras de error representan el IC del 95%. Todos los modelos incluyen errores estándar robustos de heterocedasticidad. Todos los modelos incluyen covariables para el tamaño del campo, el tamaño de la granja y la calidad del suelo, así como intersecciones aleatorias anuales. Para el primer obstáculo, N = 4289 (zanahoria), N = 8760 (uva), N = 4654 (naranja), N = 2804 (patata), N = 1126 (cebolla). Para el segundo obstáculo, N = 2766 (zanahoria), N = 7678 (uva), N = 4316 (naranja), N = 2059 (patata), N = 814 (cebolla). Las estimaciones de coeficientes para todas las covariables se proporcionan en la Tabla complementaria 6.

Dado que los kilogramos de ingredientes activos de pesticidas no necesariamente reflejan el daño ambiental, evaluamos varios resultados de pesticidas para la uva y la zanahoria, los dos cultivos más cultivados de nuestros cinco principales. Esto limitó aún más el tamaño de la muestra en el segundo obstáculo, que utiliza sólo observaciones positivas, particularmente para campos orgánicos. En todos los resultados, un cambio a productos orgánicos redujo la probabilidad promedio de usar un determinado tipo de pesticida entre 27 y 51 puntos porcentuales (0,27 ± 0,05 a 0,51 ± 0,04) para las zanahorias y entre 21 y 23 puntos porcentuales (0,21 ± 0,03 a 0,23 ± 0,3) para uvas (Tablas complementarias 7 y 8, Figura complementaria 1). Como se indicó anteriormente, para el segundo obstáculo, un cambio a las zanahorias orgánicas redujo el uso de la mayoría de los tipos de pesticidas entre un 80 ± 9% y un 98 ± 1%, mientras que aumentó los productos químicos de baja toxicidad en aproximadamente un 72 ± 12%. El cambio a productos orgánicos para las uvas aumentó el uso entre un 126 ± 34 % y un 286 ± 98 % (Tablas complementarias 7 y 8, Figura complementaria 1).

En todo momento, hemos estado midiendo el uso de pesticidas por área en lugar de por unidad de producción, ya que carecemos de información sobre los rendimientos. Esto es importante aquí, ya que muchos cultivos orgánicos tienen rendimientos reducidos en relación con la producción convencional14,15. Para evaluar el posible impacto de una brecha de rendimiento en nuestros resultados, multiplicamos la tasa de uso por las estimaciones de la brecha de rendimiento en Ponisio et al.15 para campos orgánicos y volvemos a ejecutar los modelos de obstáculos lognormales en todos los cultivos agrupados. Hacerlo, por supuesto, no afecta nuestros coeficientes en el primer obstáculo (decisión de usar cualquier pesticida), pero sí cambia nuestros coeficientes en el segundo obstáculo. En todos los resultados, excepto en los productos químicos de baja toxicidad, el efecto de cambiar a productos orgánicos es casi nulo y no significativo (Fig. 4, Tabla complementaria 9).

La corrección de las brechas de rendimiento no afecta el primer obstáculo (a), pero sí desplaza hacia arriba las estimaciones de los coeficientes en el segundo obstáculo (b) en relación con el modelo no ajustado (Fig. 2). Por lo demás, los detalles de la figura son los mismos que los de la Fig. 2. El eje x indica diferentes resultados del uso de pesticidas: kg ha-1 de ingredientes activos (AI), kg ha-1 de productos (Prd), kg ha-1 de productos dirigidos únicamente a plagas de insectos (Insecto), kg ha-1 de productos con propensión a la deriva (Drift), kg ha-1 productos de peligro potencial para peces y abejas (Pescado, Abeja), así como productos de mayor (palabra de advertencia de la EPA 1–2 ) y menor (palabra de advertencia de la EPA 3–4) toxicidad humana aguda (Alta, Baja). Los símbolos indican estimaciones puntuales (media) y las barras de error representan el IC del 95%. Todos los modelos incluyen errores estándar robustos agrupados a nivel de granja por familia de cultivo. Para el segundo obstáculo (b), el cambio porcentual se calcula a partir del modelo de nivel logarítmico como \(100(e^{\beta }-1)\) y los errores estándar se derivan utilizando el método delta implementado con la función nlcom en Estado. Todos los modelos incluyen covariables para el tamaño del campo, el tamaño de la finca y la calidad del suelo, así como efectos aleatorios familiares de finca por cultivo. N = 91,926 para todas las especificaciones en el primer obstáculo (a) y N = 68,704 (AI), N = 68,816 (Prd), N = 52,606 (Insect.), N = 67,988 (Deriva), N = 60,653 (Peces), N = 48,254 (Bee), N = 61,883 (Alto) y N = 65,593 (Bajo) en el segundo obstáculo (b). Las estimaciones de coeficientes para todas las covariables se proporcionan en la Tabla complementaria 9.

Las observaciones que faltaban familias de cultivos se eliminaron en cualquier modelo que incluyera familias, ya sea en los efectos aleatorios o en los errores estándar robustos del conglomerado. Si bien se abandonaron 7367 campos debido a la falta de familias de cultivos, 6684 de ellos eran agricultura sin cultivar. Un pequeño número de observaciones (n = 319 de >90 000) se descartaron debido a la falta de datos sobre la calidad del suelo. Incluir observaciones con calidad del suelo interpolada tiene poco efecto en nuestros resultados. La inclusión de campos que autoinformaron como orgánicos aumentó la muestra de campos orgánicos en 407 (de >9000) y resultó en coeficientes más consistentemente positivos, aunque no estadísticamente significativos, sobre orgánicos para la mayoría de los resultados de pesticidas en el segundo obstáculo (Figuras complementarias 2). y 3).

Como el uso de pesticidas no siempre refleja un daño ambiental potencial, intentamos investigar medidas adicionales de toxicidad como pruebas de solidez. Los datos necesarios para calcular muchas métricas de toxicidad (por ejemplo, carga de pesticidas e índice de toxicidad de pesticidas) no estaban fácilmente disponibles o no eran accesibles para los numerosos químicos en uso y criterios de valoración de interés. Sin embargo, para comparar nuestras métricas binarias de toxicidad con una métrica continua, seguimos a Nowell et al.41 para calcular el índice de toxicidad de pesticidas para un criterio de valoración ambiental bien estudiado: los peces. Los datos para otros criterios de valoración tenían menos cobertura o no estaban fácilmente disponibles. Aún así, sólo alrededor del 70% de los productos químicos utilizados en nuestro período de estudio coincidieron con los datos de Nowell et al.41 o con los datos de la base de datos Ecotox a la que se accedió con el paquete R Standartox42. Además, era más probable que los campos orgánicos carecieran de información sobre toxicidad. Al notar el sesgo debido a la falta de datos de toxicidad no aleatorios, ejecutamos nuestro modelo de doble obstáculo para campos que tenían productos con información de toxicidad para, en promedio, el 70% de los químicos utilizados. Aproximadamente un tercio de nuestros campos orgánicos que utilizaban pesticidas cumplían con esta condición, mientras que aproximadamente dos tercios de los campos convencionales con uso de pesticidas cumplían esta condición. Para esta submuestra, nuestra investigación altamente preliminar sugiere una disminución en el uso ponderado por toxicidad para peces de aproximadamente la mitad en campos que son orgánicos en comparación con los convencionales. Sin embargo, se necesita una comprensión más completa de la toxicidad, particularmente de los productos químicos orgánicos y otros criterios de valoración, para comparar adecuadamente los resultados ecotoxicológicos entre los campos orgánicos y convencionales.

La agricultura orgánica a menudo se propone como una alternativa más sostenible y ambientalmente saludable a los enfoques convencionales. Sin embargo, la falta de datos sobre producción e insumos ha dificultado las comparaciones entre métodos convencionales y orgánicos11,14,15,43, lo que ha estimulado debates en curso4,11,12,13,44. Aquí, buscamos aislar todos los campos orgánicos en uno de los condados productores de cultivos más valiosos de los EE. UU. y comparar el efecto de los sistemas de producción orgánicos versus los convencionales en diferentes métricas del uso de pesticidas a nivel de campo. Nuestro análisis proporciona cuatro innovaciones principales: (1) por primera vez, hemos aislado la ubicación espacial de miles de campos orgánicos utilizando datos de producción y uso de pesticidas, (2) los campos orgánicos son generalmente de menor tamaño, forman parte de granjas más grandes, y en mejores suelos que sus contrapartes convencionales, (3) la agricultura orgánica, en promedio, usa menos pesticidas que la producción convencional y esto se manifiesta en una menor probabilidad de usar cualquier pesticida y un uso similar en campos que sí se fumigan, (4) los diferentes tipos de cultivos varían considerablemente del promedio y, en algunos casos, la relación inversa está presente y es significativa en todas las métricas de pesticidas.

Los datos a nivel de campo del condado de Kern, CA, ilustran que alrededor del 7% al 11% de la producción agrícola se cultiva orgánicamente, según nuestra definición que buscaba capturar campos orgánicos certificados. Sin embargo, estos campos no son un subconjunto aleatorio de campos agrícolas del condado. Más bien, hay poca superposición entre los cultivos orgánicos y convencionales más comúnmente cultivados, lo que fue parte de nuestra motivación para incluir efectos aleatorios por familia de cultivo y evaluar las relaciones específicas de cada cultivo. Los cultivos orgánicos también se diferencian en otros aspectos. Los cultivos orgánicos tienden a cultivarse en suelos más productivos, en promedio e incluso después de controlar las características específicas del cultivo (ver métodos), lo que sugiere que cualquier brecha de rendimiento en el condado de Kern puede ser una subestimación. Además, los campos orgánicos, aunque de menor tamaño, generalmente forman parte de granjas mucho más grandes que sus contrapartes puramente convencionales, lo que indica el potencial de sesgo de selección en las comparaciones de impactos ambientales. Más allá de contradecir la pequeña granja familiar que muchos consumidores imaginan, esto puede indicar tanto beneficios de economía de escala como una tendencia de los productores de cultivos orgánicos a mantener una cartera grande para suavizar los shocks de producción, que pueden afectar de manera diferencial a los cultivos convencionales y orgánicos2. Dada la dramática diferencia en el tamaño de las fincas, se justifican futuras investigaciones sobre la estructura de las fincas que apoyan la producción orgánica viable en regiones de producción intensiva.

El uso de pesticidas, aunque es solo un componente de los aspectos ambientales o de salud de la producción orgánica, es de suma importancia para los consumidores debido a los posibles impactos ambientales y de salud humana, como la contaminación de la calidad del agua y el bienestar de los consumidores y los trabajadores agrícolas4,45,46,47. Separamos la decisión de fumigar pesticidas de la decisión de cuánto fumigar utilizando modelos de obstáculos lognormales. Esto permite que diferentes mecanismos influyan en cada decisión. En el primer obstáculo, que modela la decisión de usar pesticidas o no, el coeficiente sobre productos orgánicos, agrupado en todos los cultivos, sugiere una reducción significativa de 18 a 31 puntos porcentuales en la probabilidad de fumigación, dependiendo de la métrica de uso de pesticidas (todos los ingredientes activos). , productos de peligro potencial para los peces, alta toxicidad humana aguda, etc.). Por lo tanto, en promedio, los campos orgánicos en el condado de Kern tienen más probabilidades de estar “libres de pesticidas”, y la ausencia de fumigación implica una falta de impactos ecotoxicológicos derivados del uso de pesticidas en esos campos. Para el segundo obstáculo, que modela la decisión de cuánto fumigar en campos que tienen un uso positivo de pesticidas, vemos una reducción significativa del 27% en productos pesticidas (kg ha-1) de alta toxicidad humana aguda para los orgánicos versus los convencionales, donde La toxicidad se define como categoría de toxicidad aguda uno o dos de la EPA. Para otras métricas del uso de pesticidas (ingredientes activos totales, productos totales, productos potencialmente peligrosos para los peces, etc.) donde hay suficientes observaciones para comparar, generalmente vemos una reducción no significativa.

Como suele ser el caso, el promedio oculta altos niveles de heterogeneidad específica de cultivos48,49. Aquí, observamos que la variación en el coeficiente orgánico es muy variable en los modelos de cultivos individuales en relación con el modelo de cultivos combinados, pero solo en el segundo obstáculo. Para los cultivos comúnmente cultivados tanto de forma orgánica como convencional, vemos una reducción constante en la probabilidad de usar cualquier pesticida, de magnitud similar al promedio general. Sin embargo, para el segundo obstáculo, vemos que algunos cultivos tienen disminuciones muy grandes en el uso de pesticidas en todas las métricas, y para otros, particularmente las uvas, vemos grandes aumentos en la mayoría de las métricas. Es fundamental reconocer esta heterogeneidad específica de cada cultivo en el efecto del manejo orgánico sobre el uso de pesticidas, y las políticas que buscan fomentar cambios en el comportamiento de uso de pesticidas serían más efectivas si tuvieran en cuenta las relaciones entre cultivos individuales.

Como elemento igualador entre la agricultura expansiva de baja intensidad y la agricultura de alta intensidad, los rendimientos están en el centro de la mayoría de los debates sobre la sostenibilidad de los diferentes sistemas de producción2,50. En ausencia de datos sobre rendimiento, estudios como el nuestro, lamentablemente, se basan en comparaciones por área, en lugar de por unidad de producción, de los impactos ambientales relacionados con el uso de pesticidas y otras decisiones en las granjas. Corregir las diferencias de rendimiento utilizando estimaciones publicadas de brechas de rendimiento específicas de cada grupo de cultivos15 no cambia, por supuesto, nuestros efectos estimados sobre la decisión de fumigar. Sin embargo, sí cambia el efecto estimado de los productos orgánicos sobre la cantidad de pesticidas utilizados en todas las métricas, de modo que la diferencia entre lo orgánico y lo convencional es cercana a cero, a menudo positiva, pero no significativa. El estudio de Ponisio et al.15 es una estimación basada en un metanálisis de estudios realizados en muchas regiones en crecimiento y podría estar muy alejado de la realidad de California. Mejores estimaciones de las diferencias de rendimiento en esta región mejorarían drásticamente la comprensión de los impactos ambientales de la producción orgánica.

Curiosamente, observamos que el tamaño del campo conduce a un aumento en la propensión a fumigar en todos los resultados y para la mayoría de los cultivos individuales. Hay explicaciones tanto económicas como ecológicas de por qué el aumento del tamaño de los campos conduciría a un aumento en el uso de pesticidas. Los campos más grandes brindan a los agricultores un mayor control de sus poblaciones de plagas y más beneficios privados de sus acciones de control de plagas51. Desde el punto de vista ecológico, los campos más grandes pueden dar como resultado un menor derrame de enemigos naturales en los campos de cultivo52,53, lo que resultaría en un mayor control químico de plagas48,49,54. Sin embargo, con cualquiera de estas explicaciones, esperaríamos que el tamaño del campo reduzca la cantidad y la probabilidad de tratamiento. Curiosamente, sólo observamos efectos consistentemente significativos del tamaño del campo en el primer obstáculo. Aunque está fuera del alcance de este estudio, explorar la influencia de la disposición espacial de campos orgánicos y convencionales y entre cultivos similares que pueden compartir comunidades de plagas o enemigos naturales puede arrojar información matizada sobre la relación observada en el tamaño del campo. En cuanto al tamaño de las granjas, vemos que aumentar el tamaño de las granjas conduce a un aumento en la propensión a tratar para la mayoría de los resultados, pero a una disminución en la cantidad de pesticidas utilizados en los campos tratados. Nuevamente, podríamos anticipar que las granjas más grandes se beneficiarán de las economías de escala y, por lo tanto, fumigarán más porque es más barato hacerlo. Si bien nuestros resultados pueden sugerir que el umbral para el tratamiento es más bajo, la cantidad real utilizada en los campos tratados está inversamente relacionada con el tamaño de la granja.

Más allá de la falta de datos sobre rendimiento, nuestro enfoque tiene otras advertencias. Por un lado, es posible que hayamos identificado erróneamente algunos campos orgánicos certificados. Identificar campos orgánicos fue particularmente desafiante para las observaciones que proporcionaron solo la Sección de Estudio de Tierras Públicas (PLS) en la que se encontraba el campo. Usamos los datos sobre el uso de pesticidas para eliminar cuidadosamente los campos que usaban pesticidas convencionales, pero es posible que los campos dentro de una Sección PLS que no usaban pesticidas convencionales todavía no estuvieran certificados como orgánicos, pero fueron identificados erróneamente como tales. En segundo lugar, también se da el caso de que no todos los campos que siguen prácticas orgánicas están certificados como orgánicos. Las pequeñas explotaciones, en particular, pueden considerar prohibitivo el coste de la certificación y renunciar a ella55,56. La inclusión de estos campos en el grupo convencional podría sesgar a la baja el coeficiente de orgánicos; sin embargo, incluir campos orgánicos autoinformados en un subconjunto de años no afectó cualitativamente nuestros resultados. En tercer lugar, si bien observamos las cifras de permisos, que reflejan a los productores, no observamos las empresas agrícolas. En otras palabras, si una empresa matriz tiene varias etiquetas, no tomamos en cuenta esas relaciones. Hacerlo sería importante si las decisiones sobre dónde plantar campos orgánicos se tomaran a nivel de la empresa matriz y reflejaran las condiciones ambientales o de plagas. Además, nuestras métricas de uso de pesticidas y peligros potenciales se basan en umbrales binarios de toxicidad para diferentes criterios ambientales. Debido a la gran cantidad de sustancias químicas en uso, los numerosos adyuvantes asociados no probados y los numerosos criterios de valoración ambientales de interés, no pudimos aplicar medidas de toxicidad más refinadas57,58. Una investigación preliminar sobre un criterio de valoración bien estudiado sugiere que podría haber una brecha mayor entre los pesticidas orgánicos y convencionales si las métricas continuas del uso de pesticidas estuvieran más ampliamente disponibles. Sería extremadamente valioso realizar análisis toxicológicos más profundos. Además, aunque llevamos a cabo varias pruebas de robustez que incluyen diferentes efectos aleatorios y dentro de las especificaciones del modelo estimador para tener en cuenta las características agronómicas y de los agricultores no observadas que pueden diferir entre los campos orgánicos y convencionales, no podemos estar seguros de haber aislado todas las fuentes de sesgo que excluirían la causalidad. interpretación de nuestros resultados. Por último, el condado de Kern es solo un condado. Si bien es probable que los resultados reflejen otras regiones productoras intensivas de frutas y nueces en el oeste y sur de EE. UU. y climas similares, es posible que no reflejen la producción orgánica y convencional en regiones con una composición de cultivos menos valiosa o prácticas de menor intensidad. Además, la inmensa mayoría de los campos orgánicos en nuestro estudio pertenecían a granjas “mixtas” o granjas que también incluían campos convencionales. En zonas con otras estructuras empresariales o una mayor preponderancia de granjas exclusivamente orgánicas, quizás habría un nivel diferente de diferenciación en el uso de pesticidas. Sin embargo, para que la producción orgánica satisfaga la demanda futura de alimentos sin grandes aumentos en la tierra cultivada, probablemente será necesario el tipo de producción orgánica intensiva por parte de grandes granjas “mixtas” que se observan en lugares como el condado de Kern.

Los rendimientos, los fertilizantes, la calidad y cantidad del agua, la calidad del suelo, la biodiversidad, las emisiones y el precio son aspectos clave necesarios para una comprensión holística de la sostenibilidad de los diferentes sistemas de producción11,17. Muchas de estas variables han sido cuantificadas y muchas de ellas, además de los rendimientos, se mejoran mediante prácticas orgánicas, por área11,17. Sin embargo, el comportamiento del uso de pesticidas ha permanecido oscuro debido a la falta de datos sobre la ubicación y los patrones de fumigación en campos orgánicos y convencionales. Aquí buscamos dilucidar la diferencia entre los sistemas orgánicos y convencionales con respecto a la decisión de rociar pesticidas y la decisión de cuánto rociar. Tanto en general como para cultivos individuales comúnmente cultivados, los campos orgánicos tenían más probabilidades de estar “libres de pesticidas”. Sin embargo, en los campos que sí se fumigaron, los campos orgánicos y convencionales fueron similares en la mayoría de las métricas del uso de pesticidas, excepto en los productos químicos de mayor toxicidad humana aguda. La pérdida de cultivos a causa de plagas es costosa para el agricultor y la sociedad, y representa no sólo una pérdida de producción y precios más altos59,60, sino también un desperdicio de tierra, agua e insumos. Sin duda, datos más detallados sobre toxicidad y rendimiento, y una región de estudio ampliada proporcionarían conocimientos adicionales y merecerían investigaciones futuras. Sin embargo, nuestros resultados sugieren que, si bien los agricultores parecen elegir fumigar los campos orgánicos con menos frecuencia, cuando lo hacen, usan pesticidas a una tasa general similar a la de sus vecinos convencionales con una heterogeneidad sustancial de cultivos específicos.

Primero identificamos la ubicación de los campos de cultivos orgánicos en el condado de Kern y luego estimamos si el estado de campos orgánicos versus convencionales determina el uso de pesticidas (Fig. 5).

La figura describe los principales pasos del método, desde la identificación de campos orgánicos hasta la creación de datos de análisis y la realización de análisis estadísticos. Todas las imágenes mostradas son representaciones visuales simplificadas de los conjuntos de datos. CDFA se refiere al Departamento de Alimentación y Agricultura de California, mientras que APN es el número de parcela del tasador y TRS es la sección del rango del municipio. La identificación de campos orgánicos combina las capas de datos de APN orgánico CDFA, TRS orgánico CDFA y pesticidas orgánicos creadas para crear la capa final de campos orgánicos versus convencionales utilizada en la sección de datos de análisis. Luego, todas las capas de datos de análisis se ingresan en los distintos análisis estadísticos.

Identificamos campos orgánicos utilizando una combinación de registros del Departamento de Alimentación y Agricultura de California (CDFA) y datos espaciales de la Oficina del Comisionado de Agricultura del Condado de Kern (“fields shapefiles”) y registros de uso de pesticidas. Ninguna fuente estaba completa y, como tal, evaluamos varios enfoques diferentes para identificar campos orgánicos.

Los datos sobre la ubicación de campos orgánicos, según el Programa Orgánico del Estado de California, para 2013-2019 se obtuvieron a solicitud del Departamento de Alimentación y Agricultura de California (CDFA). La CDFA, a través del Programa Orgánico Estatal, requiere el registro anual de productores orgánicos certificados que tengan una venta bruta esperada de más de $5000. Estábamos interesados ​​específicamente en los aspectos de los pesticidas en la producción orgánica, que se rige en nuestra región de estudio por la Lista Nacional de Sustancias Permitidas y Prohibidas del USDA. La Lista Nacional de Sustancias Permitidas y Prohibidas delinea qué sustancias sintéticas se pueden usar y qué sustancias naturales no se pueden usar para el control de plagas en la producción orgánica de EE. UU. Además de las sustancias específicamente (no) permitidas en la Lista Nacional, las sustancias permitidas incluyen insumos biológicos, botánicos y minerales no sintéticos. Los datos de ubicación de campo estaban en forma de valores de Número de parcela del tasador (APN) o de Sección de rango de municipio (TRS) del sistema PLS, aunque los datos se informaron sin un formato sistemático. Armonizamos los valores de APN de CDFA para fusionarlos con el archivo de forma de parcelas del Tasador del condado de Kern (2017), que luego unimos espacialmente con los archivos de forma de los campos de Kern. Seguimos un proceso similar con los valores PLSS TRS, que luego se fusionaron con el archivo de forma de la sección PLS del condado de Kern y se unieron a los archivos de forma de campo de Kern. Nos referimos a nuestra designación orgánica final como "CDFA Orgánico". Los detalles del proceso de limpieza de datos se describen en la sección Métodos de procesamiento de datos auxiliares a continuación.

Después de verificar el uso de pesticidas en los campos orgánicos del CDFA, quedó claro que no habíamos eliminado por completo los campos convencionales. Esto probablemente se debió a la variación en las geometrías de los polígonos entre las secciones PLSS, las parcelas del Tasador del condado de Kern y los datos de los campos agrícolas de Kern. Para refinar aún más nuestra clasificación, utilizamos el uso de pesticidas a nivel de campo, nuevamente de la Oficina del Comisionado de Agricultura del Condado de Kern. Dado que en el condado de Kern se utilizan miles de productos pesticidas (ingredientes activos + adyuvantes), adoptamos un enfoque iterativo para eliminar los campos que utilizan pesticidas convencionales. Primero limitamos el universo de pesticidas a aquellos aplicados a campos que eran CDFA Orgánicos. Luego identificamos los 50 productos pesticidas más utilizados según una serie de aplicaciones y los clasificamos manualmente como orgánicos o convencionales. Habiendo identificado estos productos como se describe a continuación, los volvimos a emparejar, eliminando los campos que usaban productos convencionales e identificando como “PUR Orgánico” aquellos que solo usaban productos orgánicos. Repetimos este proceso, identificando manualmente los productos más utilizados y eliminando campos que usaban productos convencionales hasta que tuvimos campos aislados que usaban solo productos orgánicos.

Para clasificar un producto como orgánico o convencional, primero buscamos la etiqueta de producto registrado por la EPA de EE. UU. de cada producto, utilizando el nombre exacto del producto y el número de registro del producto de la EPA. Si había alguna indicación en la etiqueta de que el producto estaba certificado como orgánico por el Organic Materials Review Institute (OMRI), o decía “para uso en producción orgánica” u “orgánico”, entonces el pesticida fue identificado como orgánico (n = 132 ). Si no había ninguna indicación orgánica en la etiqueta del producto, buscamos en la base de datos de certificación de OMRI productos con nombres y fabricantes idénticos, e identificamos productos como orgánicos si dichas certificaciones existían (n = 39). Si todos los ingredientes estaban definidos (es decir, ningún ingrediente inerte o indefinido) y eran ingredientes activos orgánicos conocidos, entonces el pesticida se identificó como orgánico (n = 1) (Datos complementarios 1). No pudimos encontrar etiquetas registradas por la EPA para tres productos y confirmamos en el sitio web del Departamento de Regulación de Pesticidas de California que están inactivos o fuera de producción (números de registro de la EPA: 52467-50008-AA-5905, 36208-50020-AA, 2935 -48-AA-120). Cada uno de los tres se utilizó raramente (n < 4) en campos orgánicos del CDFA en los datos de 2013 a 2019. Para ser conservadores, los definimos como convencionales. Si un campo no usaba pesticidas y era orgánico CDFA, lo etiquetamos como orgánico. Si no usaba pesticidas y no era orgánico CDFA, lo manteníamos como convencional.

Para 2017-2019, el campo de atributo de producto en los archivos de forma de campos agrícolas del condado de Kern indicaba campos orgánicos autoinformados con "-ORGANIC" o "-ORG" después del nombre del producto. Los campos de cultivos orgánicos autoinformados pueden ser menos precisos que aquellos identificados utilizando datos del CDFA, ya que los autoinformes no están validados ni son obligatorios. Después de investigar a varios grandes productores de cultivos en el condado de Kern, sospechamos que muchos cultivos que se cultivan orgánicamente con certificaciones CDFA no se informan como tales al condado. Aún así, realizamos una prueba de solidez que incluye estos campos además de los campos PUR Organic de 2017 a 2019 para capturar granjas más pequeñas que pueden estar exentas de certificaciones. Hacerlo no cambió cualitativamente nuestros resultados (Figuras complementarias 2 y 3).

Más allá de identificar campos orgánicos, el objetivo de este proyecto era comprender el impacto de la producción orgánica versus la convencional en diferentes métricas del uso de pesticidas. Como tal, calculamos varias métricas de pesticidas y características de granjas, campos y cultivos.

Los archivos de forma anuales de los campos del condado de Kern están disponibles públicamente e incluyen datos sobre la identificación del permiso de cultivo ("granja"), la identificación del sitio, el tamaño del campo, el tipo de cultivo, la fecha activa e inactiva, entre otra información. Un campo de cultivo se define como una combinación de permiso, sitio y año. Los números de permisos rastrean a los productores individuales a través del tiempo, mientras que las identificaciones de los sitios son un registro de cada sitio permitido mantenido por un productor cada año. Los ID de sitio ocasionalmente persisten de un año al siguiente (particularmente para cultivos perennes) y no se duplican dentro del mismo año, de modo que los cultivos rotados reciben ID de sitio únicos. En algunos casos, se cultivan varios cultivos simultáneamente en el mismo campo. En tales casos, cada cultivo tiene una identificación de sitio única. Sin embargo, cuando se cultivan varios cultivos simultáneamente en el mismo campo, no se especifica el área total ocupada por cada cultivo, sino que se registra como el tamaño total del campo. Para reducir el sesgo en las tasas de uso de pesticidas, el tamaño del campo se dividió por el número de cultivos que se cultivaban en un campo, bajo el supuesto de que todos los cultivos en campos de cultivos múltiples ocupan un área igual. A partir del tipo de cultivo, determinamos la familia taxonómica del cultivo para utilizarla en análisis posteriores.

Los datos sobre el uso de pesticidas a nivel de producto, campo por día, están disponibles al público en el sitio web del Departamento de Agricultura y Estándares de Medición del Condado de Kern. Las libras de productos pesticidas se convirtieron a kg de ingredientes activos (AI) y se identificaron por el tipo de producto (p. ej., insecticidas) y el "peligro potencial" para organismos no objetivo (p. ej., abejas) utilizando el Departamento de Regulación de Pesticidas de California (DPR). ) Base de datos de productos (consulte Métodos de procesamiento de datos auxiliares a continuación). Definimos insecticidas como insecticidas, reguladores del crecimiento de insectos, acaricidas y repelentes, excluyendo los productos que tienen doble acción (insecticida y fungicida), pero sin excluir los productos insecticidas con aditivos adyuvantes o fertilizantes. La base de datos de productos incluye indicadores binarios para determinar si un producto determinado representa un peligro potencial para diferentes resultados ambientales. Dado que los adyuvantes de pesticidas (ingredientes “inertes”) a veces se usan en ausencia de ingredientes activos y, sin embargo, pueden tener impactos ambientales o de vida silvestre según la etiqueta, utilizamos kg del producto en lugar de un kg de ingredientes activos como medidas de uso para productos de peligro potencial para el medio ambiente y los organismos no objetivo. En cambio, el uso de ingredientes activos no cambió cualitativamente nuestros resultados (Figura complementaria 4). Los peligros potenciales para organismos no objetivo se basan en la declaración de peligros ambientales en la etiqueta del pesticida, que está regulada por la EPA, y en la toxicidad para aves, peces, invertebrados, abejas y mamíferos40. Elegimos utilizar métricas binarias en lugar de un índice agregado porque en el condado de Kern se utilizan miles de productos y las métricas de toxicidad para los diferentes productos químicos y numerosos criterios ambientales de interés no están fácilmente disponibles. Así, procedemos con medidas de uso de productos químicos (kg ha-1) de peligro potencial para una serie de puntos finales ecológicos y ambientales (peces, especies acuáticas, deriva, etc.). También incluimos productos de alta toxicidad aguda (palabras de advertencia de la EPA 1 y 2) y de baja toxicidad aguda (palabras de advertencia de la EPA 3 y 4 o no requeridas) para las personas. Para completar, también agregamos datos de ecotoxicidad para 29 productos que representan aproximadamente el 50% de cada uso de pesticidas orgánicos y convencionales (Tabla complementaria 10) de la Base de datos de productos pesticidas61, principalmente.

Utilizando los archivos de forma de los campos, se resumieron las tasas de uso de pesticidas para cada grupo de año-sitio con permiso para diversos resultados de pesticidas, incluidos kg ha-1 de un producto pesticida, ingredientes activos y productos de peligro potencial para peces, abejas y/o organismos acuáticos. especies, productos propensos a la deriva, los categorizados como insecticidas y productos de alta y baja toxicidad aguda, como se describió anteriormente. No todos los resultados ambientales fueron igualmente probables y, en particular, varios resultados del uso de pesticidas potencialmente preocupantes carecieron de un número suficiente de observaciones en campos orgánicos para una comparación sólida con sus contrapartes convencionales (Tabla complementaria 11). Analizamos estadísticamente el subconjunto de resultados ambientales que fueron razonablemente comunes tanto en campos orgánicos como convencionales y, por lo tanto, con mayor probabilidad de producir estimaciones confiables.

Para abordar el potencial de que los campos orgánicos y convencionales tengan una calidad de suelo sistemáticamente diferente, utilizamos el Índice Storie Revisado de California. El sistema de clasificación de tierras Storie Index se utiliza ampliamente en California para evaluar la calidad del suelo y la productividad agrícola39 y se proporciona en datos tabulares de la Base de datos geográficos de estudios de suelos (SSURGO) para la mayor parte del estado. Las calificaciones se determinan sistemáticamente mediante un modelo en el software del Sistema Nacional de Información de Suelos (NASIS) del Servicio de Conservación de Recursos Naturales (NRCS), basado en datos tabulares de la base de datos SSURGO. Las características del suelo utilizadas en el modelo incluyen el perfil del suelo, la textura de la superficie (p. ej., franca a rica en arcilla, excluyendo horizontes orgánicos), características topográficas, duración de la temporada de crecimiento y propiedades dinámicas (p. ej., drenaje, alcalinidad, acidez, erosión)39. Se excluyen la fertilidad y otras características fácilmente modificadas. El sistema utiliza seis niveles de clasificación: “Grado uno” es el suelo de mayor calidad adecuado para la mayoría de los cultivos y “Grado seis” es tierra improductiva. Incluimos el Índice Storie como medida de la calidad del suelo en todos los análisis. Además, evaluamos si los campos orgánicos y convencionales difieren sistemáticamente en la calidad del suelo, utilizando tanto el índice Storie general como componentes de propiedades dinámicas ampliamente medidos, que teóricamente podrían verse influenciados por el manejo en la granja (Tabla complementaria 1).

Los valores del índice Storie se convirtieron de un archivo de forma a un ráster de 60 m utilizando el paquete de aceleración de R. El ráster de suelo se utilizó para extraer los valores del índice Storie para cada polígono del campo Kern, utilizando una función media ponderada por área. 319 campos no tenían calificaciones del Storie Index. Para evaluar la importancia de estos campos faltantes, interpolamos los valores del índice Storie utilizando una función de ponderación de distancia inversa en el paquete gstat de R62,63. La precisión de los valores interpolados se verificó aplicando una función de validación cruzada Leave-One-Out a 500 puntos seleccionados al azar. La inclusión de estos campos no cambió cualitativamente nuestros resultados.

Nuestro análisis estadístico se desarrolló en dos pasos. Primero, evaluamos si los campos convencionales versus orgánicos diferían en el uso de pesticidas, modelados como una variable continua, utilizando mínimos cuadrados ordinarios combinados y modelos de datos de panel para determinar la influencia de diferentes decisiones de especificación del modelo (consulte Métodos estadísticos auxiliares a continuación, Notas complementarias, Tablas complementarias 2 y 3). Sin embargo, el uso de pesticidas puede concebirse como una decisión de dos partes. En primer lugar, está la decisión de usar pesticidas y, en segundo lugar, está la decisión de cuánto rociar cuando se usan pesticidas. Los modelos Tobit se utilizan tradicionalmente para estimar modelos con censura. Sin embargo, los modelos Tobit obligan a que los mecanismos que determinan si se debe rociar (es decir, pasar de pesticida = 0 a pesticidas > 0) sean los mismos que los mecanismos que determinan la cantidad rociada cuando se usan algunos pesticidas (pesticidas cuando pesticidas > 0). Los modelos de doble barrera64 son una alternativa al modelo Tobit que permite separar estas dos decisiones.

Los mecanismos subyacentes a las dos decisiones (rociar, cuánto rociar si se rocía) pueden diferir de modo que diferentes covariables puedan describir cada proceso, y se permite que las mismas covariables influyan en los dos procesos de diferentes maneras (es decir, el signo y la magnitud pueden diferir). ). La primera decisión binaria suele modelarse con un modelo probit.

Luego, la segunda decisión se modela como un modelo lineal con el uso de pesticidas siguiendo una distribución lognormal, condicionada al uso positivo de pesticidas64

donde Φ es la CDF normal estándar, x es un vector de variables explicativas que incluyen el estado orgánico, y es el uso de pesticidas y \({{{{{\mathbf{\upbeta }}}}}}\) es un vector de coeficientes . Utilizamos un modelo de obstáculos lognormal en lugar de un modelo de obstáculos normales truncado, ya que el uso de pesticidas es altamente anormal, y los gráficos QQ sugirieron una mejora sustancial del modelo utilizando una distribución lognormal en lugar de normal. En contraste con los modelos de datos de panel descritos en los Métodos estadísticos auxiliares a continuación, nuestra ecuación de estimación utilizó variables transformadas logarítmicamente naturales para los pesticidas (y el tamaño del campo y de la granja) en lugar de la transformación del seno hiperbólico inverso (IHS), ya que solo se incluyen observaciones positivas en el Segundo modelo de obstáculos. Siguiendo los conocimientos derivados de nuestros modelos de datos de panel (Notas complementarias), nos basamos en el concepto básico del modelo de obstáculos utilizando la interacción familiar granja por cultivo como una intersección aleatoria tanto en el primer como en el segundo obstáculo. Elegimos la interacción familiar granja por cultivo en lugar de un efecto aleatorio cruzado debido a la viabilidad computacional con miles de permisos y cientos de cultivos, debido a la similitud de los resultados con el modelo de estimador interno (es decir, efectos fijos en la terminología de inferencia causal; suplemento Notas, Tabla complementaria 2), y debido a AIC/BIC (Tabla complementaria 3). Además, encontramos evidencia de heterocedasticidad tanto a partir de la inspección visual como de la prueba de Levine, lo que añade complicaciones adicionales al cálculo de efectos aleatorios cruzados. Por lo tanto, procedemos con la interacción familiar granja por cultivo en un modelo de intersección aleatoria con errores estándar robustos agrupados en el mismo grupo. Al hacerlo, se descartaron las observaciones en las que la familia taxonómica del cultivo no estaba clara. De los 7.367 campos que se abandonaron debido a la falta de familias de cultivos, 6.684 eran cultivos sin cultivar.

Nuestros datos son efectivamente secciones transversales repetidas en lugar de un panel verdadero, ya que los campos se definen por la combinación de granja, sitio y año y, por lo tanto, generalmente cambian de un año a otro o cuando los cultivos rotan. Lo modelamos como tal. Esto implica que no requerimos que las observaciones no tengan pulverización en todos los períodos de tiempo, como sería el caso en un modelo de panel de doble obstáculo. Vincular las identificaciones de los campos a lo largo del tiempo mediante el procesamiento espacial se complica por las rotaciones de cultivos de áreas de diferentes tamaños. Dado que los agricultores pueden cultivar múltiples campos bajo diferentes sistemas de gestión, como ilustramos aquí, y tienen diferentes obligaciones contractuales a nivel de subgranja, exigir a las granjas que nunca utilicen pesticidas en todos los campos no refleja las decisiones sobre el terreno.

Repetimos los modelos de obstáculos lognormales individualmente para zanahorias, uvas, naranjas, patatas y cebollas, que eran los únicos cultivos ampliamente cultivados con más de 100 campos orgánicos. Esto permitió una pendiente e intersección diferentes según el tipo de cultivo.

Realizamos varias comprobaciones de robustez. Primero, no tenemos datos sobre el rendimiento de los cultivos. Sin embargo, para evaluar las posibles implicaciones de una brecha de rendimiento en nuestros resultados, modificamos nuestras tasas por hectárea siguiendo a Ponisio et al.15 como una verificación de solidez. Agrupamos los productos básicos en cereales, raíces y tubérculos, semillas oleaginosas, leguminosas/legumbres, frutas y verduras y les asignamos las estimaciones de brecha de rendimiento de Ponisio et al.15 para ese grupo. Los cultivos que no pertenecían a ninguno de los grupos anteriores (por ejemplo, cannabis) recibieron el promedio general de Ponisio et al.15. En segundo lugar, analizamos cómo lo convencional y lo orgánico difieren con respecto a la calidad del suelo utilizando un enfoque de estimador interno para tener en cuenta las diferencias específicas de cada cultivo en la calidad del suelo. En tercer lugar, las métricas binarias de toxicidad, si bien son valiosas dada la cantidad de sustancias químicas y criterios de valoración de interés aquí, no logran distinguir las gradaciones de toxicidad para las sustancias químicas por encima (o por debajo) del umbral regulatorio. Como se mencionó anteriormente, los datos necesarios para calcular muchos índices agregados (por ejemplo, carga de pesticidas57 y cociente de impacto ambiental58) no están disponibles para todas las sustancias químicas de nuestro estudio. Para estar completo, intentamos calcular el índice de toxicidad de pesticidas para un criterio de valoración bien estudiado: los peces. Complementamos los datos proporcionados en Nowell et al.41 con datos de Standartox42. Sin embargo, sólo alrededor del 70% de los productos químicos utilizados en nuestro estudio coincidían, y los productos pesticidas utilizados en campos orgánicos tenían más probabilidades de carecer de información sobre la toxicidad de uno o más productos químicos. Discutimos brevemente la investigación altamente preliminar, dado que faltan datos de toxicidad no aleatorios.

Todos los análisis espaciales se realizaron en R Statistical Software v 3.5.3 y todos los análisis estadísticos se realizaron en Stata 16 MP. Para todas las pruebas, la significación estadística se basó en pruebas de dos colas con \(\alpha =0,05.\)

Para ubicar espacialmente campos orgánicos, necesitábamos hacer coincidir los números de parcela del Tasador (APN) proporcionados en los datos tabulares del CDFA con los APN en el archivo de forma de parcela del condado de Kern (de 2017). Más del 90 % de las entradas de APN en los datos del CDFA estaban en el formato [xxx-xxx-xx], aunque a menudo se proporcionaban varios APN en la misma celda separados por saltos de línea, punto y coma, comas y/o espacios. Hicimos ediciones iniciales separando valores en celdas individuales en Microsoft Excel ya que el formato era muy inconsistente. Las observaciones cuyos APN no estaban en [xxx-xxx-xx] se modificaron para que su formato coincidiera. En el entorno R, se insertaron guiones después del tercer, sexto y octavo carácter (1234567895 se convirtió en 123-456-78-95) para las APN que aún no los contenían. En ocasiones, los números de APN aparecían con guiones, pero con segmentos de longitud incorrecta (p. ej., 12-34-567). En estos casos, los segmentos APN se recortaron desde la derecha o se rellenaron con un cero a la izquierda para que coincidieran con el formato [xxx-xxx-xx]. Este enfoque produjo el mayor número de coincidencias y se verificó su precisión como se describe a continuación. Se eliminaron segmentos adicionales (de APN con más de dos guiones y ocho caracteres numéricos). Un puñado de APN con menos de ocho caracteres numéricos y sin guiones se eliminaron por completo.

Los APN CDFA editados se unieron luego al archivo de forma de parcela del Tasador del Condado de Kern, creando el “archivo de forma orgánico CDFA”. En total, 1637 de 1829 registros CDFA individuales se unieron exitosamente. Para evaluar la precisión de las uniones entre los datos tabulares del CDFA, la parcela del condado de Kern y los datos espaciales agrícolas del condado de Kern, verificamos la información de propiedad utilizando los valores de “Compañía” (CDFA) y “PERMITTEE” (datos agrícolas del condado de Kern).

Para luego identificar los campos de cultivo dentro de las parcelas orgánicas, realizamos una unión espacial entre el archivo de forma orgánico CDFA y los archivos de forma de los campos del condado de Kern. Antes de realizar la unión, las dimensiones de las parcelas del CDFA se redujeron con una zona de amortiguamiento de 50 m para eliminar las uniones espaciales entre las parcelas del CDFA y los campos de cultivo que solo tocaban los márgenes de las parcelas. De cinco anchos de zona de amortiguamiento diferentes evaluados, 50 m redujeron el número de falsos positivos y negativos, según se determinó al comparar los valores de "Empresa" y "PERMITIDO". Nos referimos a los campos que coinciden como “APN Orgánico”.

Cada año, varios productores informaron valores de municipio, sección y rango (TRS), consistentes con el sistema PLS (PLSS), en lugar de valores de APN. Usamos estos valores TRS para identificar secciones PLSS que contenían campos orgánicos.

Separamos cualquier celda que contenga múltiples valores TRS y eliminamos los prefijos como “S”, “Section”, “Sec.”, “T” y “R” que impedirían unirse a los datos espaciales PLSS del condado de Kern en Excel. En el entorno R, rellenamos el lado izquierdo del valor "S" con un 0 si era un solo dígito, luego concatenamos las tres columnas en una columna "TRS". Unimos TRS de los datos tabulares del CDFA a los datos espaciales de PLSS, que identificaron 563 secciones que contenían campos orgánicos, de 2013 a 2019, de un total de 664 códigos TRS únicos en el conjunto de datos del CDFA. Luego realizamos una unión espacial entre las secciones PLSS que contienen campos orgánicos y los archivos de forma de los campos del condado de Kern, para identificar todos los campos agrícolas que se superponen con esas secciones. El procesamiento adicional utilizando los Informes de uso de pesticidas se describe arriba.

Comenzamos con un modelo de mínimos cuadrados ordinarios (OLS) agrupado que, como su nombre indica, agrupa observaciones de explotaciones agrícolas, años y tipos de cultivos. Sin embargo, puede haber atributos de cultivos o granjas que pueden ser sistemáticamente diferentes entre orgánicos y convencionales, y esta diferencia sistemática podría sesgar nuestros resultados agrupados de MCO. Para abordar esto, primero consideramos enfoques de puntuación de propensión, pero no pudimos encontrar un equilibrio suficiente en nuestra distribución de covariables entre campos orgánicos y convencionales. Como alternativa, limitamos nuestra muestra a campos con agricultores y tipos de cultivos superpuestos. En otras palabras, nos centramos en el subconjunto de campos cultivados por agricultores que producen campos tanto orgánicos como convencionales y en cultivos que se producen tanto de forma convencional como orgánica. Sin embargo, esto redujo nuestro conjunto de datos en dos tercios.

Para aprovechar más nuestros datos, a continuación consideramos modelos de datos de panel como un medio para abordar variables no observadas. Consideramos tanto modelos dentro del estimador (también conocidos como “efectos fijos” en la terminología de inferencia causal, pero diferentes del uso bioestadístico del término) como modelos de efectos aleatorios (con interceptos aleatorios), buscando capturar características del cultivo, productor, y año. La ventaja de un enfoque dentro del estimador es que las variables omitidas se eliminan (mediante diferenciación) y, por lo tanto, pueden correlacionarse con covariables sin sesgar la estimación. En otras palabras, el uso de pesticidas y todas las covariables se diferencian de la media específica del cultivo (o de la media específica de la familia de cultivos, del agricultor, etc., según el modelo). Al hacerlo, se elimina la propensión de ciertos cultivos (familia de cultivos, agricultores) a ser orgánicos o a adoptar rápida o lentamente nuevas tecnologías. La desventaja es que las características compartidas por todos los campos de un cultivo (por ejemplo, el valor) se pierden en la diferenciación y, más importante aún, que la diferenciación no se traduce fácilmente a modelos no lineales que emplearemos más adelante en el análisis. Los efectos aleatorios se traducen más fácilmente a modelos no lineales. La desventaja de los efectos aleatorios es el fuerte supuesto de que las variables no observadas no están correlacionadas con las covariables18,65, lo cual es necesario para que las estimaciones de los coeficientes de efectos aleatorios sean insesgadas. Aquí, vemos que la diferencia en las estimaciones de coeficientes entre los modelos de efectos aleatorios y dentro del estimador es bastante pequeña (Tabla complementaria 2).

Los efectos aleatorios, en particular los efectos aleatorios cruzados con miles de permisos y cientos de cultivos, introducen desafíos computacionales debido a matrices grandes y escasas. Además, encontramos evidencia de heterocedasticidad tanto a partir de la inspección visual como de la prueba de Levine, lo que añade complicaciones adicionales al cálculo de efectos aleatorios cruzados. Procedemos utilizando la interacción familiar granja por cultivo en un modelo de intercepción aleatoria con errores estándar robustos agrupados en el mismo grupo basado en AIC/BIC (Tabla complementaria 3), viabilidad computacional y similitud con los resultados dentro del estimador (Tabla complementaria 3). Tabla 2). Las observaciones en las que la familia taxonómica del cultivo no estaba clara se descartaron en cualquier modelo, incluida la familia, ya sea en los efectos aleatorios o en los errores estándar robustos de conglomerados. De los 7.367 campos que se abandonaron debido a la falta de familias de cultivos, 6.684 eran cultivos sin cultivar.

En los modelos de datos de panel, utilizamos transformaciones IHS para acomodar datos de pesticidas (y tamaño de campo y granja) altamente anormales. IHS es muy similar a la transformación logarítmica natural66 pero se define en cero, lo cual es importante dado que una fracción considerable de nuestras observaciones tienen un uso nulo de pesticidas. Al igual que con las transformaciones log-log, la transformación IHS-IHS puede interpretarse como elasticidades. Multiplicamos previamente el uso de pesticidas por 100 para mejorar la estimación66, aunque esto no afecta la interpretación. Como se describió anteriormente, aprovechamos los conocimientos sobre la especificación del modelo a partir de los modelos de datos de panel, pero confiamos en los modelos de doble obstáculo para separar la decisión de fumigar de la decisión de cuánto fumigar.

Más información sobre el diseño de la investigación está disponible en el Resumen de informes de investigación de la naturaleza vinculado a este artículo.

Los datos sobre el uso de agricultura y pesticidas para el condado de Kern están disponibles en http://www.kernag.com/gis/gis-data.asp y los datos de las parcelas del condado de Kern están disponibles en https://geodat-kernco.opendata.arcgis.com /. La base de datos de productos del Departamento de Regulación de Pesticidas de California está disponible en https://apps.cdpr.ca.gov/docs/label/labelque.cfm. Los datos de calidad del suelo provienen de los datos SSUGO del Servicio de Conservación de Recursos Naturales disponibles en https://websoilsurvey.nrcs.usda.gov/ y se accede a ellos mediante https://websoilsurvey.sc.egov.usda.gov/App/WebSoilSurvey.aspx. Los datos sobre los productores orgánicos registrados se obtuvieron mediante solicitud del Programa de Productos Orgánicos del Estado de California, https://www.cdfa.ca.gov/is/organicprogram/. Los pesticidas orgánicos y convencionales clasificados manualmente se proporcionan en el Archivo de datos complementario 1. Los datos para repetir los análisis principales están disponibles en Dryad, https://doi.org/10.25349/D9Q02T. Las tablas de regresión subyacentes a todas las cifras de análisis (texto principal, complementario) se proporcionan en la Información complementaria.

El código para repetir los análisis principales está disponible en Datos complementarios 2.

Foley, JA y cols. Soluciones para un planeta cultivado. Naturaleza 478, 337–342 (2011).

Artículo ADS CAS PubMed Google Scholar

Meemken, E.-M. & Qaim, M. Agricultura orgánica, seguridad alimentaria y medio ambiente. Año. Reverendo Resour. Economía. 10, 39–63 (2018).

Artículo de Google Scholar

Tilman, D., Balzer, C., Hill, J. & Befort, BL La demanda mundial de alimentos y la intensificación sostenible de la agricultura. Proc. Acad. Nacional. Ciencia. Estados Unidos 108, 20260–20264 (2011).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Reganold, JP & Wachter, JM La agricultura orgánica en el siglo XXI. Nat. Plantas 2, 15221 (2016).

Artículo PubMed Google Scholar

Willer, H., Trávníček, J., Meier, C. y Schlatter, B. (eds) El mundo de la agricultura orgánica. Estadísticas y tendencias emergentes 2021. (Instituto de Investigación de Agricultura Orgánica FiBL, Frick e IFOAM—Organics International, Bonn, 2021).

Stolze, M. & Lampkin, N. Política para la agricultura orgánica: fundamentos y conceptos. Política alimentaria 34, 237–244 (2009).

Artículo de Google Scholar

Moschitz, H. y col. ¿Cómo puede la estrategia de la UE de la granja a la mesa cumplir sus promesas ecológicas? Algunas reflexiones críticas. EuroChoices 20, 30–36 (2021).

Artículo de Google Scholar

Eyhorn, F. y col. Sostenibilidad en la agricultura global impulsada por la agricultura orgánica. Nat. Sostener 2, 253–255 (2019).

Artículo de Google Scholar

Smith-spangler, C. et al. ¿Son los alimentos orgánicos más seguros o más saludables que las alternativas convencionales?: Una revisión sistemática. Ana. Interno. Medicina. 157, 348–366 (2012).

Artículo PubMed Google Scholar

Mie, A. y col. Implicaciones para la salud humana de los alimentos orgánicos y la agricultura orgánica: una revisión integral. Reinar. Salud 16, 111 (2017).

Artículo PubMed PubMed Central CAS Google Scholar

Seufert, V. & Ramankutty, N. Muchos tonos de gris: el desempeño de la agricultura orgánica que depende del contexto. Ciencia. Adv. 3, e1602638 (2017).

Artículo ADS PubMed PubMed Central Google Scholar

Garibaldi, LA et al. Enfoques agrícolas para una mayor biodiversidad, medios de vida y seguridad alimentaria. Tendencias Ecológicas. Evolución. 32, 68–80 (2017).

Artículo PubMed Google Scholar

Mehrabi, Z., Seufert, V. & Ramankutty, N. La división agrícola convencional versus alternativa: una respuesta a Garibaldi et al. Tendencias Ecológicas. Evolución. 32, 720–721 (2017).

Artículo PubMed Google Scholar

Seufert, V., Ramankutty, N. & Foley, JA Comparación de los rendimientos de la agricultura orgánica y convencional. Naturaleza 485, 229–232 (2012).

Artículo ADS CAS PubMed Google Scholar

Ponisio, LC et al. Las prácticas de diversificación reducen la brecha entre el rendimiento orgánico y el convencional. Proc. R. Soc. B Biol. Ciencia. 282, 20141396 (2015).

Artículo de Google Scholar

Smith, OM y cols. La agricultura orgánica proporciona beneficios ambientales confiables pero aumenta la variabilidad en el rendimiento de los cultivos: un metanálisis global. Frente. Sostener. Sistema de alimentación. 3, 82 https://doi.org/10.3389/fsufs.2019.00082 (2019).

Ramankutty, N., Ricciardi, V., Mehrabi, Z. & Seufert, V. Compensaciones en el desempeño de sistemas agrícolas alternativos. Agrícola. Economía. 50, 97-105 (2019).

Artículo de Google Scholar

Larsen, AE, Meng, K. & Kendall, BE Análisis causal en estudios ecológicos de control-impacto con datos de observación. Métodos Ecología. Evolución. 10, 924–934 (2019).

Artículo de Google Scholar

Delate, K., Cambardella, C., Chase, C. y Turnbull, R. Una revisión de ensayos comparativos orgánicos a largo plazo en EE. UU. Sustain. Agrícola. Res. 4, p5 (2015).

Google Académico

Baldock, JO, Hedtcke, JL, Posner, JL & Hall, JA Sistemas de producción orgánicos y convencionales en el ensayo de sistemas de cultivo integrados de Wisconsin: III. Tendencias de rendimiento. Agrón. J. 106, 1509-1522 (2014).

Artículo de Google Scholar

Winter, CK & Davis, SF Alimentos orgánicos. J. Ciencia de los alimentos. 71, R117–R124 (2006).

Artículo CAS Google Scholar

Mineau, P. y col. Envenenamiento de aves rapaces con pesticidas organofosforados y carbamatos con énfasis en Canadá, Estados Unidos y Reino UnidoJ Raptor Res. 33, 1–37 (1999).

Google Académico

Mitra, A., Chatterjee, S., Sarkar, M. & Gupta, DK Efectos tóxicos de los pesticidas en la fauna aviar. En Biotecnología ambiental vol. 3 (eds Gothandam, KM, Ranjan, S., Dasgupta, N. y Lichtfouse, E.) 55–83 (Springer International Publishing, Cham, 2021).

Bergström, L., Kirchmann, H. y Thorvaldsson, G. Opiniones generalizadas sobre la agricultura orgánica: ¿están respaldadas por evidencia científica? En Producción de cultivos orgánicos: ambiciones y limitaciones. (eds Kirchmann, H. & Bergström, L.) 1–11 (Springer Países Bajos, Dordrecht, 2008).

Lockeretz, W. Agricultura orgánica: una historia internacional. (CABI, 2007).

Mineau, P. Pérdidas directas de aves por pesticidas: inicios de una cuantificación. En Implementación e integración de la conservación de aves en las Américas: Actas de la tercera conferencia internacional Partners in Flight, 20 al 24 de marzo de 2002, Asilomar, California (Vol. 2). (eds Ralph, CJ & Rich, TD) 1065–1070 (Departamento de Agricultura de EE. UU., Servicio Forestal, Estación de Investigación del Sudoeste del Pacífico, 2005).

Beketov, MA, Kefford, BJ, Schäfer, RB y Liess, M. Los pesticidas reducen la biodiversidad regional de los invertebrados de los arroyos. Proc. Acad. Nacional. Ciencia. Estados Unidos 110, 11039–11043 (2013).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Gill, RJ, Ramos-Rodriguez, O. & Raine, NE La exposición combinada a pesticidas afecta gravemente los rasgos individuales y a nivel de colonia en las abejas. Naturaleza 491, 105-108 (2012).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Geiger, F. y col. Efectos negativos persistentes de los pesticidas sobre la biodiversidad y el potencial de control biológico en las tierras agrícolas europeas. Aplicacion basica Ecológico. 11, 97-105 (2010).

Artículo CAS Google Scholar

Köhler, H.-R. & Triebskorn, R. Ecotoxicología de los pesticidas en la vida silvestre: ¿podemos rastrear los efectos a nivel de población y más allá? Ciencia 341, 759–765 (2013).

Artículo ADS PubMed CAS Google Scholar

Saaristo, M. et al. Efectos directos e indirectos de los contaminantes químicos sobre el comportamiento, la ecología y la evolución de la vida silvestre. Proc. R. Soc. B Biol. Ciencia. 285, 20181297 (2018).

Artículo CAS Google Scholar

Keller, AA y cols. Destino ambiental comparativo y toxicidad de los nanomateriales de cobre. NanoImpact 7, 28–40 (2017).

ADS del artículo Google Scholar

Thompson, DG & Kreutzweiser, DP Una revisión del destino ambiental y los efectos de los pesticidas naturales de "riesgo reducido" en Canadá. En Productos Fitosanitarios para Agricultura Orgánica. (eds Felsot, AS y Racke, KD) 947, 245–274 (Sociedad Química Estadounidense, 2006).

Baker, BP, Benbrook, CM, Groth, E. 3rd y Lutz Benbrook, K. Residuos de pesticidas en alimentos orgánicos y convencionales cultivados con manejo integrado de plagas (IPM): conocimientos de tres conjuntos de datos de EE. UU. Aditivo alimentario. Contaminar. 19, 427–446 (2002).

Programa de Monitoreo de Residuos de Pesticidas del CDPR. Residuos en Productos Frescos. https://www.cdpr.ca.gov/docs/enforce/residue/resi2018/rsfr2018.htm (2018).

Departamento de Alimentación y Agricultura de California. Revisión de estadísticas agrícolas de California 2018-2019. (Sacramento, California, 2019).

Möhring, N., Bozzola, M., Hirsch, S. y Finger, R. ¿Están disminuyendo el riesgo de pesticidas? La relevancia de la elección del indicador de pesticidas en el análisis empírico. Agrícola. Economía. 51, 429–444 (2020).

Artículo de Google Scholar

Navarro, J., Hadjikakou, M., Ridoutt, B., Parry, H. & Bryan, BA Peligro de toxicidad de pesticidas en la agricultura: puntos críticos regionales y de productos básicos en Australia. Reinar. Ciencia. Tecnología. 55, 1290-1300 (2021).

Artículo ADS CAS PubMed Google Scholar

O'Geen, AT y Southard, SB Un índice Storie revisado modelado en NASIS. Supervivencia del suelo. Horizontal. 46, 98-108 (2005).

Artículo de Google Scholar

Oficina de Programas de Pesticidas de la EPA de EE. UU. Manual de revisión de etiquetas. https://www.epa.gov/sites/production/files/2018-04/documents/lrm-complete-mar-2018.pdf. (2018).

Nowell, LH, Norman, JE, Moran, PW, Martin, JD & Stone, WW Índice de toxicidad de pesticidas: una herramienta para evaluar la toxicidad potencial de mezclas de pesticidas para organismos acuáticos de agua dulce. Ciencia. Medio ambiente total. 476–477, 144–157 (2014).

Artículo ADS PubMed CAS Google Scholar

Scharmüller, A. Paquete 'standartox'. Información ecotoxicológica de la base de datos Standartox. CRAN https://cran.rstudio.com/web/packages/standartox/standartox.pdf (2021).

de Ponti, T., Rijk, B. & van Ittersum, MK La brecha en el rendimiento de los cultivos entre la agricultura orgánica y la convencional. Agrícola. Sistema. 108, 1–9 (2012).

Artículo de Google Scholar

Trewavas, A. Mitos urbanos de la agricultura ecológica. Naturaleza 410, 409–410 (2001).

Artículo ADS CAS PubMed Google Scholar

Larsen, AE, Gaines, SD y Deschênes, O. Uso de pesticidas agrícolas y resultados adversos en los nacimientos en el Valle de San Joaquín de California. Nat. Comunitario. 8, 302 (2017).

Artículo ADS PubMed PubMed Central CAS Google Scholar

Dudley, N. y col. ¿Cómo deberían responder los conservacionistas a los pesticidas como impulsores de la pérdida de biodiversidad en los agroecosistemas? Biol. Conservar. 209, 449–453 (2017).

Artículo de Google Scholar

Vörösmarty, CJ et al. Amenazas globales a la seguridad hídrica humana y la biodiversidad fluvial. Naturaleza 467, 555–561 (2010).

Artículo ADS PubMed CAS Google Scholar

Larsen, AE y Noack, F. Identificación de los factores paisajísticos que impulsan el uso de insecticidas agrícolas aprovechando la evidencia de 100.000 campos. Proc. Acad. Nacional. Ciencia. 114, 5473–5478 (2017).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Larsen, AE y Noack, F. Impacto de la complejidad local y del paisaje en la estabilidad del control de plagas a nivel de campo. Nat. Sostener 4, 120–128 (2021).

Artículo de Google Scholar

Balmford, A. y col. Los costos y beneficios ambientales de la agricultura de alto rendimiento. Nat. Sostener. 1, 477–485 (2018).

Artículo PubMed PubMed Central Google Scholar

Costello, C., Quérou, N. y Tomini, A. Erradicación privada de los males públicos móviles. EUR. Economía. Rev. 94, 23–44 (2017).

Artículo de Google Scholar

Root, RB Organización de una asociación planta-artrópodo en hábitats simples y diversos: la fauna de las coles (Brassica oleracea). Ecológico. Monogr. 43, 95-124 (1973).

Artículo de Google Scholar

Martín, EA y cols. La interacción de la composición y configuración del paisaje: nuevas vías para gestionar la biodiversidad funcional y los servicios de los agroecosistemas en toda Europa. Ecológico. Letón. 22, 1083-1094 (2019).

Artículo PubMed Google Scholar

Larsen, AE & McComb, S. La cobertura terrestre y los cambios climáticos impulsan aumentos heterogéneos a nivel regional en el uso de insecticidas en Estados Unidos. Landsc. Ecológico. 36, 159-177 (2021).

Artículo de Google Scholar

Kuminoff, NV y Wossink, A. ¿Por qué no hay más tierras agrícolas orgánicas en Estados Unidos? J. Agrícola. Economía. 61, 240–258 (2010).

Artículo de Google Scholar

Getz, C. & Shreck, A. Lo que las etiquetas orgánicas y de Comercio Justo no nos dicen: hacia una comprensión de la certificación basada en el lugar. En t. J. Consumo. Semental. 30, 490–501 (2006).

Artículo de Google Scholar

Kudsk, P., Jørgensen, LN & Ørum, JE Carga de pesticidas: un nuevo indicador de riesgo de pesticidas danés con múltiples aplicaciones. Política de uso de la tierra 70, 384–393 (2018).

Artículo de Google Scholar

Kovach, J., Petzoldt, C., Degni, J. & Tette, J. Un método para medir el impacto ambiental de los pesticidas. Ciencia de la vida alimentaria de Nueva York. Toro. 139, 1–8 (1992).

Google Académico

Zilberman, D., Schmitz, A., Casterline, G., Lichtenberg, E. y Siebert, JB La economía del uso y la regulación de pesticidas. Ciencia 253, 518–522 (1991).

Artículo ADS CAS PubMed Google Scholar

Waterfield, G. & Zilberman, D. Manejo de plagas en sistemas alimentarios: una perspectiva económica. Año. Rev. Medio Ambiente. Recurso. 37, 223–245 (2012).

Artículo de Google Scholar

Lewis, KA, Tzilivakis, J., Warner, DJ y Green, A. Una base de datos internacional para la evaluación y gestión de riesgos de pesticidas. Tararear. Ecológico. Evaluación de riesgos. 22, 1050–1064 (2016).

Pebesma, EJ Geoestadística multivariable en S: el paquete gstat. Computadora. Geociencias. 30, 683–691 (2004).

ADS del artículo Google Scholar

Gräler, B., Pebesma, E. & Heuvelink, G. Interpolación espacio-temporal utilizando gstat. RJ 8, 204–218 (2016).

Artículo de Google Scholar

Cragg, JG Algunos modelos estadísticos para variables dependientes limitadas con aplicación a la demanda de bienes duraderos. Econométrica 39, 829–844 (1971).

Artículo MATEMÁTICAS Google Scholar

Wooldridge, JM Análisis econométrico de datos de sección transversal y de panel. (Prensa del MIT, Cambridge, 2002).

Bellemare, MF & Wichman, CJ Elasticidades y transformación del seno hiperbólico inverso. Oxf. Toro. Economía. Estadística. 82, 50–61 (2020).

Artículo de Google Scholar

Descargar referencias

Reconocemos al Departamento de Regulación de Pesticidas de California, al Departamento de Alimentación y Agricultura de California y al Departamento de Agricultura y Estándares de Medición del Condado de Kern por seleccionar y compartir datos sin los cuales este proyecto no sería posible. Agradecemos a S. Philpott, N. Parker y A. MacDonald por sus comentarios sobre un borrador anterior, y a M. Patton por su ayuda en la investigación. Agradecemos los útiles comentarios del editor y los revisores, y al editor por la recomendación de trasladar todos los métodos complementarios al texto principal. AEL reconoce NSF DEB 2042526, LCP reconoce el programa de certificación de biología cuantitativa interdisciplinaria de la Universidad de Colorado Boulder, SM reconoce la beca de doctorado de cuatro años (4YF) de la UBC.

Escuela Bren de Ciencias y Gestión Ambiental, UC, Santa Bárbara, CA, EE. UU.

Ashley E. Larsen, L. Claire Powers y Sofie McComb

Programa de Estudios Ambientales, Universidad de Colorado Boulder, Boulder, CO, EE. UU.

Claire Powers

Facultad de Silvicultura, Universidad de Columbia Británica, Vancouver, Canadá

Sofia McComb

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

AEL concibió el estudio, realizó los análisis estadísticos y redactó el artículo, LCP y SM procesaron los datos y redactaron el artículo. Todos los autores contribuyeron sustancialmente a las revisiones.

Correspondencia a Ashley E. Larsen.

Los autores declaran no tener conflictos de intereses.

Información de revisión por pares Nature Communications agradece a Christian Grovermann, Rai Kookana y los demás revisores anónimos por su contribución a la revisión por pares de este trabajo. Los informes de los revisores pares están disponibles.

Nota del editor Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Larsen, AE, Claire Powers, L. & McComb, S. Identificación y caracterización del uso de pesticidas en 9.000 campos de agricultura orgánica. Nat Comuna 12, 5461 (2021). https://doi.org/10.1038/s41467-021-25502-w

Descargar cita

Recibido: 11 de febrero de 2021

Aceptado: 05 de agosto de 2021

Publicado: 15 de septiembre de 2021

DOI: https://doi.org/10.1038/s41467-021-25502-w

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Química África (2023)

npj Agua limpia (2022)

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.