Andy j   webinar crop models en andes
Upcoming SlideShare
Loading in...5
×
 

Like this? Share it with your network

Share

Andy j webinar crop models en andes

on

  • 581 views

 

Statistics

Views

Total Views
581
Views on SlideShare
565
Embed Views
16

Actions

Likes
0
Downloads
7
Comments
0

2 Embeds 16

http://dapa.ciat.cgiar.org 15
https://twitter.com 1

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment
  • Los escenarios de emisiones imponen condiciones para los modelos climáticos globales (basados en ciencias atmosféricas, química, física, biología, etc). Dividen el mundo el grillas y miran las relaciones entre factores que ocurren entre la atmósfera, los oceános, la superficie de la tierra. Por supuesto, hay cientos de procesos que salen de la comprensión de los modelos matemáticos así que estos modelos utilizan parametrizaciones para representar fenomenos incomprensibles. Son tan elaborados estos modelos que tienen que correrse en supercomputadoras. Entre más complejo sea el modelo, más factores tiene en cuenta y menos suposiciones usa. Se corre desde el pasado hasta el futuro
  • La contribución de la agricultura al PIB ha estado entre 10 y 14% en los últimos 14 años. 21% empleos
  • Can you please take area per altitude line out? This is very important is shows that there is no more area available further up and that coffee will compete even more with protected areas. PES discussion. If you cannot, explain to what does it pertain: current or 2050? It simply shows the area available at each altitude current and future. Just area per altitude.
  • The Decision Support System for Agrotechnology Transfer (DSSAT) is one of the most sophisticated crop simulation models currently available. Its advantages are the possibility to include specific information on weather, soils, plants, management and interactions of these factors. We ran DSSAT with available bean and maize variety calibration sets (2 fertilizer levels, 2 varieties, 2 soils, common smallholder conditions and management) to simulate current average yield and future expected yields. Results for current yields where ground-proofed through expert consultation throughout the region. In addition, field trials with recently introduced bean varieties with higher drought tolerance were conducted in order to obtain calibration data sets for more precise predictions.
  • We ran the model for all the four countries and mapped the results (in this case the differences between current and future (2020) bean production) for Central America. As we can see there are areas where yields will decrease dramatically whereas others are improving their production potential. The already described changes in climate conditions and their interactions with other location specific conditions determine crop production. Heat and drought stress and high night temperatures are the main culprits for these results. This is broadly sustained by scientific evidence. Some general findings are: Beans : Temperatures > 28/18 C (day/night) decrease biomass production, seed-set, seed number and size (less pods per plant, less seed per pod, lower seed weight) Elevated CO2 also decreased seed-set Elevated CO2 increased biomass, but benefits of elevated CO2 decreased with increasing temperatures Maize: High temperature stress decreases pollination and seed set in maize, mainly caused by decreased pollen viability and stigma receptivity High temperature stress decreases seed-set and kernel numbers per plant. High temperature stress also affects negatively kernel quality and density (protein, enzymes) Reproductive stages (pollen development, flowering, early grain filling) are relatively more sensitive to drought stress, drought decreases kernel number and dry weights. Maize needs 50% of the water in the period 10 days before to 20 days after initial flowering. Even with enough water temperature stress affects pollen development. Drought stress decreases kernels numbers and kernel size Higher night temperatures means higher losses from respiration thus biomass and yield losses From the DSSAT results we can now identify the different type of intervention areas in the region (next slide)
  • Downscaling es inevitable, aunque se evaluarán las limitaciones de los modelos. El foco principal es hacer un análisis de incertidumbres y

Andy j webinar crop models en andes Presentation Transcript

  • 1. Evaluando el impacto del cambio climático en la producción de cultivos en los Andes Andy Jarvis, Julian Ramirez, Anton Eitzinger Centro Internacional de Agricultura Tropical, CIAT
  • 2. Enfoque general • Existe concenso sobre el cambio en el clima global…pero no como cambiaria a nivel regional • Existen sólo algunos estudios en Latinoamérica… muchos de macro-escala • Zona Andina es de alta importancia y vulnerabilidad – Cultivos de ciclo corto de pancoger (arroz, maíz) – Ciclo corto y alta inversión (soya, hortalizas, flores) – Cultivos de alta inversión y alto valor (café, banano) • Urge una evaluación de impacto para establecer medidas – Impactos en producción – Impactos en economía regional
  • 3. Los modelos Climáticos globales son el único medio para predecir el clima a futuro. Usamos el pasado para predecir el futuro GCM “Global Climate Model”
  • 4. CCCMA-CGCM3.1 CSIRO-MK3.0 IPSL-CM4 MPI-ECHAM5 NCAR-CCSM3.0 UKMO-HADCM3 UKMO-HADGEM1 2050 A1B I N C E R T I D U M B R E S
  • 5. CCCMA-CGCM3.1 CSIRO-MK3.0 IPSL-CM4 MPI-ECHAM5 NCAR-CCSM3.0 UKMO-HADCM3 UKMO-HADGEM1 2050 A1B I N C E R T I D U M B R E S
  • 6. EcoCrop La base de datos se desarrolló en 1992 por Land and Water Development Division of FAO (AGLL) como una herramienta para identificar las especies de plantas de ambientes y usos determinados, tambien como un sistema de información que contribuya a un concepto de Ordenamiento Territorial. En octubre de 2000 Ecocrop ya está disponible online a través de: www.ecocrop.fao.org esta base de datos, ahora posee información mas de 2000 especies de plantas. En 2001 Hijmans desarrolló el modelo básico mecanístico (Tambien conocido como EcoCrop) para calcular el índice de adaptabilidad de los cultivos utilizando la base de datos Ecocrop de FAO en DIVA GIS. En 2011, el CIAT (Ramírez-Villegas et al.) Desarrolló aún más el modelo, proporcionando los procedimientos de calibración y evaluación.
  • 7. open Modelación de adaptabilidad con Ecocrop EcoCrop, originalmente por Hijman et al. (2001), se desarrolló aún más, proporcionando procedimientos de evaluación de la calibración y (Ramírez-Villegas et al. 2011). Se evalúa en base mensual si hay condiciones climáticas adecuadas dentro de un período de crecimiento de la temperatura y la precipitación ... ... Y calcula la idoneidad climática de la interacción resultante entre la precipitación y la temperatura ... Cómo funciona?
  • 8. • Base de datos con información de mas de 2000 especies.
  • 9. Qué pasa cuando corremos maxent? 12 potential growing seasons 1 kilometer grid cells (climate environments) La idoneidad de una ubicación (celda de la cuadrícula) para un cultivo se evalúa para cada una de las 12 posibles estaciones de crecimiento. Growing season 0 24 100 80
  • 10. Un análisis sectorial para Colombia
  • 11. Impactos en Colombia: cambio (%) en aptitud a nivel Nacional
  • 12. Cambios promedios en adaptabilidad por departamento
  • 13. Dos casos diferentes: Bolivar vs. Cauca
  • 14. • Estadisticas tradicionales o bioinspirados que relacionen clima con factores de cultivo – Ejemplo: productividad vs. Temperatura • Requiere muchos datos, y metodos complejos para combinar multiples variables • MAXENT • Métodos de máxima entropía son formas muy generales para predecir distribuciones de probabilidad Ante las limitantes en sus momentos • Predecir la distribución de especies con base en las co-variables ambientales : Maximización de la entropia • Basado en evidencia Metodos Empirico
  • 15. B 15 • Entrada: pruebas de cultivos (puntos GPS) • 19 variables bioclimáticas de corriente (WorldClim) y el clima futuro • salida: Probabilidad de distribución de cultivo (0 a 1) MaxEnt model
  • 16. Variables bioclimáticas para modelar maxent • Bio1 = Annual mean temperature • Bio2 = Mean diurnal range (Mean of monthly (max temp - min temp)) • Bio3 = Isothermality (Bio2/Bio7) (* 100) • Bio4 = Temperature seasonality (standard deviation *100) • Bio5 = Maximum temperature of warmest month • Bio6 = Minimum temperature of coldest month • Bio7 = Temperature Annual Range (Bio5 – Bi06) • Bio8 = Mean Temperature of Wettest Quarter • Bio9 = Mean Temperature of Driest Quarter • Bio10 = Mean Temperature of Warmest Quarter • Bio11 = Mean Temperature of Coldest Quarter • Bio12 = Annual Precipitation • Bio13 = Precipitation of Wettest Month • Bio14 = Precipitation of Driest Month • Bio15 = Precipitation Seasonality (Coefficient of Variation) • Bio16 = Precipitation of Wettest Quarter • Bio17 = Precipitation of Driest Quarter • Bio18 = Precipitation of Warmest Quarter • Bio19 = Precipitation of Coldest Quarter Temperaturas y precipitaciones mensuales
  • 17. Café – Resultados de maxent para Nicaragua
  • 18. B Results Variable Adjusted R2 R2 due to variable % of total variability Present mean Change by 2050s Locations with decreasing suitability (n=89.8 % of all observations) BIO 14 – Precipitación del mes más seco 0.0817 0.0817 24.8 24.49 mm -3.27 mm BIO 04 – Estacionalidad de temperatura 0.1776 0.0959 29.1 0.83 0.166 BIO 12 – Precipitación anual 0.2057 0.0281 8.5 2462.35 mm -24.31 mm BIO 11 - Temperatura media del cuarto más frío 0.2633 0.0576 17.5 20.11 ºC 1.86 ºC BIO 19 - Precipitación del cuarto más frío 0.2993 0.0155 4.7 169.13 mm -7.08 mm BIO 05 - Temperatura máxima del mes más cálido 0.3198 0.0102 3.1 28.45 ºC 2.30 ºC BIO 13 - Precipitación del mes más húmedo 0.2838 0.0205 6.2 450.27 mm 10.72 mm Otros - - 6.2 Cafe - Resultados de maxent para Nicaragua
  • 19. Decision Support System for Agro technology Transfer (DSSAT) +
  • 20. Results: yield change for year 2020 (Primera) – 8 trials Trial 3 – high performance / high impact Variety 1: ICTA-Ostua Soil 1: generic medium silty loam Fertilizer 2: 128 kg/ha 18-46-0 Fertilizer application on sowing and 64 kg/ha UREA at 22 to 30 days after germination Trial 7 – medium high performance / less impact Variety 1: ICTA-Ostua Soil 2: generic medium sandy loam Fertilizer 2: 128 kg/ha 18-46-0 Fertilizer application on sowing and 64 kg/ha UREA at 22 to 30 days after germination
  • 21. Valores positivos y negativos de los cambios estadísticos rendimiento previsto para el año 2020
  • 22. Resultados Sensibilidad Específico - Fríjol
  • 23. Resultados Sensibilidad Específico - Fríjol Evento extremo – lluvias
  • 24. Resultados Sensibilidad Específico - Ejemplo Pérdida de maíz en la sierra por sequía %perdidadeproduccion % deficiencia en agua
  • 25. Resultados Sensibilidad Específico - Avances Sequía vs agricultura de conservación
  • 26. • Downscaling is inevitable. • Continuous improvements are being done • Strong focus on uncertainty analysis and improvement of baseline data • We need multiple approaches to improve the information base on climate change scenarios Development of RCMs (multiple: PRECIS not enough) Downscaling empirical, methods Hybrids We tested different methodologies Conclusions climate data
  • 27. Conclusions crop models • Ecocrop, en casos de querer un imagen general, multi-cultivo y en ausencia de datos mas detallados • Maxent, bueno con cultivos perennes, donde hay buenos datos de evidencia de presencia • DSSAT, mas detallado y permite corrida de escenarios de adaptacion, disponible solo para algunos cultivos y requiere muchos datos de insumo • TODOS CON OPCIONES DE REPRESENTAR INCERTIDUMBRE Empirical models Mechanistic models
  • 28. Modelacion de cultivos en los Andes
  • 29. Hemos escuchado…. • De incertidumbre de pronosticos climaticos • De incertidumbre en modelos de cultivo y su caracterizacion de los procesos fisiologicos • Pero igual, ejemplos de uso de modelacion para predicir plausibles impactos de cambio climatico a nivel de cultivo • Y recomendaciones utiles para tomadores
  • 30. Incertidumbre en modelos de cultivo: GLAM, Ecocrop, Aquacrop, DSSAT, APSIM…. • No existe un mejor modelo. Existen diferentes tipos de modolo, con diferentes habilidades para representar el mundo • Agrupaciones generales: – Mecanistico – Nichos/zonificacion – Empirico
  • 31. Gradientes altitudinales: Algo sencillo en los Andes • Gradientes altitudinales son gradientes de temperatura • Si temperatura sube (baja incertidubmre), pisos termicos suben en la montana • Tenemos ejemplos muy claros en café…
  • 32. Suitability in Cauca • Significant changes to 2020, drastic changes to 2050 • The Cauca case: reduced coffeee growing area and changes in geographic distribution. Some new opportunities. MECETA
  • 33. No regret Transformational Change Bottom-up Incremental Adaptation High certainty Transformational Change
  • 34. Decisiones bajo incertidumbre • Investigacion tiene que seguir trabajando en la reduccion de incertidumbre: – Mejores modelos – Metodos robustos que cuantifica incertidumbre – Seleccion apropriado del metodo de acuerdo al problema/pregunta investigativo • Pero igual comunicar resultados de una forma que permite tomar decisiones bajo contexto de incertidumbre