Poner los pesticidas en el mapa para la investigación y conservación de polinizadores - Suplementos alimenticios para mascotas de Beijing Co., Ltd

Datos científicos volumen 9, número de artículo: 571 (2022) Citar este artículo

2846 Accesos

2 citas

10 altmétrico

Detalles de métricas

Los polinizadores silvestres y gestionados son esenciales para la producción de alimentos y el funcionamiento de los ecosistemas naturales; sin embargo, sus poblaciones están amenazadas por múltiples factores estresantes, incluido el uso de pesticidas. Debido a que las especies de polinizadores pueden viajar de cientos a miles de metros para buscar alimento, investigaciones recientes han enfatizado la importancia de evaluar la disminución de los polinizadores a escala de paisaje. Sin embargo, la capacidad de los científicos y conservacionistas para hacer esto se ha visto limitada por la falta de datos accesibles sobre el uso de pesticidas en escalas espaciales relevantes y en unidades toxicológicas significativas para los polinizadores. Aquí, sintetizamos información de varios conjuntos de datos grandes y disponibles públicamente sobre patrones de uso de pesticidas, uso de la tierra y toxicidad para generar conjuntos de datos novedosos que describen el uso de pesticidas por ingrediente activo (kg, 1997-2017) y carga agregada de insecticida (kg y dosis letales para las abejas). , 1997–2014) para combinaciones de cultivos estatales en los EE. UU. contiguos. Además, al vincular conjuntos de datos de pesticidas con datos de uso de la tierra, describimos un método para mapear indicadores de pesticidas en escalas espaciales relevantes para la investigación y conservación de polinizadores.

Mediciones)

LD50 • Plaguicida • Área de tierras de cultivo • Cobertura del suelo

Tipo(s) de tecnología

diseño dosis-respuesta • Encuesta • teledetección

Tipo(s) de factor

ingrediente activo del pesticida • contacto vs. oral • estado • año • grupo de cultivo

Característica de la muestra: organismo

Apis mellifera

Característica de la muestra: entorno

ecosistema de tierras de cultivo

Característica de la muestra: ubicación

Estados Unidos de América contiguos

Dado que casi el 90% de las especies de plantas con flores se benefician de los servicios de los polinizadores para producir semillas y frutos, los polinizadores son un componente esencial de ecosistemas saludables y diversos y contribuyen significativamente a la producción de alimentos1,2,3,4. Sin embargo, las poblaciones de polinizadores tanto silvestres como gestionados se enfrentan a serios desafíos5. Se han documentado disminuciones poblacionales en varias especies de abejas y mariposas6,7,8, incluida la población oriental de la mariposa monarca (Danaus plexippus), como lo indican las fuertes reducciones en el tamaño de las colonias que hibernan desde mediados de la década de 19909. Los apicultores estadounidenses pierden cada año alrededor de un tercio de sus colonias de abejas melíferas gestionadas10. Las causas de la disminución de los polinizadores son multifacéticas y algo distintas para los diferentes taxones, pero la evidencia actual sugiere que las abejas silvestres, las abejas melíferas y las mariposas comparten al menos dos factores estresantes clave: la pérdida de hábitat y la exposición a pesticidas5,11,12. La pérdida de hábitat limita los recursos alimentarios y de nidificación disponibles para sustentar a las poblaciones de polinizadores, mientras que la exposición a pesticidas puede matar a los polinizadores directamente o provocar efectos subletales en el comportamiento, la inmunidad y la reproducción5,11,12,13,14. Además, el uso de herbicidas puede influir indirectamente en los polinizadores al reducir la disponibilidad de sus plantas alimenticias15.

En la última década, los investigadores han logrado avances significativos en el desarrollo de modelos para predecir la abundancia de polinizadores y los servicios ecosistémicos en función del paisaje. Para las abejas silvestres, el 'modelo de Lonsdorf' traduce la cobertura terrestre en abundancia de sitios de anidación y recursos florales estacionales (predichos en base a la opinión de expertos), y combina esto con rangos de vuelo para derivar índices de abundancia de abejas y servicio de polinización en cada celda de un paisaje16 ,17; el modelo también ha sido adaptado para las abejas melíferas18. Para las mariposas monarca, los investigadores desarrollaron recientemente un modelo espacial que simula el ciclo anual de la población de la monarca oriental, identificando regiones donde las acciones de conservación podrían mejorar la estabilidad de la población de la monarca19. A pesar del importante valor de los modelos actuales de polinizadores basados en la disponibilidad de recursos, podrían mejorarse incorporando patrones de uso de pesticidas.

Ha habido tres obstáculos principales para incorporar el uso de pesticidas en la investigación a escala de paisaje sobre la salud de los polinizadores. Primero, aunque Estados Unidos tiene una cantidad sustancial de datos públicos sobre el uso de pesticidas, su toxicidad y el uso de la tierra, estos datos se distribuyen en bases de datos gubernamentales dispares, cada una con una nomenclatura y organización idiosincrásicas. En segundo lugar, el mosaico de datos disponibles sobre el uso de pesticidas se presenta principalmente a escalas de condados, estados o promedios nacionales. Por el contrario, las poblaciones de polinizadores están estructuradas en escalas espaciales más pequeñas; por ejemplo, los campos de alimentación de las abejas suelen ser de cientos a miles de metros20. Finalmente, hay cientos de ingredientes activos de pesticidas comunes que varían en muchos órdenes de magnitud en su toxicidad para los polinizadores13. Transformar el uso de pesticidas en unidades relevantes de toxicidad puede ayudar a evaluar los efectos agregados21,22,23,24.

Aquí, sintetizamos varios conjuntos de datos grandes y disponibles públicamente sobre el uso de pesticidas, el uso de la tierra y la toxicidad de los insecticidas para generar conjuntos de datos novedosos que describan los patrones de uso de pesticidas. En un estudio anterior21, generamos estimaciones a nivel de condado para la carga tóxica total de insecticidas para las abejas en los EE. UU. contiguos. Aquí, producimos conjuntos de datos de pesticidas por ingrediente activo (en kg y kg/ha, 1997-2017) y carga agregada de insecticida (en kg , kg/ha, dosis letales para las abejas melíferas y dosis letales/ha, 1997–2014) para combinaciones de año de cosecha estatal en los EE. UU. contiguos. Dado que el tipo de cultivo explica gran parte de la variación en el uso de pesticidas25,26,27,28, sugieren una 'reducción' del uso de pesticidas haciendo coincidir los promedios de uso de pesticidas a nivel estatal, de cultivos y de años específicos con el uso de la tierra estimado mediante sensores remotos. Describimos un método para mapear nuestras estimaciones de uso de pesticidas con los datos de uso de la tierra existentes. A través de este enfoque, es posible generar mapas de la carga tóxica de las abejas prevista y de los ingredientes activos individuales con una resolución de 30 m, un grano espacial más fino que el informado en nuestro análisis a nivel de condado y uno más adecuado para la investigación del paisaje sobre poblaciones y comunidades de polinizadores. Esta metodología se puede adaptar fácilmente para incluir datos más refinados que puedan estar disponibles localmente o estar disponibles en el futuro, como datos de toxicidad para otras especies de polinizadores o información específica del sitio sobre el uso de pesticidas. Además, si bien este trabajo está motivado principalmente por los efectos de los pesticidas en los polinizadores, las estimaciones y el método de mapeo que describimos tienen una aplicación potencial en una amplia gama de entornos que van desde el monitoreo de la calidad del agua hasta la epidemiología humana.

El objetivo de este proyecto era sintetizar datos disponibles públicamente sobre el uso de la tierra, el uso de pesticidas y la toxicidad para generar un "conjunto de herramientas" de recursos de datos que permitan mejorar la investigación a escala de paisaje sobre las interacciones entre pesticidas y polinizadores. Los principales resultados son varios conjuntos de datos novedosos que cubren diez cultivos o grupos de cultivos principales en cada uno de los 48 estados contiguos de EE. UU.:

Tasa de aplicación promedio (kg/ha/año) de >500 ingredientes activos de pesticidas comunes (1997-2017),

Carga tóxica agregada para las abejas (dosis letales para las abejas melíferas/ha/año) de todos los insecticidas combinados (1997-2014), (tenga en cuenta que este conjunto de datos finaliza en 2014 porque después de ese año, se excluyeron los datos sobre pesticidas aplicados a las semillas29, y estos contribuyen significativamente a la carga tóxica de las abejas21)

Reclasificar las tablas que relacionan estos indicadores de uso de pesticidas con las clases de uso/cobertura del suelo para permitir la creación de mapas que predigan la carga anual de pesticidas con una resolución de 30 a 56 m.

En la figura 1 se proporciona una descripción general de los pasos, los aportes y los resultados.

Descripción general del flujo de trabajo de síntesis de datos descrito en este documento.

En la Tabla 1 se proporciona un resumen de los conjuntos de datos de entrada.

Los datos sobre el uso de pesticidas se descargaron por última vez del Proyecto Nacional de Síntesis de Pesticidas del USGS30,31 en junio de 2020. Este conjunto de datos informa el total de kg aplicados de 508 ingredientes activos de pesticidas comunes por combinaciones de estado, grupo de cultivos y año para los EE. UU. contiguos entre 1992 y 2017 ( grupos de cultivos explicados en la Tabla 2). Los datos se derivan principalmente de encuestas a agricultores realizadas por una empresa privada (Kynetec). Para California, el USGS obtiene datos del programa estatal de informes sobre el uso de pesticidas32. Luego, el USGS agrega y estandariza ambas fuentes de datos en un conjunto de datos nacional común que se publica y se utiliza en este esfuerzo. El conjunto de datos del USGS incluye una estimación "alta" y "baja" del uso de pesticidas, que varían según el tratamiento de los valores faltantes en los datos fuente31. Debido a que trabajos anteriores sobre este conjunto de datos sugirieron que la estimación "baja" coincide más con las estimaciones independientes de pesticidas33, utilizamos la estimación "baja" en todo momento, pero evaluamos la influencia de esta elección en las estimaciones resultantes (ver Validación técnica). Si bien nos centramos en la estimación "baja" de los datos y resultados presentados en este manuscrito, el flujo de trabajo que desarrollamos puede adaptarse tanto a las estimaciones bajas como a las altas.

Para traducir las estimaciones del uso de pesticidas en tasas de aplicación promedio, fue necesario dividir los kg totales de pesticidas aplicados por el área de tierra a la que potencialmente se aplicaron. Los datos del área de cultivo se descargaron por última vez de la base de datos Quick Stats del USDA34 en mayo de 2020, utilizando archivos de datos descargados de la página del 'desarrollador'. Este conjunto de datos del USDA contiene estimaciones de superficie cultivada generadas a partir de dos fuentes: el Censo Agrícola (Censo), que es completo pero se realiza sólo una vez cada cinco años35 y la encuesta de cultivos realizada por el Servicio Nacional de Estadísticas Agrícolas (NASS), que es una encuesta anual. basado en una muestra representativa de agricultores en las principales regiones de producción para un subconjunto más limitado de cultivos36.

Traducir las tasas de aplicación de insecticidas en estimaciones de la carga tóxica de las abejas (dosis letales para las abejas melíferas/ha/año) requirió valores de toxicidad para cada ingrediente activo de insecticida en el conjunto de datos del USGS. Usamos valores de LD50 para la abeja melífera (Apis mellifera) porque esta es la especie de insecto terrestre estándar utilizada en los procedimientos regulatorios y, por lo tanto, tiene los datos más completos disponibles. Esta especie también es motivo de especial preocupación como importante proveedor de servicios de polinización para la agricultura. Como se informó anteriormente21, los valores de LD50 se derivaron de dos fuentes, la base de datos ECOTOX37 de la Agencia de Protección Ambiental de EE. UU. (US-EPA) y la base de datos de propiedades de pesticidas (PPDB)038. Se consultó a ECOTOX en julio de 2017, buscando todos los valores de LD50 para la abeja melífera (Apis mellifera) que se generaron en condiciones de laboratorio. Los valores de LD50 por contacto agudo y oral para la abeja melífera se registraron manualmente desde el PPDB en junio de 2018.

Mapear los pesticidas con el paisaje requiere datos de uso y cobertura del suelo que indiquen dónde se cultivan los cultivos. Utilizamos la capa de datos de tierras de cultivo (CDL) del USDA39, un conjunto de datos de cobertura terrestre con una resolución de 30 a 56 m producido mediante teledetección. Este conjunto de datos está disponible a partir de 2008 para los estados de los EE. UU. contiguos, y algunos estados (principalmente en el Medio Oeste y el Medio Sur) están disponibles desde principios de la década de 2000.

Un desafío importante en este esfuerzo de síntesis de datos fue relacionar las diversas fuentes de datos entre sí, dado que cada conjunto de datos tiene una nomenclatura y organización únicas. Creamos las siguientes claves (resumidas en la Tabla 3) para facilitar la unión de conjuntos de datos:

Claves de cultivos del USGS-USDA: utilizando documentación y metadatos asociados con el conjunto de datos de pesticidas del USGS31,33,40, creamos claves que relacionan los nombres de los cultivos encuestados del USGS (cultivos 'ePest') y las diez categorías de cultivos del USGS con la gran cantidad de superficie de cultivo correspondiente. elementos de datos en los conjuntos de datos del Censo y NASS. Para cultivos anuales y cultivos de heno utilizamos "acres cosechados" y para cultivos arbóreos utilizamos "acres productivos y no productivos". Estas elecciones se hicieron para maximizar la disponibilidad de datos y corresponder lo más estrechamente posible a la superficie de cultivo de la que se derivaron los datos sobre pesticidas31. Se desarrolló una clave separada para California porque los datos sobre pesticidas de California se derivan de diferentes fuentes y cubren una gama más amplia de cultivos.

Clave de compuesto USGS-CASRN: utilizando la documentación del USGS, así como información general sobre los ingredientes activos de los pesticidas38,41, generamos claves que relacionan los nombres de los ingredientes activos del USGS con los números de registro del Chemical Abstracts Service (CAS) para facilitar la comparación de compuestos con las bases de datos ECOTOX y PPDB.

Clave de categoría de compuestos del USGS: en esta clave clasificamos los ingredientes activos en grupos principales (insecticidas, fungicidas, nematicidas, etc.) y en clases de modo de acción con base en información de bases de datos de pesticidas y comités de acción de resistencia38,41,42 ,43,44.

Clave de compuestos USGS-USDA: para facilitar nuestro esfuerzo de validación de datos, generamos una clave que relaciona los nombres de compuestos del USGS con los nombres de compuestos del USDA, sobre la base de información de varias bases de datos de pesticidas38,41.

Claves de uso y cobertura del suelo del USGS-CDL: utilizando documentación del conjunto de datos de pesticidas del USGS que describe la composición de cultivos de cada una de las diez categorías de cultivos31, creamos una clave que relaciona estas categorías con las clases de cobertura del suelo en la CDL. Se desarrolló una clave separada para California dadas las diferencias en los cultivos estudiados en este estado, mencionadas anteriormente.

Debido a las diferencias en los cultivos incluidos en las estimaciones del uso de pesticidas, los datos de superficie cultivada se procesaron por separado para California y para todos los demás estados, y luego se volvieron a unir, de la siguiente manera: Los datos de superficie se filtraron primero para incluir sólo datos a nivel estatal, informando superficie anual total para los estados de los EE. UU. contiguos después de 1996. Los datos de superficie se unieron a la clave de cultivo apropiada del USGS-USDA y sólo se retuvieron aquellos cultivos representados en el conjunto de datos de pesticidas. Luego generamos un conjunto de datos de superficie con filas individuales para cada combinación de cultivo, estado y año utilizando datos del Censo cuando estaban disponibles (1997, 2002, 2007, 2012, 2017), datos de NASS en años no censales e interpolación temporal. para completar los valores faltantes restantes (es decir, interpolación lineal entre valores en el mismo estado y cultivo en los años circundantes más cercanos). Este proceso se repitió para California, utilizando datos de superficie cultivada únicamente para ese estado en combinación con la clave de cultivo de CA. Finalmente, los datos de superficie en los dos conjuntos de datos se recombinaron, se convirtieron a hectáreas y se sumaron por grupo de cultivos del USGS.

El procesamiento de los datos de toxicidad de las abejas melíferas se ha descrito en detalle en otro lugar21. Brevemente, los valores de toxicidad se clasificaron como de contacto, orales u otros y, cuando fue posible, se estandarizaron en µg/abeja. Se conservaron registros si representaban una exposición aguda (4 días o menos) para abejas adultas que representaran valores de LD50 por contacto o por vía oral en µg/abeja. Para generar una lista consensuada de valores de LD50 oral y de contacto para todos los insecticidas informados en el conjunto de datos del USGS, dimos preferencia a las estimaciones puntuales y a las estimaciones generadas a través de procedimientos regulatorios de EE. UU. o la UE, tomando una media geométrica si había varias estimaciones disponibles. Las estimaciones ilimitadas (“mayor que” o “menor que” algún valor) solo se utilizaron cuando no se disponía de estimaciones puntuales, utilizando el mínimo (para “menor que”) o el máximo (para “mayor que”). Si los valores de un compuesto no estaban disponibles en ambos conjuntos de datos, utilizamos el valor de toxicidad mediana para el grupo del modo de acción del insecticida. Y finalmente, en casos raros (n = 1/148 compuestos para toxicidad por contacto y 8/148 compuestos para toxicidad oral) todavía nos quedamos sin una estimación de la toxicidad para un insecticida en particular. En esos casos, utilizamos el valor medio para todos los insecticidas.

Los datos del USGS sobre la aplicación de pesticidas se combinaron con los datos sobre el área de cultivo. Las tasas promedio de aplicación de pesticidas se calcularon dividiendo los kg aplicados por el área de cultivo (ha) para cada combinación de compuesto, grupo de cultivos, estado y año.

El conjunto de datos del paso anterior se filtró para incluir solo insecticidas y luego se unió a los datos de LD50 por nombre de compuesto. La carga tóxica para las abejas asociada con cada ingrediente activo del insecticida se calculó dividiendo la tasa de aplicación por el valor LD50 oral o de contacto (μg/abeja) para generar una cantidad de dosis letales aplicadas por unidad de área. Luego, estos valores se sumaron en todos los compuestos para generar estimaciones de kg y carga tóxica para las abejas por ha para combinaciones de grupo de cultivo, estado y año.

Los valores faltantes se estimaron utilizando interpolación temporal, cuando fue posible (es decir, interpolación lineal entre valores en el mismo estado y grupo de cultivos en los años circundantes más cercanos). Este conjunto de datos finaliza en 2014 porque después de ese año los pesticidas aplicados a las semillas fueron excluidos de los datos fuente29, y constituyen una contribución importante a la carga tóxica de las abejas21.

Centramos la carga tóxica de las abejas en los insecticidas por tres razones. En primer lugar, la calidad de los datos de LD50 es más alta para los insecticidas y desigual para los fungicidas y herbicidas. Las estimaciones puntuales constituyen la mayoría de los valores de LD50 para insecticidas, mientras que < 25% de los valores de LD50 de herbicidas y fungicidas están representados por una estimación puntual (es decir, la mayoría de estos compuestos tienen una mejor estimación de la forma “> 100 µg/abeja”, aumentando la incertidumbre de las estimaciones posteriores). En segundo lugar, los insecticidas tienden a tener una mayor toxicidad aguda hacia los insectos que los fungicidas y herbicidas (mediana [IQR] LD50 = 100 [44–129] µg/abeja para fungicidas, 100 [75–112] µg/abeja para herbicidas y 1,36 [0,16] –12] µg/abeja para insecticidas). Como resultado, los insecticidas representan > 95% de la carga tóxica para las abejas a nivel nacional, incluso cuando se incluyen herbicidas y fungicidas (y aunque los insecticidas representan sólo el 6,5% de los pesticidas aplicados en términos de peso). En tercer lugar, centrar estos valores en los insecticidas aumenta su interpretabilidad, lo que refleja los esfuerzos dirigidos al manejo de plagas de insectos, en lugar de una combinación de manejo de plagas de insectos, malezas y hongos (que a menudo tienen dinámicas y limitaciones distintas para los agricultores).

Si bien elegimos incluir solo insecticidas en este valor agregado, los usuarios pueden ajustar el flujo de trabajo para incluir fungicidas y herbicidas si lo desean. Con este fin, proporcionamos nuestras mejores estimaciones de los valores LD50 para fungicidas y herbicidas en el conjunto de datos del USGS (Tabla 4).

Para generar tablas de reclasificación para la CDL, los conjuntos de datos de pesticidas descritos anteriormente se unieron por grupo de cultivos a las categorías de uso de la tierra de la CDL. El resultado de estos procesos fue un conjunto de tablas de reclasificación para combinaciones de compuesto, estado y año. También se generó un conjunto de tablas de reclasificación para el uso agregado de insecticidas para combinaciones de estado y año.

De las 131 categorías de uso de la tierra en la CDL, 16 representan dos cultivos cultivados secuencialmente en el mismo año (cultivos dobles, encontrados en ~2% de las tierras de cultivo de EE. UU. en 201245), lo que requirió una contabilidad modificada en nuestro flujo de trabajo. Las prácticas de uso de pesticidas en cultivos dobles no están bien descritas, pero un estudio sugirió que los gastos en pesticidas en la soja cultivada después del trigo eran similares a los gastos en pesticidas en la soja cultivada sola46. Por lo tanto, asumimos que el uso de pesticidas en cultivos dobles sería aditivo (por ejemplo, para un cultivo doble de trigo y soja, la estimación del uso anual de pesticidas se generó sumando el uso de pesticidas asociado con el trigo y la soja).

Los valores faltantes en las tablas de reclasificación se debieron a varios problemas distintos. Faltaban algunos valores porque un cultivo en particular no se incluyó en la encuesta sobre el uso de pesticidas subyacente (por ejemplo, la avena no se incluyó en la encuesta de Kynetec), o porque la categoría de uso de la tierra no era un cultivo en absoluto (por ejemplo, bosque caducifolio). Estos dos temas se indicaron con valores de '1' en las columnas denominadas 'no encuestados' y 'sin cultivos', respectivamente. Para cultivos dobles, un valor de 0,5 en la columna 'no encuestados' indica que uno de los cultivos fue encuestado y el otro no. Para conjuntos de datos específicos de compuestos, los valores faltantes pueden reflejar que un determinado compuesto no se utilizó en una combinación de año-grupo de cultivo estatal. Para el conjunto de datos agregados sobre insecticidas, incluso después de la interpolación faltaban algunos valores, generalmente cuando un estado tenía muy poca superficie de un cultivo o grupo de cultivos en particular.

Finalmente, los datos faltantes para cultivos dobles se trataron de manera ligeramente diferente en las tablas de reclasificación agregadas versus compuestas específicas. Para el conjunto de datos agregados sobre insecticidas, las estimaciones para cultivos dobles solo se incluyeron si las estimaciones estaban disponibles para ambos cultivos; de lo contrario, el valor se informó como faltante. Para los conjuntos de datos de compuestos específicos, se incluyeron estimaciones para cultivos dobles si había una estimación para al menos uno de los cultivos, ya que se pueden usar compuestos específicos en un cultivo pero no en otro.

Todos los archivos de datos generados en este trabajo están disponibles en formato .csv en figshare47. En la Tabla 4 se proporciona un resumen de los archivos de datos de salida.

Para evaluar la validez del conjunto de datos, comparamos nuestras estimaciones para compuestos específicos con las disponibles en el Programa de Uso de Productos Químicos Agrícolas del USDA48 para el período 1997-2017. Si bien este conjunto de datos no es tan completo como el conjunto de datos del USGS en términos de cobertura de estados, años, cultivos e ingredientes activos, los valores disponibles se pueden comparar con los valores del USGS para el total de kg aplicados y las estimaciones de kg/ha/año. . Una limitación importante de esta comparación es que el conjunto de datos del USDA no incluye pesticidas aplicados a semillas, lo que afecta la estimación de ciertos ingredientes activos de fungicidas e insecticidas29.

Para combinaciones de estado, cultivo e ingrediente activo, la encuesta del USDA informa varios valores que son relevantes para este esfuerzo: cantidad total (kg) de pesticida aplicado, porcentaje de área tratada y tasa de aplicación (kg/ha) en hectáreas tratadas. Las tasas de aplicación entre los dos conjuntos de datos no son directamente comparables porque el USDA informa la tasa (kg/ac) aplicada en acres tratados, mientras que nuestro conjunto de datos estima la tasa (kg/ha) promediada en toda el área de cultivo de un estado. Para probar la concordancia entre nuestras estimaciones y las estimaciones del USDA, comparamos:

Cantidad total aplicada (kg),

Tasa de aplicación (kg/ha) calculada dividiendo los kg totales del USDA por nuestra estimación del área de cultivo (ha) (Método 1),

Tasa de aplicación (kg/ha) derivada indirectamente multiplicando la tasa de aplicación promedio del USDA en acres tratados por el porcentaje del área tratada (Método 2).

Nos centramos en los principales cultivos extensivos (maíz, soja, trigo, algodón, arroz) porque son los más estudiados por el USDA y tienen la coincidencia más cercana uno a uno entre los conjuntos de datos. Sospechamos que las estimaciones del uso de fungicidas e insecticidas pueden ser más precisas en cultivos de frutas y hortalizas de alto valor, donde estos pesticidas se utilizan más ampliamente25,27,28. Sin embargo, los cultivos de frutas y verduras no pudieron incluirse en la validación porque las estimaciones son inconmensurables entre los dos conjuntos de datos: el USGS informa el uso de pesticidas para grupos de cultivos como "huertos y uvas", mientras que el USDA informa el uso de pesticidas en un pequeño subconjunto de cultivos individuales en la producción principal. estados (por ejemplo, manzanas en Washington).

Para cada conjunto de comparaciones, calculamos y visualizamos la diferencia porcentual relativa entre las dos estimaciones, visualizamos la correlación entre las estimaciones y calculamos los coeficientes de correlación de Spearman y Pearson para cada clase principal de pesticidas (fungicidas, herbicidas, insecticidas).

Las estimaciones de la cantidad total aplicada y la tasa de aplicación por hectárea estuvieron fuertemente correlacionadas para fungicidas y herbicidas, con coeficientes de correlación de Pearson > 0,85 para todas las comparaciones (Tabla 5, Fig. 2). Las estimaciones de insecticidas estaban bien correlacionadas sobre la base de rangos (rho de Spearman = 0,85), pero sólo débilmente relacionadas linealmente (r de Pearson = 0,20–0,38, Tabla 5, Fig. 2). Este patrón fue impulsado por el malatión en el algodón, que tenía estimaciones muy bajas en el conjunto de datos del USGS y estimaciones bastante altas en el conjunto de datos del USDA, por razones desconocidas. Es posible que esta discrepancia esté relacionada con el uso de malatión en la erradicación del picudo del algodón49. Una vez que se eliminaron estos valores atípicos (n = 30 de 1600 + observaciones), las estimaciones de insecticidas estuvieron bien correlacionadas para las tres comparaciones (r de Pearson > 0,75).

Correlación entre las estimaciones del uso de pesticidas del USDA y las estimaciones novedosas generadas a partir de los datos del USGS informados en este documento. La línea negra punteada muestra USDA = USGS. Para la tasa de aplicación, el Método 1 (M1) comparó nuestra estimación con una calculada dividiendo los kg totales del USDA por nuestra estimación del área de cultivo (ha), y el Método 2 (M2) comparó nuestra estimación con una calculada multiplicando la tasa de aplicación promedio del USDA. en hectáreas tratadas por el porcentaje del área tratada. Cada punto representa una combinación de estado, cultivo, año e ingrediente activo. Los valores atípicos (malatión en algodón [n = 30] y sulfato de cobre en arroz [n = 2]) se eliminaron antes de trazar.

Entre las categorías de pesticidas, la diferencia relativa mediana entre los conjuntos de datos basados en el USGS y las estimaciones del USDA fue la más pequeña para los herbicidas y la más grande para los insecticidas (Tabla 5). Para los fungicidas, la diferencia relativa mediana no difirió significativamente de cero en ninguna de las tres comparaciones, lo que indica una falta de sobreestimación o subestimación consistente. Para los herbicidas, la diferencia relativa mediana no fue significativamente diferente de cero para los kg totales o la tasa de aplicación (Método 1). Sin embargo, fue significativamente positivo para la tasa de aplicación (Método 2), lo que indica una tendencia a que la estimación basada en el USGS sea ligeramente mayor que la estimación basada en el USDA (diferencia media del 3%). Para los insecticidas, la diferencia relativa mediana fue significativamente menor que cero para todas las comparaciones (−10–14%), lo que indica que las estimaciones basadas en el USGS son conservadoras en comparación con las estimaciones del USDA. La diferencia relativa de la mediana disminuyó ligeramente cuando se eliminaron los valores atípicos del malatión (-8-12%), pero aún eran significativamente menores que cero. Este resultado puede derivarse del uso de valores de uso de pesticidas "bajos" del USGS (consulte Análisis de sensibilidad).

Es importante destacar que la diferencia relativa entre las estimaciones disminuyó con el porcentaje de área de cultivo tratada (Fig. 3), lo que sugiere que las estimaciones son más precisas para los ingredientes activos que se utilizan ampliamente. Este patrón puede ayudar a explicar por qué la diferencia relativa mediana entre los conjuntos de datos fue menor para los herbicidas y mayor para los insecticidas, dado que los cultivos de campo formaron la base de la validación. En cultivos extensivos, el uso de herbicidas está muy extendido mientras que el uso de insecticidas y fungicidas tradicionales es más limitado28. Desde mediados de la década de 2000, los insecticidas más ampliamente aplicados en cultivos extensivos han sido los tratamientos de semillas con neonicotinoides29,50, que están excluidos de la encuesta del USDA y, por extensión, de esta comparación. Trabajos anteriores50 sugieren que las estimaciones del USGS sobre el uso de neonicotinoides en los principales cultivos extensivos son consistentes con estimaciones independientes.

Relaciones entre el porcentaje de tierras de cultivo tratadas con un pesticida y la diferencia relativa entre las estimaciones del uso de pesticidas del USDA y las estimaciones novedosas generadas a partir de los datos del USGS informados en este documento. Cada punto representa una combinación de estado, cultivo, año e ingrediente activo. Diferencia relativa = [(USGS – USDA)/promedio de los dos valores] × 100. El Método 1 (M1) comparó nuestra estimación con una calculada dividiendo los kg totales del USDA por nuestra estimación del área de cultivo (ha), y el Método 2 ( M2) comparó nuestra estimación con una calculada multiplicando la tasa de aplicación promedio del USDA en hectáreas tratadas por el porcentaje del área tratada.

Para caracterizar la cobertura geográfica de nuestros conjuntos de datos, calculamos el porcentaje del área total de tierra y el área agrícola en cada estado que se incluye en la encuesta de uso de pesticidas subyacente, así como el porcentaje del área agrícola que está representada por una estimación específica de cultivo. (frente a una estimación para un grupo de cultivos como “hortalizas y frutas”). Para hacer esto, descargamos la CDL para todos los estados en años pares, calculamos el área en cada categoría de CDL, unimos los datos a la clave de uso/cobertura del suelo de CDL-USGS y agregamos el área dependiendo de si fue encuestada, no encuestada. , o no agrícolas. En la mayoría de los estados, la encuesta cubre > 95% de las tierras agrícolas (> 80% de las tierras agrícolas en todos los estados, Fig. 4). Los estados en el extremo inferior de este rango tienen una superficie significativa de cultivos de importancia regional aún no estudiados (por ejemplo, arándanos en Maine, arándanos en Massachusetts, semillas de pasto en Oregón). La mayor parte del área de cultivo está asociada con estimaciones de pesticidas específicos de cada cultivo, aunque esto no es cierto para todos los estados (Fig. 4). Los cultivos dobles contribuyeron <5% al área agrícola en la mayoría de los estados, excepto Carolina del Norte, Maryland y Delaware, donde comprendían entre el 5% y el 23% del área agrícola. Como se esperaba, la cobertura de la encuesta sobre la superficie terrestre total fue variable entre los estados, desde < 10% en estados dominados por bosques (por ejemplo, New Hampshire) o matorrales (por ejemplo, Nevada), hasta > 80% en estados con abundantes tierras de cultivo (por ejemplo, Iowa).

Cobertura de la encuesta sobre pesticidas para los 48 estados contiguos en años pares entre 2008 y 2016. (izquierda) Porcentaje de la superficie terrestre total representada por usos de la tierra encuestados, (centro) porcentaje de tierras de cultivo representadas por usos de la tierra encuestados (donde "encuestado" significa incluido en la encuesta sobre el uso de pesticidas subyacente) y (derecha) porcentaje de tierras de cultivo (excluidos los pastos) /heno) representado por una estimación específica de cada cultivo en la encuesta sobre el uso de pesticidas subyacente (las categorías específicas de cultivos incluían maíz, algodón, soja, alfalfa, trigo y arroz).

Realizamos varios análisis adicionales para cuantificar la sensibilidad de nuestros resultados a los métodos empleados para generar el conjunto de datos. Para probar la influencia del uso de la estimación baja versus alta de pesticidas del USGS, regeneramos el conjunto de datos usando la estimación alta y comparamos métricas de validación. De acuerdo con análisis anteriores33, la estimación alta del USGS tendió a exceder el valor del USDA, con diferencias relativas medianas de ~30% para fungicidas, 10 a 12% para herbicidas y 6 a 10% para insecticidas. Para todos los ingredientes activos combinados, las diferencias relativas medianas fueron del 10% al 12% para la estimación alta, frente al -0,1% al 1% para la estimación baja. Por lo tanto, la estimación baja estuvo más cerca del valor del USDA, excepto en el caso de los insecticidas, en los que la estimación baja subestimó el valor del USDA en un grado ligeramente mayor que la estimación alta lo superó. Sin embargo, las correlaciones entre las estimaciones del USDA y el USGS fueron igualmente fuertes independientemente de si se utilizó la estimación alta o baja (r de Pearson > 0,75 para todas las comparaciones), al igual que la correlación entre las estimaciones altas y bajas del USGS (r de Pearson = 0,95). Ambos hallazgos sugieren que los patrones relativos en los datos son sólidos.

Otra preocupación relacionada con la estimación baja versus alta de pesticidas del USGS es que los datos faltantes son más frecuentes en el conjunto de datos bajo. En todo el conjunto de datos específicos de compuestos, el 17 % de las combinaciones de cultivos, estados, años y compuestos que están presentes en el conjunto de datos alto están ausentes en el conjunto de datos bajo (consulte https://land-4-bees.github.io/bee_tox_index/ validación_low_v_high.html). Los datos faltantes son más frecuentes en la alfalfa y los pastos/heno (37% y 33%, respectivamente), usos de la tierra con una intensidad de uso de pesticidas generalmente baja26,51. Son menos prevalentes en hortalizas y frutas (7%), y en huertos y uvas (8%), tipos de cultivos de alto valor que tienden a tener una alta intensidad de uso de pesticidas26,27,52,53. Es importante reconocer que los datos faltantes pueden ser "reales", es decir, reflejar combinaciones de cultivos, estados y años en los que no se utilizó un pesticida determinado. No existe una forma sencilla de saber si este es el caso o si faltan datos debido a limitaciones en la metodología que genera las estimaciones (ver discusión adicional del USGS31). Dado que la estimación baja coincide mejor con las estimaciones independientes, decidimos centrar nuestros análisis en el conjunto de datos bajo. Dicho esto, el flujo de trabajo que proporcionamos se puede adaptar para generar estimaciones a partir de los valores altos o interpolar para completar los valores faltantes si así se desea (consulte el código en https://land-4-bees.github.io/bee_tox_index).

Para determinar la incertidumbre potencial introducida al interpolar el área de cultivo cuando faltaba, investigamos la cantidad de área total aportada por los valores interpolados en todo el conjunto de datos. En todos los años combinados, el área interpolada fue un pequeño porcentaje de la mayoría de los cultivos o grupos de cultivos (<4% del área total), con las excepciones de 'huertos y uvas' (76%), 'pastos y heno' (76%), y 'hortalizas y frutas' (36%). Las estimaciones de la superficie terrestre de estos grupos se basaron en gran medida en la interpolación entre años del censo. Confiamos en los valores interpolados porque son en su mayoría para cultivos perennes, por lo que es menos probable que la superficie cambie sustancialmente en menos de 5 años. Dicho esto, para obtener estimaciones más precisas del área de cultivo, recomendamos utilizar los conjuntos de datos de pesticidas que coincidan con los años del censo (1997, 2002, 2007, 2012, 2017).

También investigamos la influencia de los valores interpolados para los indicadores agregados de insecticidas. Si bien los valores interpolados ocuparon una proporción significativa del área agrícola encuestada (59%), contribuyeron <1,5% a la carga total de insecticida en kg o dosis letales para las abejas. Este patrón fue impulsado por una extensa interpolación para 'pastos y heno', una categoría de uso de la tierra que ocupa una superficie importante pero que normalmente tiene muy bajos aportes de insecticidas. Por el contrario, las categorías de uso de la tierra con fuertes insumos de insecticidas (por ejemplo, algodón, 'hortalizas y frutas', 'huertos y uvas') tuvieron poca o ninguna interpolación.

Uno de los principales objetivos de este proyecto fue desarrollar una metodología para generar mapas del uso previsto de pesticidas y la carga tóxica de las abejas. Proporcionamos dos funciones R (disponibles en el paquete 'beecoSp', https://github.com/land-4-bees/beecoSp) para reclasificar la cobertura del suelo en la tasa de aplicación de pesticidas prevista (kg/ha) para combinaciones de ingredientes activos. estados y años, o reclasificar la cobertura del suelo según la carga tóxica prevista para las abejas (LD50/ha de abejas melíferas) para todos los insecticidas combinados. La función 'reclasstables' facilita la creación de tablas de reclasificación para combinaciones particulares de estado-año a partir de los archivos maestros proporcionados aquí, mientras que la función 'CDL_reclass' utiliza dicha tabla de reclasificación para reclasificar un ráster de uso del suelo, con la opción de calcular la media de la nueva trama. Las entradas incluyen un archivo ráster de cobertura terrestre apropiado (de la CDL) y un archivo maestro de reclasificación apropiado de los que acompañan a este documento. En la Fig. 5 se muestran ejemplos del archivo de entrada y salida de mapas para un ingrediente activo particular y para la carga tóxica de las abejas. Alternativamente, para los usuarios interesados en realizar la reclasificación en otro programa SIG, se pueden generar tablas de reclasificación a partir de los conjuntos de datos producidos aquí o descargado del sitio web que se describe a continuación.

Mapas que ilustran la conversión de la cobertura terrestre a la carga paisajística prevista del uso de pesticidas agrícolas. Se muestran mapas de Pensilvania en 2012 que representan (a) un ráster de entrada de la capa de datos de tierras de cultivo y rásteres de salida que ilustran (b) la cobertura en el conjunto de datos de pesticidas subyacente, (c) la carga tóxica de las abejas para todos los insecticidas combinados según la toxicidad oral, (d) el insecticida imidacloprid, (e) el herbicida glifosato y (f) el fungicida mefenoxam. La resolución de los mapas se redujo para el trazado.

Para permitir a los usuarios explorar patrones de uso de insecticidas y descargar fácilmente tablas de reclasificación para la carga tóxica de las abejas, creamos un sitio web interactivo. El sitio web permite a los usuarios generar gráficos que describen las tendencias en el uso total y por hectárea de insecticidas a nivel nacional y estatal (en kg y dosis letales para las abejas por año) de 1997 a 2014 (pestaña 'Explorar'). También hay una sección del sitio web que permite descargar tablas de reclasificación para la carga tóxica de las abejas para combinaciones particulares de estado y año (pestaña 'Datos'). Se puede acceder a la aplicación en la siguiente URL: https://insecticideexplorer.shinyapps.io/insecticideexplorer/.

Los usuarios deben tener en cuenta varias limitaciones de estos datos. En primer lugar, las estimaciones del uso de pesticidas incluyen sólo los aplicados a tierras agrícolas y, por lo tanto, no tienen en cuenta las aplicaciones de pesticidas en otros usos de la tierra, es decir, áreas urbanas y no gestionadas. De manera similar, para cultivos menores (por ejemplo, frutas y verduras), las estimaciones del uso de pesticidas representan promedios ponderados para grupos de cultivos en lugar de estimaciones específicas de cultivos, y algunos cultivos no fueron encuestados y, por lo tanto, no se incluyen. La ponderación dentro de los grupos de cultivos está influenciada tanto por las áreas de cultivos contribuyentes en un estado y año en particular, como por sus correspondientes intensidades de uso de pesticidas. Si los usuarios tienen acceso a estimaciones independientes del uso de pesticidas para coberturas terrestres no agrícolas, cultivos no encuestados o cultivos incluidos en categorías más grandes, las tablas de reclasificación se pueden ajustar o complementar para representar mejor el uso de pesticidas en esas clases de cobertura terrestre.

En segundo lugar, estas estimaciones representan promedios de uso de pesticidas por año y estado de cultivo, no aplicaciones específicas de campo. Usamos datos agregados para predecir patrones de uso de pesticidas a escala más fina porque i) los datos sobre el uso de pesticidas a nivel de campo no están disponibles para la gran mayoría de los EE. UU., y ii) los grupos de cultivos, los estados y los años capturan una variación significativa en el uso de pesticidas25,26,27 ,28. Dicho esto, reconocemos que se desconoce la incertidumbre asociada con estas estimaciones a nivel de campo; Habrá variaciones locales significativas que no se reflejarán en estas estimaciones. Además, los mapas resultantes están limitados por la calidad de los datos de cobertura del suelo subyacentes, que son más precisos para cultivos de gran superficie y regiones de producción principales y menos precisos para cultivos y regiones de producción menores54,55. Por lo tanto, estas estimaciones y mapas asociados son más adecuados para aplicaciones en las que el objetivo es caracterizar o comparar patrones de uso de pesticidas en una escala espacial relativamente amplia (por ejemplo, comparar entre múltiples sitios dentro o entre estados y años donde los paisajes varían en la composición de los cultivos), y no son adecuados para aplicaciones en las que la precisión específica del sitio o a escala de campo es primordial (por ejemplo, predecir el uso de pesticidas en una granja individual). Advertimos contra la inferencia del uso de pesticidas en lugares específicos a partir de estos datos. Todavía es una pregunta abierta qué tan detallados deben ser los datos sobre el uso de pesticidas para dilucidar los vínculos entre polinizadores y pesticidas; Esperamos que los conjuntos de datos que proporcionamos permitan investigaciones que aclaren este problema.

En tercer lugar, la dimensión temporal de estas estimaciones está limitada por los datos de origen, que se informan anualmente y se completan solo hasta 2014, después del cual se excluyen los pesticidas aplicados a las semillas. La naturaleza anual de los datos limita su uso en evaluaciones de riesgos mecanicistas, que requieren información más específica sobre el sitio, el método y el momento de la aplicación. Una cuestión clave en la exposición de los polinizadores será el grado de superposición temporal de la aplicación de insecticidas y la persistencia de la actividad de los polinizadores dentro y alrededor de matrices contaminadas (por ejemplo, suelo para especies que anidan en el suelo, recursos florales)14. Dado el carácter anual de estos datos, esperamos que reflejen mejor el peligro para las especies que están activas durante una gran parte del año (por ejemplo, abejas, abejorros) y para compuestos con actividad sistémica o residual prolongada (por ejemplo, muchas aplicaciones de neonicotinoides). ). La exclusión de los tratamientos de semillas después de 2014, y en California durante todos los años, es problemática porque los pesticidas aplicados a las semillas son cada vez más frecuentes en la agricultura de EE. UU.29 y los neonicotinoides aplicados a las semillas representan el contribuyente más importante a la carga tóxica nacional de las abejas calculada con base en la toxicidad oral21,22 . Alentamos a los usuarios a investigar los patrones temporales en las estimaciones de uso para su área objetivo para determinar el rumbo más apropiado a seguir durante los años posteriores a 2014. En algunos casos, proyectar tasas de uso anteriores a años posteriores –aunque claramente imperfecto– puede ser la mejor opción disponible hasta Se dispone de datos públicos más válidos.

También existen limitaciones importantes relacionadas con la estimación de la "carga tóxica para las abejas" para todos los insecticidas combinados. Lo más obvio es que, debido a que se basan en unidades LD50 de abejas, estas estimaciones son más relevantes para las abejas y especies estrechamente relacionadas. La literatura sugiere que los patrones generales de toxicidad son similares entre las abejas melíferas y otras especies de abejas56, pero existe una variación significativa entre las especies, que es más pronunciada cuando se consideran taxones de insectos más distantes57,58. Si se desea una estimación cuantitativa de las dosis letales para otras especies de abejas, como mínimo, los usuarios deberían considerar ajustarlas según el peso corporal (las trabajadoras de las abejas pesan ~120 mg cada una59). Además, debido a que estas estimaciones se basan en la toxicidad aguda para las abejas melíferas adultas, no reflejan la toxicidad crónica ni los efectos en otras etapas de la vida, como las larvas. Depende del usuario decidir si la carga tóxica por contacto o por toxicidad oral, o la tasa de aplicación de ingredientes activos específicos, es la más apropiada para una aplicación determinada. Finalmente, debido a que sumamos todos los ingredientes activos, nuestra estimación no toma en cuenta la sinergia potencial entre ellos.

Y, por último, estas estimaciones representan la carga de pesticidas en el paisaje, pero no la persistencia o el movimiento en el medio ambiente. Estos datos podrían combinarse con información adicional para modelar el destino en el medio ambiente y la exposición de los organismos receptores.

Todo el procesamiento de datos se realizó en el lenguaje estadístico R60. El código está organizado en un flujo de trabajo que está documentado en el siguiente sitio web: https://land-4-bees.github.io/bee_tox_index/.

Calderone, NW Cultivos polinizados por insectos, insectos polinizadores y agricultura estadounidense: análisis de tendencias de datos agregados para el período 1992-2009. PLoS One 7, e37235, https://doi.org/10.1371/journal.pone.0037235 (2012).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Klein, A.-M. et al. Importancia de los polinizadores en los paisajes cambiantes de los cultivos mundiales. Actas de la Royal Society of London B: Biological Sciences 274, 303–313 (2007).

Google Académico

Ollerton, J., Winfree, R. y Tarrant, S. ¿Cuántas plantas con flores son polinizadas por animales? Oikos 120, 321–326 (2011).

Artículo de Google Scholar

Jordan, A., Patch, HM, Grozinger, CM y Khanna, V. Dependencia económica y vulnerabilidad del sector agrícola de los Estados Unidos del servicio de polinización mediada por insectos. Ciencia y tecnología ambientales 55, 2243–2253 (2021).

Artículo ADS CAS Google Scholar

Potts, SG y cols. Salvaguardar a los polinizadores y sus valores para el bienestar humano. Naturaleza 540, 220–229, https://doi.org/10.1038/nature20588 (2016).

Artículo ADS CAS PubMed Google Scholar

Cameron, SA y cols. Patrones de disminución generalizada de los abejorros norteamericanos. Actas de la Academia Nacional de Ciencias 108, 662–667, https://doi.org/10.1073/pnas.1014743108 (2011).

ADS del artículo Google Scholar

Bartomeus, I. et al. Cambios históricos en las abejas polinizadoras del noreste de EE. UU. relacionados con rasgos ecológicos compartidos. Actas de la Academia Nacional de Ciencias 110, 4656–4660, https://doi.org/10.1073/pnas.1218503110 (2013).

ADS del artículo Google Scholar

Wepprich, T., Adrion, J., Ries, L., Wiedmann, J. & Haddad, N. La abundancia de mariposas disminuye durante 20 años de monitoreo sistemático en Ohio, EE. UU. MÁS UNO 14, e0216270, https://doi.org/10.1371/journal.pone.0216270 (2019).

Artículo CAS PubMed PubMed Central Google Scholar

Vidal, O. & Rendón-Salinas, E. Dinámica y tendencias de colonias invernantes de la mariposa monarca en México. Conservación biológica 180, 165–175, https://doi.org/10.1016/j.biocon.2014.09.041 (2014).

Artículo de Google Scholar

Kulhanek, K. et al. Una encuesta nacional sobre las pérdidas anuales de colonias de abejas melíferas gestionadas en 2015-2016 en los EE. UU. Revista de Investigación Apícola 56, 328–340, https://doi.org/10.1080/00218839.2017.1344496 (2017).

Artículo de Google Scholar

Goulson, D., Nicholls, E., Botías, C. & Rotheray, EL Disminución de las abejas impulsada por el estrés combinado de parásitos, pesticidas y falta de flores. Ciencia 347, 1255957 (2015).

Artículo de Google Scholar

Stenoien, C. y col. Monarcas en declive: un efecto colateral a nivel de paisaje de la agricultura moderna. Ciencia de los insectos 25, 528–541, https://doi.org/10.1111/1744-7917.12404 (2018).

Artículo PubMed Google Scholar

Sanchez-Bayo, F. & Goka, K. Residuos de pesticidas y abejas: una evaluación de riesgos. MÁS UNO 9, e94482, https://doi.org/10.1371/journal.pone.0094482 (2014).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Patrocinador, DB et al. Pesticidas y polinizadores: una síntesis socioecológica. Ciencia del medio ambiente total 662, 1012–1027 (2019).

Artículo ADS CAS Google Scholar

Bohnenblust, EW, Vaudo, AD, Egan, JF, Mortensen, DA y Tooker, JF Efectos del herbicida dicamba en plantas no objetivo y visitas de polinizadores. Toxicología y química ambiental 35, 144–151, https://doi.org/10.1002/etc.3169 (2016).

Artículo PubMed Google Scholar

Lonsdorf, E. et al. Modelado de servicios de polinización en paisajes agrícolas. Anales de Botánica 103, 1589-1600, https://doi.org/10.1093/aob/mcp069 (2009).

Artículo PubMed PubMed Central Google Scholar

Kennedy, CM y cols. Una síntesis cuantitativa global de los efectos locales y paisajísticos sobre los polinizadores de abejas silvestres en agroecosistemas. Cartas de ecología 16, 584–599, https://doi.org/10.1111/ele.12082 (2013).

Artículo PubMed Google Scholar

Smith, D. y col. La contribución del cambio de cobertura terrestre a la disminución de la producción de miel en las Grandes Llanuras del Norte. Cartas de investigación ambiental 16, 064050 (2021).

ADS del artículo Google Scholar

Oberhauser, K. y col. Un modelo transnacional de población de mariposa monarca e implicaciones para las prioridades de conservación regionales. Entomología ecológica 42, 51–60, https://doi.org/10.1111/een.12351 (2017).

Artículo de Google Scholar

Greenleaf, SS, Williams, NM, Winfree, R. & Kremen, C. Rangos de alimentación de las abejas y su relación con el tamaño corporal. Ecología 153, 589–596 (2007).

ADS del artículo Google Scholar

Douglas, MR, Sponsler, DB, Lonsdorf, EV y Grozinger, CM El análisis a nivel de condado revela un panorama que cambia rápidamente en cuanto al peligro de los insecticidas para las abejas melíferas (Apis mellifera) en las tierras agrícolas de EE. UU. Informes científicos 10, https://doi.org/10.1038/s41598-019-57225-w (2020).

DiBartolomeis, M., Kegley, S., Mineau, P., Radford, R. y Klein, K. Una evaluación de la carga de toxicidad aguda por insecticidas (AITL) de pesticidas químicos utilizados en tierras agrícolas en los Estados Unidos. Más uno 14, e0220029 (2019).

Artículo CAS Google Scholar

Goulson, D., Thompson, J. & Croombs, A. El rápido aumento de la carga tóxica para las abejas revelado por el análisis del uso de pesticidas en Gran Bretaña. PeerJ 6, e5255, https://doi.org/10.7287/peerj.preprints.26856v1 (2018).

Artículo PubMed PubMed Central Google Scholar

Schulz, R., Bub, S., Petschick, LL, Stehle, S. y Wolfram, J. La toxicidad de los pesticidas aplicados se desplaza hacia plantas e invertebrados, incluso en cultivos transgénicos. Ciencia 372, 81–84 (2021).

Artículo ADS CAS Google Scholar

Meehan, TD y Gratton, C. Una asociación positiva constante entre la simplificación del paisaje y el uso de insecticidas en el medio oeste de EE. UU. de 1997 a 2012. Environmental Research Letters 10, 114001 (2015).

ADS del artículo 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. Actas de la Academia Nacional de Ciencias, 201620674 (2017).

Rosenheim, JA, Cass, BN, Kahl, H. & Steinmann, KP Variación en el uso de pesticidas entre cultivos en la agricultura de California: impulsores económicos y ecológicos. Ciencia del Medio Ambiente Total 733, 138683 (2020).

Artículo ADS CAS Google Scholar

Fernández-Cornejo, J. et al. Uso de pesticidas en la agricultura de EE. UU.: 21 cultivos seleccionados, 1960–2008 (ed. Servicio de Investigación Económica Departamento de Agricultura de EE. UU.) (2014).

Hitaj, C. y col. Sembrando incertidumbre: lo que sabemos y lo que no sabemos sobre la siembra de semillas tratadas con pesticidas. Biociencia 70, 390–403, https://doi.org/10.1093/biosci/biaa019 (2020).

Artículo de Google Scholar

Servicio Geológico de EE. UU. Proyecto de síntesis nacional de pesticidas, mapas anuales de uso de pesticidas: 1992–2012, https://water.usgs.gov/nawqa/pnsp/usage/maps/index.php (2019).

Baker, NT & Stone, WW Uso anual estimado de pesticidas agrícolas para los condados de los Estados Unidos contiguos, 2008–12. Informe No. 907, (Servicio Geológico de EE. UU., Reston, VA, 2015).

Departamento de Regulación de Pesticidas de California. Informe de uso de pesticidas (PUR), https://www.cdpr.ca.gov/docs/pur/purmain.htm (2021).

Thelin, GP & Stone, WW Estimación del uso anual de pesticidas agrícolas en los condados de los Estados Unidos contiguos, 1992–2009. 1–54 (2013).

USDA NASS. Estadísticas rápidas 2.0, http://quickstats.nass.usda.gov (2018).

USDA NASS. Censo de Agricultura, https://www.nass.usda.gov/AgCensus/ (2021).

USDA NASS. Encuesta agrícola, https://www.nass.usda.gov/Surveys/Guide_to_NASS_Surveys/Crops_Stocks/index.php (2021).

Agencia de Protección Ambiental de los Estados Unidos. Base de conocimientos ECOTOX, https://cfpub.epa.gov/ecotox/ (2017).

Universidad de Hertfordshire. Base de datos de propiedades de pesticidas, http://sitem.herts.ac.uk/aeru/ppdb/en/ (2017).

USDA NASS. Cropscape: capa de datos de tierras de cultivo, https://nassgeodata.gmu.edu/CropScape/ (2019).

Wieben, CM Uso anual estimado de pesticidas agrícolas por cultivo o grupo de cultivos principal para los estados de los Estados Unidos continentales, 1992–2017 (ver. 2.0, mayo de 2020), https://doi.org/10.5066/P9HHG3CT (2019).

Red de acción sobre plaguicidas. Base de datos de pesticidas PAN, https://www.pesticideinfo.org/ (2021).

Comité de Acción de Resistencia a Insecticidas. Clasificación del modo de acción del IRAC, https://www.irac-online.org/modes-of-action/ (2019).

Comité de Acción de Resistencia a Herbicidas. Búsqueda de clasificación global de herbicidas, https://hracglobal.com/tools/classification-lookup (2021).

Comité de Acción de Resistencia a los Fungicidas. Busque fungicidas para encontrar recomendaciones de FRAC, https://www.frac.info/fungicide-resistance-management/by-fungicide-common-name (2021).

Borchers, A., Truex-Powell, E., Wallander, S. y Nickerson, C. Prácticas de cultivos múltiples: tendencias recientes en doble cultivo. Informe No. 125, (USDA ERS, Washington, DC, 2014).

Marra, MC y Carlson, GA Doble cultivo de trigo y soja en el sureste. Informe No. 552, (USDA ERS, Washington, DC, 1986).

Douglas, MR Poniendo los pesticidas en el mapa para la investigación y conservación de polinizadores, Figshare, https://doi.org/10.6084/m9.figshare.c.5756747.v1 (2022).

USDA NASS. Programa de uso de productos químicos agrícolas, http://www.nass.usda.gov/Surveys/Guide_to_NASS_Surveys/Chemical_Use (2021).

Raszick, TJ Erradicación del picudo del algodón: una historia de éxito de la ciencia al servicio de la política y la industria. Anales de la Sociedad Entomológica de América 114, 702–708 (2021).

Artículo de Google Scholar

Douglas, MR & Tooker, JF La implementación a gran escala de tratamientos de semillas ha impulsado un rápido aumento en el uso de insecticidas neonicotinoides y el manejo preventivo de plagas en cultivos extensivos de EE. UU. Ciencia y tecnología ambientales 49, 5088–5097, http://www.ncbi.nlm.nih.gov/pubmed/25793443 (2015).

Artículo ADS CAS Google Scholar

Mineau, P. & Whiteside, M. La toxicidad aguda de los pesticidas es un mejor correlato de la disminución de las aves de los pastizales de EE. UU. que la intensificación agrícola. Más uno 8, e57457 (2013).

Artículo ADS CAS Google Scholar

Meehan, TD y Gratton, C. Una visión panorámica del uso de insecticidas agrícolas en los Estados Unidos contiguos desde 1997 hasta 2012. PLOS ONE 11, e0166724, https://doi.org/10.1371/journal.pone.0166724 (2016).

Artículo CAS PubMed PubMed Central Google Scholar

Osteen, CD & Fernandez-Cornejo, J. Cuestiones económicas y políticas de las tendencias en el uso de pesticidas agrícolas en Estados Unidos. Manejo de plagas. Ciencia. 69, 1001–1025, https://doi.org/10.1002/ps.3529 (2013).

Artículo CAS PubMed Google Scholar

USDA NASS. Capas de datos de CropScape y tierras de cultivo: preguntas frecuentes, https://www.nass.usda.gov/Research_and_Science/Cropland/sarsfaqs2.php (2021).

ERS del USDA. Metadatos de la capa de datos de tierras de cultivo, https://www.nass.usda.gov/Research_and_Science/Cropland/metadata/meta.php (2020).

Arena, M. & Sgolastra, F. Un metanálisis que compara la sensibilidad de las abejas a los pesticidas. Ecotoxicología 23, 324–334, https://doi.org/10.1007/s10646-014-1190-1 (2014).

Artículo CAS PubMed Google Scholar

Sanchez-Bayo, F. Modo de acción de los insecticidas en relación con su toxicidad para organismos no objetivo. Revista de Toxicología Analítica y Ambiental S4, 002 (2012).

Google Académico

Hardstone, MC y Scott, JG ¿Es Apis mellifera más sensible a los insecticidas que otros insectos? Manejo de plagas. Ciencia. 66, 1171-1180 (2010).

Artículo CAS Google Scholar

Humano, H. et al. Varios métodos estándar para la investigación de Apis mellifera. Revista de Investigación Apícola 52, 1–53, https://doi.org/10.3896/ibra.1.52.4.10 (2013).

Artículo de Google Scholar

R: Un entorno de lenguaje para la computación estadística http://www.R-project.org (Fundación R para la Computación Estadística, Viena, Austria, 2021).

Descargar referencias

Este trabajo fue apoyado por el Centro Nacional de Síntesis Socioambiental (SESYNC) con fondos recibidos de la Fundación Nacional de Ciencias (DBI-1639145) y por subvenciones de USDA-NIFA-AFRI (#2018-67013-27538), la Fundación para la Alimentación and Agriculture Research (#549032), y un acuerdo cooperativo de USDA-ERS (#58-30000-5-0037). También contó con el apoyo de Dickinson College a través de fondos del Comité de Investigación y Desarrollo y el Centro para la Educación en Sostenibilidad. Agradecemos a Nancy Baker y Wes Stone por su ayuda para interpretar los metadatos del USGS para los datos de origen de pesticidas, y a los miembros del grupo de trabajo 'Pesticidas y Polinizadores', quienes contribuyeron con valiosas sugerencias durante el desarrollo de este proyecto. Agradecemos a Karan Shakya y David Smith por su ayuda para crear varias claves.

Dickinson College, Departamento de Estudios y Ciencias Ambientales, Carlisle, Pensilvania, EE. UU.

Margaret R. Douglas, Paige Baisley y Sara Soba

Departamento de Agricultura de EE. UU., Servicio de Investigación Agrícola, State College, Pensilvania, EE. UU.

Melanie Kammerer

Universidad de Minnesota, Instituto sobre el Medio Ambiente, Saint Paul, Minnesota, EE.UU.

Eric Lonsdorf

Universidad Estatal de Pensilvania, Departamento de Entomología, Centro de Investigación de Polinizadores, State College, Pensilvania, EE.UU.

Cristina Grozinger

También puedes buscar este autor en PubMed Google Scholar.

Margaret R. Douglas ideó la estrategia de síntesis de datos, redactó la mayor parte del proceso de procesamiento de datos y redactó el manuscrito. Paige Baisley ayudó con la validación técnica. Sara Soba creó la aplicación web 'Insecticide Explorer'. Melanie Kammerer ayudó con el desarrollo de código y funciones. Eric V. Lonsdorf contribuyó a la lógica del proyecto y a la estrategia para reducir las estimaciones. Christina M. Grozinger trabajó con Douglas en el desarrollo conceptual de los objetivos generales del proyecto y su cartera de proyectos.

Correspondencia a Margaret R. Douglas.

Los autores declaran no tener conflictos de intereses.

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

Douglas, MR, Baisley, P., Soba, S. et al. Poner los pesticidas en el mapa para la investigación y conservación de polinizadores. Datos de ciencia 9, 571 (2022). https://doi.org/10.1038/s41597-022-01584-z

Descargar cita

Recibido: 21 de diciembre de 2021

Aceptado: 21 de julio de 2022

Publicado: 16 de septiembre de 2022

DOI: https://doi.org/10.1038/s41597-022-01584-z

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