Foto por Neil Palmer, CIAT
La Agricultura en el Contexto
de un Clima Cambiante
Emmanuel Zapata-Caldas, Andy Jarvis
Julián Ramírez, Charlotte Lau
Diciembre de 2011
Taller Internacional: los sistemas
de semillas en América Latina y el
Caribe

Contenido
1. Un vistazo a la situación
de la agricultura a escala
global.
2. El cambio climático (CC),
los GCMs y los Modelos
de nicho ecológico.
3. Algunos casos de estudio
en Latinoamérica.
Foto por Neil Palmer (CIAT).
Fríjoles del Darien, Colombia.

La aptitud de cultivos está cambiando
Cambios promedios en la aptitud climática de 50 cultivos en el 2050

¿Qué cultivos se verán afectados?
50 cultivos seleccionados por tener mayor área cultivada a nivel mundial,
según FAOSTAT, 2008
% de Área Cambio de % de Área
Certeza Cambio de Certeza
Cultivo Orden Área Coechada aptitud Cultivo Orden Área Coechada
(%) aptitud (%) (%)
Total (k Ha) (%) Total (k Ha)
● Wheat, common 1 18.75 216,100 -15.1 87.1 Olive, European 24 0.77 8,894 1.0 77.3
Rice paddy (Jap.) 2 13.39 154,324 5.9 80.9 Rubber * 25 0.72 8,259 2.0 61.0
Maize 3 12.52 144,376 4.2 66.4 Cacao 26 0.66 7,567 3.9 62.8
● Perennial soybean 4 8.07 92,989 -9.6 62.7 Sesame seed 27 0.65 7,539 7.2 74.4
● European wine grape 28 0.64 7,400 -3.8 71.7
● Barley 5 4.82 55,517 -2.6 91.4
Pea 29 0.58 6,730 1.2 78.2
● Sorghum (low altit.) 6 3.6 41,500 -0.2 64.5 ● 30
Rye 0.52 5,994 -7.1 91.8
Cotton, Amer. upld 7 3.01 34,733 3.2 66.3 ● Perennial ryegrass 31 0.48 5,516 -8.0 84.5
Millet, common 8 2.85 32,846 4.5 69.0 ● Sugar beet 32 0.47 5,447 -15.0 83.9
● Swede rap 9 2.41 27,796 -4.8 87.6 ● Plantain bananas 34 0.47 5,439 -6.9 86.1
● ● Apple 35 0.42 4,786 -1.3 65.3
Bean, Common 10 2.3 26,540 -2.7 64.9
Pigeon pea 36 0.41 4,683 5.1 72.0
Sunflower 11 2.06 23,700 7.4 75.4 37
Tomato 0.4 4,597 0.8 79.4
Groundnut 12 1.93 22,232 6.4 73.0 White yam 38 0.4 4,591 8.0 70.7
Sugarcane 13 1.77 20,399 4.2 63.4 Banana 39 0.36 4,180 5.4 76.3
Potato 14 1.63 18,830 2.0 82.8 Mango 40 0.36 4,155 5.2 76.4
Tobacco 41 0.34 3,897 8.0 72.8
Cassava 15 1.61 18,608 5.1 72.7
Lentil 42 0.33 3,848 3.4 74.6
Alfalfa 16 1.32 15,214 1.8 81.3 43
Watermelon 0.33 3,785 6.3 75.0
African oil palm 17 1.15 13,277 3.5 67.1 Sweet orange 44 0.31 3,618 2.2 60.8
● Oats 18 0.98 11,284 -8.9 92.0 Cashew 45 0.29 3,387 4.2 70.9
Chick pea 19 0.93 10,672 5.6 76.8 Onion 46 0.29 3,341 1.8 76.5
Coconut 20 0.92 10,616 5.4 65.9 Cabbage 47 0.27 3,138 1.0 84.9
● Linseed 48 0.26 3,017 2.1 85.0
Coffee arabica 21 0.89 10,203 -10.6 71.2
Common buckwheat 49 0.24 2,743 9.7 77.6
Cowpea 22 0.88 10,176 5.6 72.6 ● Tea 50 0.24 2,717 -2.7 58.0
Sweet potato 23 0.78 8,996 2.6 72.1 All crops 100.0 1,152,825 10.8 78.5

Cambio en aptitud
climática para 27
cultivos importantes
en Brasil
20
13.4
10 5.7
2.8 1.3 1.0 2.3 2.7 1.9
0.6
Cambio (%)
0
-0.7 -0.2 -1.6 -0.2
-3.9 -3.7 -3.3 -3.4 -5.0
-10 -7.5
-10.9 -9.6
-13.8
-20 -15.6
-20.2
-23.4 -24.0
-30
-40 -36.1
Wheat
Barley
Coffee
Natural rubber
Rice
Sugarcane
Oats
Cotton
Olive
Rapeseed
Coconut
Yams
Cassava
Groundnut
Maize
Mango
Potato
Sweet potato
Cocoa bean
Banana
Cashew nuts
Oranges
Sunflower
Sorghum
Common Bean
Oil palm
Perennial soybean
Esta tabla muestra el
cambio promedio por
cultivo

Foto por Neil Palmer (CIAT).

¿Cómo se verán afectados algunos
países latinos por el CC?
En Perú
Los 8.1 millones de habitantes (31.6%
Poblaciones de la población nacional) que vive de
Vulnerables la actividad agropecuaria
• Personas viviendo en En Bolivia
zonas rurales. El 40% de la fuerza de trabajo.
• Los productores
pequeños. En Colombia
• Todos los 40% de exportaciones
consumidores que
dependen de precios En Uruguay
bajos de alimentos. El producto bruto de producción
agroindustrial de USD$3,841
millones

Escenarios de emisiones
Situación actual
Económico podría ser incluso
peor que A2
PESIMISTA
Global Regional
OPTIMISTA
Prácticamente
irreal
Ambiental

Modelos de clima global o GCMs
• Los GCMs usan algoritmos atmosféricos en una serie de
celdas para simular procesos terrestres …
… y producir
predicciones futuras
con base a mediciones
históricas.

GCMs del cuatro reporte IPCC
Short name Model Atmosphere* Ocean*
MIRCH MIROC3.2. (hires), Japan T106, L56 0.28°x0.19°, L47
MIRCM MIROC3.2. (medres), Japan T42, L20 1.4°x(0.5-1.4°), L43
BCCRC BCCR-BCM2.0, Norway T63, L31 1.5°x0.5°, L35
C3T47 CGCM3.1 (T47), Canada T47, L31 1.85°x1.85°, L29
C3T63 CGCM3.1 (T63), Canada T63, L31 1.4°x0.94°, L29
CNRMC CNRM-CM3, France T63, L45 1.875°x(0.5-2°), L31
CSIRO CSIRO-Mk3.0, Australia T63, L18 1.875°x0.84°, L31
GFD20 GFDL-CM2.0, USA 2.5°x2.0°, L24 1.0°x(1/3-1°), L50
GFD21 GFDL-CM2.1, USA 2.5°x2.0°, L24 1.0°x(1/3-1°), L50
GISSA GISS-AOM, USA 4°x3°, L12 4°x3°, L16
GISSH GISS-EH, USA 5°x4°, L20 5°x4°, L13
GISSR GISS-ER, USA 5°x4°, L20 5°x4°, L13
IAPFG IAP-FGOALS1.0-G, China 2.8°x2.8°, L26 1°x1°, L16
INMCM INM-CM3.0, Russia 5°x4°, L21 2.5°x2°, L33
IPSLC IPSL-CM4, France 2.5°x3.75°, L19 2°x(1-2°), L30
MPICM ECHAM5/MPI-OM, Germany T63, L32 1°x1°, L41
MRICM MRI CGCM2.3.2A, Japan T42, L30 2.5°x(0.5-2.0°)
NCARC NCAR-CCSM3, USA T85, L26 1°x(0.27-1°), L40
NCARP NCAR-PCM, USA T42, L18 1°x(0.27-1°), L40
UKMOC UKMO-HadCM3, UK 3.75°x2.5°, L19 1.25°x1.25°, L20
UKMOG UKMO-HadGEM1, UK 1.875°x1.25°, L38 1.25°x1.25°, L20
INGVE INGV-SXG, Italy T42, L19 2°x(0.5-2°), L31

Aumento en
temperatura global
para todos los SRES
Aumento en temperatura global
entre 2090 y 2099
– SRES A1B –

Incertidumbre en precipitaciones al año 2100

La incertidumbre científica…
…es relevante, sin embargo es necesario
tomar decisiones dentro de tal contexto

¿Para qué sirven estos datos?
Site-specific monthly coefficient of variation using 18 GCM models (IPCC, 2007) for precipitation
and temperature
12 9
8
10
Precipitation coefficient of variation (%)
Temperature coefficient of variation (%)
7
8 6
5
6
4
4 3
2
2
1
0 0
1 2 3 4 5 6 7 8 9 10 11 12
Month
Precipitation Mean temperature Maximum temperature Minimum temperature
Descripción de clima y tendencias

Region Departamento
Cambio en
Cambio en Identificación de
Cambio en
Temperatura estacionalidad de
Cambio en
meses
Incertidumbre
entre modelos
Precipitacion consecutivos
Amazonas Amazonas 12
media
2.9 1.4
tendencias
precipitacion
secos
0
(StDev prec)
135
Amazonas Caqueta 138 2.7 -1.3 0 193
Amazonas Guania 55 2.9 -3.2 0 271
Amazonas Guaviare 72 2.8 -2.9 -1 209
Amazonas Putumayo 117 2.6 0.6 0 170
Andina Antioquia 18 2.1 1.3 0 129
Andina Boyaca 50 2.7 -3.9 -1 144
Andina Cundinamarca 152 2.6 -2.6 0 170
Andina Huila 51 2.4 1.0 0 144
Andina Norte de santander 73 2.8 -0.4 0 216
Andina Santander 51 2.7 -2.4 0 158
Andina Tolima 86 2.4 -3.1 0 148
Caribe Atlantico -74 2.2 -2.9 2 135
Caribe Bolivar 90 2.5 -1.8 0 242
Caribe Cesar -119 2.6 -1.3 0 160
Caribe Cordoba -11 2.3 -3.8 0 160
Caribe Guajira -69 2.2 -1.8 0 86
Caribe Magdalena -158 2.4 -1.8 0 153
Caribe Sucre 10 2.4 -4.1 -1 207
Eje Cafetero Caldas 252 2.4 -4.2 -1 174
Eje Cafetero Quindio 153 2.3 -4.1 -1 145
Eje Cafetero Risaralda 158 2.4 -3.5 -1 141
Llanos Arauca -13 2.9 -6.4 -1 188
Llanos Casanare 163 2.8 -5.7 -1 229
Llanos Meta 10 2.7 -5.4 -1 180
Llanos Vaupes 46 2.8 -1.4 0 192
Llanos Vichada 59 2.6 -2.6 0 152
Pacifico Choco -157 2.2 -1.2 0 148
Sur Occidente Cauca 172 2.3 -1.6 0 168
Sur Occidente Narino 155 2.2 -1.4 0 126
Sur Occidente Valle del Cauca 275 2.3 -5.1 -1 166

Además, los datos climáticos sirven para…
• Evaluación de impacto
– Modelos: MaxEnt, Canasta, EcoCrop, DSSAT.
• Evaluación de impacto de medidas: ¿Qué sería
más costoso? ¿Qué sería más beneficioso?
• Establecimiento de políticas e incentivos.

Métodos de análisis y modelación
• Desde lo general a lo local
– Modelo general: EcoCrop
– >=1 dato de presencia del cultivo: Homologue
– >25 Datos de presencia de cultivos: MaxEnt
– >25 Datos de presencia de cultivo e índice de
productividad/calidad por cada punto: CaNaSTA
Con su aplicación se pueden generar análisis de impacto
productivo y económico, claro está, teniendo en cuenta las
incertidumbres.

EcoCrop ¿Cómo evalúa el impacto?
Evalúa las condiciones climáticas adecuadas de temperatura y precipitación dentro de una
estación de crecimiento. Además, calcula la adaptabilidad resultante de la interacción entre
temperatura y precipitación.

EcoCrop: calibrando y analizando
Parámetros base según FAO Parámetros revisados por expertos de CIP
Papa

Homologue
• Funciona con la coordenada de un punto donde se
ha reportado el cultivo.
Sitios similares
al Tambo, Cauca

MaxEnt
• Encuentra el nicho de un cultivo o especie animal basado
en probabilidades de presencia.
Distribución probabilística
Modelo potencial
probabilístico
Evidencia Variables multivariado
de ambientales
presencia socioeconomicas
Distribución de
probabilidad
alrededor de
cada variable

Crop Niche Selection in Tropical
Agriculture (CaNaSTA)
Modelo probabilístico para identificar la productividad/calidad de un
cultivo (e.g. café)
Calidad más probable

Decision Support System for Agrotechnology
Transfer (DSSAT)
Es un modelo mucho más detallado. Entre sus características principales están:
Ajuste de parámetros de cultivo, sólo trabaja con cultivos principales (e.g.
arroz, maíz, yuca) requiere datos muy precisos, diarios.

Evaluación de impacto usando modelos
de nicho ecológico - resumen
• Diversos métodos con características comunes:
– Usan datos ambientales de entrada.
– Fácilmente aplicables.
– Versátiles por sistema productivo/cultivo.
– Permiten incorporación de más datos si están
disponibles.

Ante el evidente cambio en el clima y las oportunidades de
análisis ofrecidas por las herramientas de modelamiento, se
podrían encontrar caminos efectivos para adaptar el sector
agrícola al CC.
Foto por Neil Palmer (CIAT).

¿Dónde está el fríjol en la actualidad?
Growing season (days) 90
Minimum absolute
Growing season (days) 90 Killing temperature (°C) 0 200
rainfall (mm)
Minimum optimum
Parámetros determinados 363
Minimum absolute rainfall (mm)
Killing temperature (°C) 0 13.6
con base en análisis temperature (°C) Maximum optimum
450
estadístico de los actuales rainfall (mm)
Minimum optimum
Minimum absolute 17.5 Maximum absolute
ambientes de crecimiento
temperature (°C)
13.6 temperature (°C) 710
Maximum optimum rainfall (mm)
del cultivo LAC y África. temperature (°C)
23.1
Minimum optimum
17.5 Maximum absolute
temperature (°C) 25.6
temperature (°C)

Opciones tecnológicas: mejoramiento
para tolerancia a sequía o anegamiento
Aproximadamente el 40 14
Change in suitable areas [>80%] (%)
Benefited areas (million hectares)
Cropped lands Currently cropped lands
22.8% (3.8 millones de 35 Drought 12
Non-cropped lands Not currently cropped lands
30 tolerance
ha) de las hectáreas Global suitable areas 10
25
cultivadas se 20 Waterlogging
8
beneficiarían de 15
tolerance 6
mejoramiento por 10 4
tolerancia al la sequía 5 2
en 2020 0
0
-25% -20% -15% -10% -5% None +5% +10% +15% +20% +25%
Ropmin Ropmax Not benefited
Crop resilience improvement

Opciones tecnológicas: mejoramiento
para tolerancia al calor al frío
14
70
Aproximadamente el Currently cropped lands
Change in suitable areas [>80%] (%)
Benefited areas (million hectares)
Cropped lands 12 Not currently cropped lands
60
42.7% (7.2 millones de Non-cropped lands
50 Cold Global suitable areas 10
ha) de las hectáreas
tolerance 8
cultivadas se 40
beneficiarían de 30 6
mejoramiento por 20
4
Heat
tolerancia al calor en 10
tolerance 2
2020 0
0
-2.5ºC -2ºC -1.5ºC -1ºC -0.5ºC None +0.5ºC +1ºC +1.5ºC +2ºC +2.5ºC
Crop resilience improvement Topmin Topmax Not benefited

Resultados de análisis en
los Andes tropicales
-25 cultivos-

0
5
-5
10
15
-20
-15
-10
Arracacha
Arroz
Arveja
Banano
Café
SRES-A1B 2020
Camote
Cebada
Fríjol
Lechuga
Maíz
Naranja
Papa
SRES-A1B 2050
Papaya
Pepino
Plátano
Quinoa
Repollo
Sorgo
SRES-A2 2020
Soya
Tomate
Trigo
Ulluco
en aptitud climática por cultivo
Uva
Yuca
Venezuela: porcentaje de cambio
SRES-A2 2050
Zanahoria

0
5
-5
15
10
-15
-10
Arracacha
Arroz
Arveja
Banano
Café
SRES-A1B 2020
Camote
Cebada
Fríjol
Lechuga
Maíz
Naranja
Papa
SRES-A1B 2050
Papaya
Pepino
Plátano
Quinoa
Repollo
Sorgo
SRES-A2 2020
Soya
Tomate
Trigo
aptitud climática por cultivo
Ulluco
Uva
Yuca
SRES-A2 2050
Colombia: porcentaje de cambio en
Zanahoria

0
5
-5
10
15
20
25
-20
-10
-15
Arracacha
Arroz
Arveja
Banano
Café
SRES-A1B 2020
Camote
Cebada
Fríjol
Lechuga
Maíz
Naranja
Papa
SRES-A1B 2050
Papaya
Pepino
Plátano
Quínoa
Repollo
Sorgo
SRES-A2 2020
Soya
Tomate
Trigo
aptitud climática por cultivo
Ulluco
Uva
Bolivia: porcentaje de cambio en
Yuca
SRES-A2 2050
Zanahoria

5
0
-5
10
20
15
-10
Arracacha
Arroz
Arveja
Banano
Café
SRES-A1B 2020
Camote
Cebada
Fríjol
Lechuga
Maíz
Naranja
Papa
SRES-A1B 2050
Papaya
Pepino
Plátano
Quinoa
Repollo
Sorgo
SRES-A2 2020
Soya
Tomate
Trigo
aptitud climática por cultivo
Ulluco
Uva
Yuca
SRES-A2 2050
Ecuador: porcentaje de cambio en
Zanahoria

0
5
-5
10
15
20
-15
-10
Arracacha
Arroz
Arveja
Banano
Café
SRES-A1B 2020
Camote
Cebada
Fríjol
Lechuga
Maíz
Naranja
Papa
SRES-A1B 2050
Papaya
Pepino
Plátano
Quinoa
Repollo
Sorgo
SRES-A2 2020
Soya
Tomate
Trigo
aptitud climática por cultivo
Ulluco
Uva
Perú: porcentaje de cambio en
Yuca
SRES-A2 2050
Zanahoria

En términos económicos, un ejemplo de Uruguay
$173,541,025
$166,964,034
$200,000,000
$109,695,231
Dólares americanos de 1999 - 2001 (US$)
$150,000,000
$54,431,478
$45,690,020
$45,255,808
$38,848,421
$100,000,000
$23,535,676
$6,841,599
$6,576,991
Ganancia
$50,000,000
Pérdida
Balance
$0
-$21,720,133
$50,000,000 Impacto sobre valor de la
-$55,263,753
producción
$100,000,000 150%
96.0% 86.2%
Cebada Maíz Arroz Trigo 100%
50%
0%
-50%
-38.3% -50.7%
-100%
Cebada Maíz Arroz Trigo

Los investigadores podemos apoyar a los
actores en las cadenas de producción y
ayudar a que aprovechen las
oportunidades.
Las medidas…
• Pronósticos más precisos con plazos más largos
para su ejecución.
• Instalación de sistemas de alerta temprana para
productores y mercados, minimizando la volatilidad de
los precios.
• Mejoramiento de la repuesta temprana a los
eventos climáticos catastróficos.

En resumen…
1. Si tenemos los datos, entonces…
2. Podemos predecir el impacto sobre los cultivos.
3. Y sugerir estrategias básicas como por ejemplo:
 Cambio en variedades (sustitución, diversificación).
 Cambio de área cultivada (migración).
 Tecnologías de mejoramiento de cultivos.
 Estrategias específicas para cultivos específicos (e.g. sombrío para
café).
 Cambio de cultivo (casos extremos).
4. Es necesario realizar pruebas de campo para validar las nuevas
tecnologías.
5. Y acompañar la validación con estudios de mercado e impacto
económico.
6. La transferencia de tecnologías juega un papel crítico para el sector
agrícola, pero especialmente para el bienestar de los pequeños y
medianos agricultores.

Foto por Neil Palmer (CIAT).