Navarro C Modelacion Climática Cambio Climático & Agricultura

1,046 views
938 views

Published on

201405
Clase Universidad Nacional - Cambio Climático y Agrobiovdiversidad

Published in: Environment
0 Comments
2 Likes
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
1,046
On SlideShare
0
From Embeds
0
Number of Embeds
160
Actions
Shares
0
Downloads
70
Comments
0
Likes
2
Embeds 0
No embeds

No notes for slide
  • Carlos Navarro
  • - Además del CC
    - Ultimo siglo 1000  7000 millones!
    + personas  impacto medio ambiente  huella de carbono
  • + 2000-3000 mas en 2050 (~9000 millones)
    Producir 60 a 70%
    Agricultura más díficil
  • Misma tierra, + producción
    Expansión agrícola --> Impacto, e.g. deforestación
    Tierra limitada, otros recursos limitados.
  • Camilo Barrios
  • Verdad: no hay forma de saberlo actualmente

    2030 limite de corto plazo para adaptación… impactos no muy severos esperados
    2050 límite crítico para políticas de adaptación y mitigación
    >2050 son irrelevantes para la toma de decision en agricultura

    Importancia
    Nichos de muchas especies podrían cambiar
    Capacidad de los ecosistemas de absorber estas perturbacioensz
  • Agricultura es una industria de nicho
    Los cultivos son suprememente sensibles a sus condiciones climaticos
    Necesitamos como minimo datos mensuales
    Hay alta incertidumbre en proyecciones de temperatura.
  • Las mediciones de tiempo para un sitio determinado menudo no están disponibles debido a que (1) no hay ninguna estación meteorológica, (2) las estaciones meteorológicas no están en buen estado para que los datos son o bien sólo está disponible por un corto período, o contienen lagunas, (3) Los datos recogidos no son correctamente almacenados, (4) los datos no pasan los controles de calidad básicos, y / o (5) el acceso a los datos está restringido mediante la celebración de las instituciones (Fig. 1). Esto limita aún más los análisis de impacto agrícola, destacando la importancia de que los datos públicos. Aparte de las limitaciones relacionadas con el acceso y la ubicación de las estaciones meteorológicas, probablemente la cuestión más importante en relación con los datos de clima es la calidad (Begert et al, 2008;. DeGaetano, 2006) (Fig. 1), que también afecta en gran medida el rendimiento de los modelos de impacto. Por lo tanto, la comunidad del clima y la agricultura se ha centrado en parte en el desarrollo de métodos, ya sea para llenar lagunas de datos temporal o espacial, y en el uso de estos métodos para el desarrollo de conjuntos de datos mundiales o regionales con acceso público (Hijmans et al, 2005;. Jones y Thornton, 1999; Soltani et al., 2004). Sin embargo, las incertidumbres en los conjuntos de datos globales derivados de los métodos de interpolación han sido apenas (si en absoluto) estimado (Buytaert et al, 2009;. Challinor y Wheeler, 2008;. Soria-Auza et al, 2010). Los investigadores que utilizan conjuntos de datos globales y cualquier estación meteorológica fuente Fig. 1. deben ser conscientes de estos problemas y debe tener esto en cuenta al probar la sensibilidad de sus enfoques a los problemas de exactitud (es decir, falta de homogeneidad, discontinuidades) y (si es posible) que proporcionan resultados dentro del rango de incertidumbre en los datos de entrada (es decir, como la salidas de los métodos de interpolación validados cruz) (Challinor et al., 2005).
  • En los últimos 10 años,
    combinación de datos de estaciones meteorológicas, datos de satélite y modelos de predicción numérica del tiempo, además de los métodos de interpolación, o en la planta aplicación de modelos climáticos.
    El uso de estos conjuntos de datos para los propósitos de modelado agrícolas es bastante limitado para una o más de las siguientes razones: Aparte de las limitaciones relacionadas con el acceso y la ubicación de las estaciones meteorológicas, probablemente la cuestión más importante en relación con los datos de clima es la calidad, que también afecta en gran medida el rendimiento de los modelos de impacto.
  • Issues
    Son datos ppalmente de estaciones en aeropuerto y no reporta correctamente valores 0 de precipitacion
    Del potencial de estaciones hay muy pocas que reporta el NCDC
  • Superficies mensuales para prec, tmean, tmin y tmax.
    Compilación de registros nivel, local, regional, nacional.
    Interpolación 1km usando Latitud, longitud, elevación como variables independientes
    Calidad.. Depende de ρ y topografía

    GHCN (Global Historical Climatology Network),
    FAOCLIM,
    WMO Climatological Normal (CLINO)
    Centro Internacional de Agricultura Tropical (CIAT, )
    R-Hydronet
  • http://www.ipcc-data.org/ddc_climscen.html
  • http://www.ipcc-data.org/ddc_climscen.html
  • http://www.ipcc-data.org/ddc_climscen.html
  • Necesidades
    1) Cualquier agroecosistema responde a:
    Factores antropogénicos, Bioticos, Abióticos
    2) Cálculos de vulnerabilidad
    Desarrollar modelos → Conocer incertidumbres → Planes de acción → Generación de políticas
     
    Limitaciones
    1) Modelos todavía no pueden representar cientos de procesos de forma adecuada
    2) Resoluciones de modelos inadecuadas: Se requieren modelos con escalas finas.
    3) Incertidumbres: futuras emisiones f(suposiciones concentraciones, población, desarrollo económico, tecnológico)
  • Fuerzas sobre emisiones futuras
    Representan nuestra capacidad de respuesta (mitigación)… desarrollo tecnológico, sostenibilidad ambiental

    A1B : Rápido crecimiento económico y demográfico con pico a ½ siglo
    A2 : Crecimiento económico regional y lento, población en contínuo crecimiento
    B1 : Población A1 pero con introducción de tecnologías limpias
    B2 : Desarrollo económico intermedio y regional, crecimiento poblacional menor.

    Son plausibles
  • 1) Escenario condicionan GCMs
    Mundo el grillas
    Parametrizaciones (fenómenos incomprensibles)
    + complejo, menos suposiciones
    Se corre desde el pasado hasta el futuro

    Cambios antropogénicos llevan a cambios atmosféricos
    Crecimiento poblacional + Expansion industrial + Tecnologias no amigables = gases de efecto invernadero

    6 oC en 2100
    Sin precedentes… necesitamos los modelos..
  • http://www.ipcc-data.org/ddc_climscen.html
  • http://www.ipcc-data.org/ddc_climscen.html
  • Muchos niveles verticales

    Orografía compleja, línea costas.
  • GCMs y Resoluciones
    Difieren en

    Formulación (ecuaciones)
    Resolución
    Entradas
    Precisión
    Disponibilidad
    Proyectan diferentes patrones y magnitudes para un mismo periodo.

    Incertidumbre
    Amplio rango de GCMs
  • Calibrados desde el pasado

  • Sin duda el mayor problema es la resolución.
  • Características del clima no observables en los GCMs
    Temperaturas frias de los alpes
    Amplio rango de temperaturas

    Corrección Bias
    Muchos cultivos son sensibles a umbrales de T

  • Superficies mensuales para prec, tmean, tmin y tmax.
    Interpolación 1 km de resolución
    Calidad.. Depende de ρ y topografía
  • Calcula (deltas o anomalías) que luego se suman a la línea base
    Usado en mayoría de estudios de CC.
  • Factor de cambio
  • No reemplazan a los GCMs, añaden detalles
    Área limitada
    Integraciones en áreas intermedias de los GCMs
  • Dowscaling estadístico > Resoluciones (Se puede llegar incluso a 1km de resolución, 30seg)
    Aplicable a todos lo GCMs
    Rápidos de implementar
    < Variables

    Downscaling Dinámico + Robustos
    Depende de GCMs disponibles
    > Variables
    Mucho procesamiento y almacenamiento
    Más difícil el tema de incertidumbres
  • Cuantificación de rendimientos en base a modelos climáticos

    Cascada de incertidumbres

    Corto plazo: casi toda variabilidad interna de las tendencias climaticas

    Largo plazo: + importante emisiones

    > Método de calibración (corrección del sesgo)…. Más grande que la eleccion del scenario
    Muy similar a la elección de la respuesta del modelo
  • Correlacion En comparación con las observaciones….
  • Camilo Barrios
  • Difieren en escala espacio-temporal
  • Basado en conocimiento de experto
    Superficies de clima WC
    Trabaja con rangos absolutos y óptimos de temperatura y precipitación en los cuales el cultivo se desarrolla. Luego busca las condiciones climáticas adecuadas dentro de un periodo de crecimiento.
    Produce un índice de idoneidad del cultivo en condiciones de prec y temperatura y luego arroja un índice de la interacción resultante entre las dos variables.
  • Limitaciones actuals del cultivo de yucca
    1 a 2 deg de aumento
  • Mejor adaptabilidad
    Producto sustituto
    Mas resistente a calor y sequía
    Asegurar seguridad alimentaria
  • DSSAT
    Diferencias cambios Producción frijol – maíz (2020s)
    Resultados modelación 4 países
    Zonas donde la producción se reducirá drásticamente
    Otros están mejorando su potencial de producción. 

    frijol
    > T decrecimiento en la producción de biomasa, 
    # el numero y tamaño de las semillas (menos vainas por planta)
     
    maíz:
    > temperatura, número de nucleos por planta
    El estrés hídrico reduce el número y tamaño de granos.
  • Clima afecta multiples factores, deben ser considerados

    Fechas de siembra
    Duracion de la termporada de crecimiento
    Aparición de plagas y enfermedades
    Afecta otros factores no climaticos que alteran cultivos (i.e. suelos)

    Fisiología
    Fases de desarrollo
  • Usando proyecciones climaticas downscaled

    Patrones de clima similar en localidades diferentes y tiempos diferentes
    Apoyar la transferencia de medidas de adaptación entre sitios similares en clima.

    Compara localidades P y T… pero diseñado para (suelos, condiciones sociales y/o economicas)
  • Linkear
    Cambios en adaptabilidad
    Testimonials from farmers in the area of interest
    Descripciones de los sitios

    Will be linked to Agtrials and the Analogue tool.
  • Linkear
    Cambios en adaptabilidad
    Testimonials from farmers in the area of interest
    Descripciones de los sitios

    Will be linked to Agtrials and the Analogue tool.
  • Navarro C Modelacion Climática Cambio Climático & Agricultura

    1. 1. Modelación Climática; Cambio Climático & Agricultura Carlos Navarro J. Ramirez, A. Jarvis, C. Cardozo
    2. 2. Introducción Breve sobre seguridad alimentaria Parte I Datos climáticos históricos, disponibilidad y dificultades Parte II Proyecciones Climáticas Futuras para Agricultura Parte III Cómo cuantificar impactos sobre agricultura? Parte IV Bases de Datos CIAT & OpenData Sources Conclusiones & Práctica Contenido
    3. 3. Garantizar la Seguridad alimentaria
    4. 4. … con menos agua, tierra y recursos
    5. 5. ¿Qué condiciones tendremos en 30, 50, 100 años? • ¿Cómo responderán nuestros sistemas a estas condiciones? • ¿Cuándo, dónde, y qué tipo de cambio se requiere para adaptar? • ¿Quién debe planear? ¿Quién debe ejecutar?
    6. 6. – Múltiples variables – Muy alta resolución espacial (1 km, 90m??). – Alta resolución temporal (i.e. mensual, diaria). – Alta certidumbre , previsiones precisas del tiempo y las proyecciones climáticas. • Tanto para presente como para futuro. –T° • Max, • Min, • Media –Prec –HR – Radiacion – Vientos – ……. Menosimportantes Mascertidumbre
    7. 7. Parte I Datos Climáticos Históricos ¿De dónde puedo obtener Información Climática? Fuentes / Métodos / Problemas
    8. 8. Ramírez-Villegas and Challinor, 2012 Entendiendo el Problema… (1) No hay ninguna estación meteorológica (2) Las estaciones meteorológicas no están en buen estado (periodos cortos, gaps). (3) Los datos no están correctamente almacenados (4) Los datos no pasan los controles de calidad básicos (5) El acceso a los datos está restringido.
    9. 9. Figure 1 Frequency of use of the different data sources in agricultural studies based on a review of 247 recordings from published studies (taken from a comprehensive data use survey) (Ramirez-Villegas and Challinor 2012) Qué opciones tengo? Problemas de exactitud (es decir, falta de homogeneidad, discontinuidades) 1. Time-step largo (mensual en el mejor de los casos) 2. Cobertura temporal se limita a un promedio de varios años 3. Su resolución espacial es demasiado gruesa; 4. Su cobertura geográfica no es la suficiente 5. Sólo ciertas variables (es decir, temperaturas, precipitaciones). Necesitamos otras en agrícultura.
    10. 10. GHCN (Global Historical Climatological Network) • Very robust weather station dataset (NOAA) • Used for many studies: – WorldClim – CRU datasets – Hockey-stick warming trend analysis
    11. 11. GHCN (Global Historical Climatological Network) http://gis.ncdc.noaa.gov/map/viewer
    12. 12. GSOD (Global Summary of Day) • Version 8 - Over 9000 Worldwide Stations - Updated Daily • Some issues Mean temperature (.1 Fahrenheit) Mean dew point (.1 Fahrenheit) Mean sea level pressure (.1 mb) Mean station pressure (.1 mb) Mean visibility (.1 miles) Mean wind speed (.1 knots) Maximum sustained wind speed (.1 knots) Maximum wind gust (.1 knots) Maximum temperature (.1 Fahrenheit) Minimum temperature (.1 Fahrenheit) Precipitation amount (.01 inches) Snow depth (.1 inches)
    13. 13. Weather Stations GHCN* /GSOD in CA * GHCN not adjusted
    14. 14. Estaciones x variable: • 47,554 precipitación • 24,542 tmean • 14,835 tmax y tmin -30.1 30.5 Mean annual temperature (ºC) 0 12084 Annual precipitation (mm) WorldClim Fuentes: •GHCN •FAOCLIM •WMO •CIAT •R-Hydronet •Redes nacionales
    15. 15. http://www.worldclim.org/
    16. 16. http://srtm.csi.cgiar.org/
    17. 17. http://www.cru.uea.ac.uk/
    18. 18. Stations included in WorldClim in CA
    19. 19. Annual Precipitation Patterns & Stations (WorldClim CA) CIAT GHCN FAO WMO Fonts
    20. 20. CIAT GHCN FAO WMO Fonts Annual Mean Temperature Patterns & Stations (WorldClim CA)
    21. 21. Densidad de Estaciones WCL por País en CA 0 0.002 0.004 0.006 0.008 0.01 0 0.002 0.004 0.006 0.008 0.01 DensityoftheTemperatureStations Density of the Rainfall Stations 0 0.08 Series3 Series4 Series5 Belice Costa Rica El Salvador Guatemala Honduras Nicaragua Panamá Linear (0 0.08) Linear (Series3) Linear (Series5) Linear (Series5) Flattopography(WMO) Flat topography (WMO) Suficiente detalle? WMO Guidelines Topografía Plana 1 Station by 250 Km2 Topografía Montañosa 1 Station by 25 Km2
    22. 22. Densidad de Estaciones por País en CA WordlClim + Insituciones Nacionales 0 0.002 0.004 0.006 0.008 0.01 0 0.002 0.004 0.006 0.008 0.01 DensityoftheTemperatureStations Density of the Rainfall Stations 0 0.08 Series3 Series4 Series5 Belice Costa Rica El Salvador Guatemala Honduras Nicaragua Panamá Linear (0 0.08) Linear (Series3) Linear (Series5) Linear (Series5) 0 0.002 0.004 0.006 0.008 0.01 0 0.002 0.004 0.006 0.008 0.01 DensityoftheTemperatureStations Density of the Rainfall Stations 0 0.08 Series3 Series4 Series5 Belice Costa Rica El Salvador Guatemala Honduras Nicaragua Panamá Linear (0 0.08) Linear (Series3) Linear (Series5) Linear (Series5) WMO Guidelines Topografía Plana 1 Station by 250 Km2 Topografía Montañosa 1 Station by 25 Km2 Podemos mejorar? Flattopography(WMO) Flat topography (WMO)
    23. 23. Podemos mejorar? La calidad de la interpolación es muy baja cuando la cantidad de estaciones es limitada.
    24. 24. Un caso de estudio… Análisis multi-escalar de vulnerabilidad al cambio climático de ecosistemas terrestres prioritarios y estrategias de vida de la población rural en la zona central de la Sierra Madre Oriental, retroalimentar y desarrollar herramientas para la toma de decisión sobre diseño e implementación de medidas de adaptación + =
    25. 25. CRU-TS CRU-TS v3.20 Historic Climate Database for GIS Harris, I., Jones, P.D., Osborn, T.J., and Lister, D.H., 2013 Label Variable cld cloud cover dtr diurnal temperature range frs frost day frequency pre precipitation tmp daily mean temperature tmn monthly average daily minimum temperature tmx monthly average daily maximum temperature vap vapour pressure wet wet day frequency • High Resolution Grids • 0.5 degree • Month-by-month variation in climate over the last century or so • Latest generate over 1901-2011
    26. 26. Información Satelital: TRMM TRMM 3B43 Characteristics Temporal Coverage Start Date: 1998-01-01; Stop Date: - Geographic Coverage Latitude: 50°S - 50°N; Longitude:180°W - 180°E Temporal Resolution Monthly Horizontal Resolution 0.25° x 0.25°; nlat = 400, nlon = 1440 Average File Size Compressed: ~4.95 MB; Original: ~4.95 MB File Type HDF Resolución espacial (~ 28 km), TRMM tiende a sobreestimar precipitación real (aunque la distribución espacial de la precipitación es bastante bueno).
    27. 27. Un caso de estudio… “En regiones con una alta densidad de estaciones de superficie, no se encontraron mejoras significativas en el producto de combinación (donde de hecho hay poca contribución de TRMM) en simplemente la interpolación de las observaciones existentes (OBS90). Sin embargo, los análisis resultantes sobre las regiones de baja densidad de observación (al oeste de 568W) muestran sustancial mejora en el producto MERGE en comparación con OBS90. MERGE ha demostrado ser una herramienta valiosa en el análisis de una rejilla regular para su uso en la evaluación de los resultados del modelo” Combining TRMM and Surface Observations of Precipitation: Technique and Validation over South America J. Rozante and D. Moeira, 2010
    28. 28. Y qué acerca del futuro? Ramírez-Villegas and Challinor, 2012
    29. 29. Necesidades Limitaciones
    30. 30. Económico Ambiental Global Regional PESIMISTA “Bussiness as usual” OPTIMISTAMundo perfecto Intermedio P E P E P E P E Los Escenarios de Emisión IPCC, 2007
    31. 31. Variaciones en la temperatura de la superficie de la tierra: de 1000 a 2100 Qué es lo que dicen los modelos?? Cambios antropogénicos llevan a cambios atmosféricos Concentraciones Atmosféricas Los GCMs son la única manera en que podemos predecir el clima a futuro
    32. 32. http://www.ipcc-data.org/ddc_climscen.html
    33. 33. http://pcmdi3.llnl.gov
    34. 34. IPCC CMIP5 Transición a nuevos Escenarios… • Representative Concentration Pathways (RCPs) • Más y mejores modelos (i.e. mayor resolución). R. Knutti, J. Sedlácek, 2012 Global temperature change and uncertainty (mean and one standard deviation as shading) relative to 1986–2005
    35. 35. En la agricultura, los diferentes escenarios de emisiones no son importantes… de aqui a 2030 la diferencia entre escenarios es minima J. Rogelj et al, 2012
    36. 36.  Escala global Pero..  Escala regional o local Dificultad 1. Acerca de la resolución • Resolución horizontal 100 a 300 km • 18 y 56 niveles verticales. Mezcla de Resoluciones Baja Resolución Model Country Atmosphere Ocean BCCR-BCM2.0 Norway T63, L31 1.5x0.5, L35 CCCMA-CGCM3.1 (T47) Canada T47 (3.75x3.75), L31 1.85x1.85, L29 CCCMA-CGCM3.1 (T63) Canada T63 (2.8x2.8), L31 1.4x0.94, L29 CNRM-CM3 France T63 (2.8x2.8), L45 1.875x(0.5-2), L31 CSIRO-Mk3.0 Australia T63, L18 1.875x0.84, L31 CSIRO-Mk3.5 Australia T63, L18 1.875x0.84, L31 GFDL-CM2.0 USA 2.5x2.0, L24 1.0x(1/3-1), L50 GFDL-CM2.1 USA 2.5x2.0, L24 1.0x(1/3-1), L50 GISS-AOM USA 4x3, L12 4x3, L16 GISS-MODEL-EH USA 5x4, L20 5x4, L13 GISS-MODEL-ER USA 5x4, L20 5x4, L13 IAP-FGOALS1.0-G China 2.8x2.8, L26 1x1, L16 INGV-ECHAM4 Italy T42, L19 2x(0.5-2), L31 INM-CM3.0 Russia 5x4, L21 2.5x2, L33 ….
    37. 37. Dificultad 2. Disponibilidad de datos WCRP CMIP3 A1B-P A1B-T A1B-Tx A1B-Tn A2-P A2-T A2-Tx A2-Tn B1-P B1-T B1-Tx B1-Tn BCCR-BCM2.0 OK OK OK OK OK OK OK OK OK OK OK OK CCCMA-CGCM3.1-T63 OK OK NO NO NO NO NO NO OK OK NO NO CCCMA-CGCM3.1-T47 OK OK NO NO OK OK NO NO OK OK NO NO CNRM-CM3 OK OK NO NO OK OK NO NO OK OK NO NO CSIRO-MK3.0 OK OK OK OK OK OK OK OK OK OK OK OK CSIRO-MK3.5 OK OK OK OK OK OK OK OK OK OK OK OK GFDL-CM2.0 OK OK OK OK OK OK OK OK OK OK OK OK GFDL-CM2.1 OK OK OK OK OK OK OK OK OK OK OK OK GISS-AOM OK OK OK OK NO NO NO NO OK OK OK OK GISS-MODEL-EH OK OK NO NO NO NO NO NO NO NO NO NO GISS-MODEL-ER OK OK NO NO OK OK NO NO OK OK NO NO IAP-FGOALS1.0-G OK OK NO NO NO NO NO NO OK OK NO NO INGV-ECHAM4 OK OK NO NO OK OK NO NO NO NO NO NO INM-CM3.0 OK OK OK OK OK OK OK OK OK OK OK OK IPSL-CM4 OK OK NO NO OK OK NO NO OK OK NO NO MIROC3.2.3-HIRES OK OK OK OK NO NO NO NO OK OK OK OK MIROC3.2.3-MEDRES OK OK OK OK OK OK OK OK OK OK OK OK MIUB-ECHO-G OK OK NO NO OK OK NO NO OK OK NO NO MPI-ECHAM5 OK OK NO NO OK OK NO NO OK OK NO NO MRI-CGCM2.3.2A OK OK NO NO OK OK NO NO OK OK NO NO NCAR-CCSM3.0 OK OK OK OK OK OK OK OK OK OK OK OK NCAR-PCM1 OK OK OK OK OK OK OK OK OK OK OK OK UKMO-HADCM3 OK OK NO NO OK OK NO NO OK OK NO NO UKMO-HADGEM1 OK OK NO NO OK OK NO NO NO NO NO NO
    38. 38. Dificultad 3. Habilidad limitada de representar clima presente. Depender de un solo GCM no es recommendable!
    39. 39. Cómo utilizar esta información? Problema Necesidad Opciones Downscaling por métodos estadísticos o dinámicos.. Aumentar resolución, uniformizar… proveer datos de alta resolución, contextualizados Aún el GCM más preciso es demasiado grueso (100km).
    40. 40. Cómo combinar GCM & Observaciones? Hawkins, 2012
    41. 41. Estaciones x variable: • 47,554 precipitación • 24,542 tmean • 14,835 tmax y tmin -30.1 30.5 Mean annual temperature (ºC) 0 12084 Annual precipitation (mm) Fuentes: •GHCN •FAOCLIM •WMO •CIAT •R-Hydronet •Redes nacionalesRamirez-Villegas and Challinor 2012 Definiendo la Línea Base WorldClim
    42. 42. Downscaling: Método Delta –Base climatológica: WorldClim –Tomar superficies GCM originales (series de tiempo) –Calcular promedios para línea base y períodos específicos –Calcular anomalías –Interpolar anomalías (spline) –Sumar anomalías a WorldClim
    43. 43. Método Delta
    44. 44. – Usan resultados de GCMs – Son de área limitada.. Necesitan condiciones de frontera. – Datos diarios | Resolucion varia entre 25-50km | > 170 variables PRECIS Providing REgional Climates for Impacts Studies Coordinated Regional Climate Downscaling Experiment (CORDEX) Eta Model ETA
    45. 45. Método Pros Contras Delta *Rápido de implementar *  resoluciones *Aplicable a TODOS los GCMs *Uniformiza líneas base * Cambios solo varían en gran escala *  variables RCMs * Robusto *Aplicable a GCMs dependiendo de disponibilidad de datos * variables *Pocas plataformas *Mucho procesamiento y almacenamiento *Limitada resolución (25-50km) *Aun falta mucho desarrollo *Incertidumbre difíciles de cuantificar ¿Qué metodología empleo? Métodos Estadísticos vs Dinámicos Necesidades y recursos.. Tiempos? Resultados rápidos? Capacidad de procesamiento? Disponibilidad??
    46. 46. La incertidumbre cientifica SI es relevante para la agricultura: tenemos que tomar decisiones dentro de un contexto de incertidumbre
    47. 47. Hawkins, 2012
    48. 48. Comparison (R2 based) of interpolated climatology (WorldClim, The University of East Anglia Climatic Research Unit dataset (CRU)), and each of the GCMs (average 1961-1990 period) for each of the countries in the study area for mean temperature (left) and precipitation (right) for the annual mean. All R2 values were statistically significant at p < 0.001. (Ramirez and Challinor, 2012) Cómo cuantificar?
    49. 49. Emisiones Escenarios de población, energía, modelos económicos Concentraciones Ciclo del carbono, modelos químicos Cambio climático Global GCMs Detalles regionales RCMs, Downscaling Impactos Modelos de impacto
    50. 50. GCMs Effective adaptation options MarkSim DSSAT Statistical Downscaling Dynamical downscaling: Regional Climate Model EcoCrop Statistical Downscaling MaxEnt Necesitamos modelos para cuantificar los impactos y diseñar opciones de adaptación efectiva Based on niches Probability Environmental gradient Based on process
    51. 51. Changes in climate affect the adaptability of crops… Number of crops with more than 5% gain There will be winners… Number of crops with more than 5% loss …But much more losers in developing countries
    52. 52. Evalúa si hay las condiciones climáticas adecuadas , dentro de un periodo de crecimiento para T° y Prec…. … y calcula la adaptabiliad climática de la interacción resultante entre la prec y la T° • Un algoritmo sencillo para mirar el nicho de cada especie basado sólo en los datos del clima El Modelo EcoCrop
    53. 53. Is cassava the answer to African climate change adaptation? Jarvis A. et al, 2012 Current Climate Contraint
    54. 54. Cassava suitability change compared with other staples Cassava consistently outperforms other staples in terms of changes in suitability Cassava Impacts by AF REGIONS EcoCrop
    55. 55. Adaptation entry points in maize-bean systems DSSAT
    56. 56. • Cambios en días de plantación y sistemas de irrigación para manejar el stress durante la temporada de crecimiento. • Cultivos puedesn requerir migración altitudinal. • Relocalización de las actividades productivas. • Establecimiento de subsidios para pequeños agricultores (reducción de la vulnerabilidad). • Conservación y mejoramiento de recursos genéticos.
    57. 57. http://ccafs-climate.org
    58. 58. Actualiced Nov 2013
    59. 59. > 150 Publications • Progressive climate change over agriculture (24%), • Ecology and species distribution (53%) • Climate dynamics (3%) • Hydrological modeling (4%) • Non-academic (i.e. policy making, food security, and adaptation planning (17% )
    60. 60. http://analogues.ciat.cgiar.org/climate/ ¿Donde puedo encontrar el clima futuro de mi sitio hoy? ¿Donde puedo encontrar el clima presente de mi sitio en el futuro? ¿Donde encuentro el clima presente (o futuro) de mi sitio en el mundo actualmente?
    61. 61. http://ccafs.cgiar.org/ CCAFS Blog
    62. 62. http://dapa.ciat.cgiar.org/ CCAFS Blog
    63. 63. • Downscaling es inevitable. • Se está haciendo una mejora continua. • El foco principal es hacer un análisis de incertidumbres • Mejorar los datos de línea base. • Evaluar y validar incertidumbres. • Proyecciones climáticas junto con modelos mecanisticos y fisiológicos de cultivos nos ayudarán a entender como adaptar.
    64. 64. Carlos Navarro-Racines c.e.navarro@cgiar.org

    ×