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
8. ¿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?
9. – 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
11. 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.
12. 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.
13. GHCN (Global Historical
Climatological Network)
• Very robust weather
station dataset
(NOAA)
• Used for many
studies:
– WorldClim
– CRU datasets
– Hockey-stick warming
trend analysis
15. 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)
24. 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
25. 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)
27. 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
+ =
28. 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
29. 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).
30. 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
31.
32. Y qué acerca del futuro?
Ramírez-Villegas
and Challinor, 2012
35. 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
38. 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
39. 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
40. 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
….
41. 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
42. Dificultad 3. Habilidad limitada de representar clima presente.
Depender de un solo GCM no es recommendable!
43. 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).
48. – 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
49. 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??
50. La incertidumbre cientifica SI es relevante para
la agricultura: tenemos que tomar decisiones
dentro de un contexto de incertidumbre
52. 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?
53. 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
56. 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
57. 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
58. Is cassava the answer to African climate change adaptation?
Jarvis A. et al, 2012
Current Climate Contraint
59. Cassava suitability change compared with other staples
Cassava consistently outperforms other staples in
terms of changes in suitability
Cassava Impacts by AF REGIONS
EcoCrop
61. • 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.
70. • 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.
- 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.