Emmanuel ZC - Datos, evaluaciones y oportunidades

Cambio climático: datos, evaluaciones y oportunidades

Decision and Policy AnalysisEmmanuel Zapata Caldas

Cambio climático contenido

• Modelos de cambio climático (GCMs).

• Escenarios de emisiones.

• Ciat y los datos climáticos (actual + futuro).

• ¿Para qué usamos los datos?

• Herramientas de análisis.

• Algunos ejemplos• Conclusiones.

Por: Neil Palmer

Modelos de clima global (GCMs)

• Modelos de clima global (GCMs) que usan algoritmos atmosféricos en una serie de celdas para simular procesos terrestres

… y producir predicciones futuras con base a mediciones históricas…

GCMs y resolucionesShort 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

Escenarios de emisiones

• IPCC 1992 (IS92) y mejorado en 2000 y 2007 (SRES)

Situación actual podría ser incluso peor que A2

Escenarios de emisiones

IPCC, 2000

Ciat y los datos climáticos• Worldclim como “línea base”

– Resolución 1 km– Cobertura global– Uso local y global

• Ahora:– 20 modelos para 2050 (A2a)– 4 modelos para 2020 (A2a)– 4 modelos para 2080 (A2a)

• Alianza con Tyndall Centre (UK)– 7 modelos para 2030, 2040, 2050, 2060, 2070, 2080– 4 escenarios de emisiones (A2a, A1b, B1, B2)

WorldClim• Hijmans et al. (2005)

– 47,554 estaciones meteorológicas (1950-2000)– Interpolacion spline (Lat, Lon, Alt)

Datos futuros

• Ramírez & Jarvis (2008)– Diferentes resoluciones y cobertura mundial

http://gisweb.ciat.cgiar.org/GCMpage/

Downscaling: datos de entrada

• 0.5 grados (~55 km)

• Downscaling hasta 30 sec (~1 km)

Downscaling

Incertidumbre en precipitaciones

¿Para qué sirven estos datos? descripción de clima y tendencias

0

2

4

6

8

10

12

1 2 3 4 5 6 7 8 9 10 11 12Month

Pre

cip

itat

ion

co

effi

cie

nt

of

vari

ati

on

(%

)

0

1

2

3

4

5

6

7

8

9

Te

mp

era

ture

co

eff

icie

nt

of

vari

atio

n (

%)

Precipitation Mean temperature Maximum temperature Minimum temperature

Site-specific monthly coefficient of variation using 18 GCM models (IPCC, 2007) for precipitation and temperature

BCCR-BCM2.0 CCCMA-CGCM2CCCMA-CGCM3.1

T47 CCCMA-CGCM3.1-T63 CNRM-CM3 IAP-FGOALS-1.0G

GISS-AOM GFDL-CM2.1 GFDL-CM2.0 CSIRO-MK3.0 IPSL-CM4 MIROC3.2-HIRES

MIROC3.2-MEDRES MIUB-ECHO-G MPI-ECHAM5 MRI-CGCM2.3.2A NCAR-PCM1 UKMO-HADCM3

BCCR-BCM2.0 CCCMA-CGCM2CCCMA-CGCM3.1

T47 CCCMA-CGCM3.1-T63 CNRM-CM3 IAP-FGOALS-1.0G

GISS-AOM GFDL-CM2.1 GFDL-CM2.0 CSIRO-MK3.0 IPSL-CM4 MIROC3.2-HIRES

MIROC3.2-MEDRES MIUB-ECHO-G MPI-ECHAM5 MRI-CGCM2.3.2A NCAR-PCM1 UKMO-HADCM3

¿Para qué sirven estos datos?

• Descripción del clima y el cambio en el mismo para el mundo y cualquier área.

• Evaluación de impacto– Modelos: MaxEnt, Canasta, EcoCrop,

---DSSAT.

• Evaluación de impacto de medidas: ¿qué es más costoso?

• Establecimiento de políticas e incentivos.

23.0

23.5

24.0

24.5

25.0

25.5

26.0

26.5

27.0

27.5

1870 1890 1910 1930 1950 1970 1990 2010 2030 2050 2070 2090Año

Tem

per

atu

ra m

edia

an

ual

(ºC

)

Temperatura media anual (ºC)

Tendencia temporal

Intervalo de confianza (95%)

2500

2550

2600

2650

2700

2750

2800

2850

2900

2950

1870 1890 1910 1930 1950 1970 1990 2010 2030 2050 2070 2090

Año

Pre

cip

itac

ión

to

tal a

nu

al (

mm

)

Precipitación total anual (mm)Tendencia temporalIntervalo de confianza (95%)

Colombia

650

670

690

710

730

750

770

790

810

1870 1890 1910 1930 1950 1970 1990 2010 2030 2050 2070 2090

Año

Pre

cip

itac

ión

to

tal a

nu

al (

mm

)

Precipitación total anual (mm)Tendencia temporalIntervalo de confianza (95%)

6.0

7.0

8.0

9.0

10.0

11.0

12.0

1870 1890 1910 1930 1950 1970 1990 2010 2030 2050 2070 2090Año

Tem

per

atu

ra m

edia

an

ual

(ºC

)

Temperatura media anual (ºC)

Tendencia temporal

Intervalo de confianza (95%)

Mundo +4.5ºC+14%

+3.1ºC+8.1%

¿Para qué sirven estos datos?: descripción de clima y tendencias

Evaluación de impacto

Climaactual

Cultivo actual

Rendimiento, presión de plagas, enfermedades, etc

Climafuturo

Rel

ació

n

Cultivo futuro

Rendimiento, presión de plagas, enfermedades, etc

Proyección

Clave en investigación

VARIABLES*19 índices bioclimáticos

*Temperaturas y precipitación mensuales

*Suelos (si disponible)

*Lluvias diarias satelitales

*Cambios en vegetación cada 16 días (satelitales)

Métodos de análisis y modelación

• Desde lo general a lo local– Primer nivel para todos los sistemas:

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 en cada punto: CaNaSTA

• Análisis económico, teniendo en cuenta las incertidumbres

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.

¿Cómo se evalúa entonces el impacto?

EcoCrop: calibrando y analizando

Parámetros base según FAO Parámetros revisados por expertos de CIP, y con análisis climático

Papa

Homologue

• Al menos un punto donde se ha reportado el cultivo

Sitios similares a El Tambo

•Seleccionar sitios aptos para el cultivo

•Eliminar sitios no reportados en censos

•Mirar cambios en clima en estos sitios seleccionados

•Calcular disminución en probabilidad por “pérdida” de nicho

MaxEnt

• Maxent: encontrar el nicho basado en probabilidades de presencia

Distribución de probabilidad alrededor de cada variable

Modelo probabilístico multivariado Distribución

probabilística potencial

Evidenciade

presencia

Variables ambientales

Evidenciade

presencia

Variables ambientales

Evidenciade

presencia

Variables ambientales

socioeconomicas

CaNaSTA: presencias e indicador de productividad/calidad

• CaNaSTA: modelo probabilístico (bayesiano) para calidad:

Calidad más probable

)(

),()(

EP

EHPEHP =

¿Cómo se evalúa entonces el impacto?

• Modelos mecanísticos detallados– 2. DSSAT:

• Más robusto• Permite ajustar

parámetros de cultivo

• Sólo para cultivos principales

• Requiere datos más precisos

Evaluación de impacto - resumen

• Diversos métodos con características comunes:– Usan datos ambientales de entrada.– Son flexibles.– Fácilmente aplicables.– Versátiles por sistema productivo/cultivo.– Permiten incorporación de más datos si están

disponibles.

Algunos ejemplos

Por: Neil Palmer

¿Dónde está el fríjol en la actualidad?

Growing season (days) 90

Killing temperature (°C) 0

Minimum absolute temperature (°C)

13.6

Minimum optimum temperature (°C)

17.5

Maximum optimum temperature (°C)

23.1

Maximum absolute temperature (°C)

25.6

Minimum absolute rainfall (mm)

200

Minimum optimum rainfall (mm)

363

Maximum optimum rainfall (mm)

450

Maximum absolute rainfall (mm)

710

Growing season (days) 90

Killing temperature (°C) 0

Minimum absolute temperature (°C)

13.6

Minimum optimum temperature (°C)

17.5

Maximum optimum temperature (°C)

23.1

Maximum absolute temperature (°C)

25.6

Parámetros determinados con base en análisis estadístico de los actuales ambientes de crecimiento del cultivo LAC y África.

0

5

10

15

20

25

30

35

40

-25% -20% -15% -10% -5% None +5% +10% +15% +20% +25%

Crop resilience improvement

Ch

ang

e in

su

itab

le a

reas

[>

80%

] (%

)

Cropped lands

Non-cropped lands

Global suitable areas

Opciones tecnológicas: mejoramiento para tolerancia a sequía o anegamiento

0

2

4

6

8

10

12

14

Ropmin Ropmax Not benefited

Ben

efit

ed a

reas

(m

illi

on

hec

tare

s) Currently cropped lands

Not currently cropped landsSome 22.8% (3.8 million ha) would benefit from drought tolerance improvement to 2020s

Drought tolerance

Waterlogging tolerance

Opciones tecnológicas: mejoramiento para toleracia al calor a al frío

0

10

20

30

40

50

60

70

-2.5ºC -2ºC -1.5ºC -1ºC -0.5ºC None +0.5ºC +1ºC +1.5ºC +2ºC +2.5ºC

Crop resilience improvement

Ch

ang

e in

su

itab

le a

reas

[>

80%

] (%

)

Cropped lands

Non-cropped lands

Global suitable areas

0

2

4

6

8

10

12

14

Topmin Topmax Not benefited

Ben

efit

ed a

reas

(m

illi

on

hec

tare

s)

Currently cropped lands

Not currently cropped lands

Cold tolerance

Heat tolerance

Some 42.7% (7.2 million ha) would benefit from heat tolerance improvement to 2020s

Adaptabilidad en Cauca

Modelación del cambio en adaptabilidad de café de 2000 a 2020 y a 2050

Cambios significativos a 2020 en algunas

MESETA

Zonanueva

Adaptabilidad de papa para los departamentos del Cauca y

Huila

Cambio en la adaptabilidad de papa para los departamentos del Cauca y

Huila

0

50000

100000

150000

200000

250000

0

10

20

30

40

50

60

70

80

90

100

0 1000 2000 3000 4000 5000 6000

Área (ha)

Adaptabilidad (%)

Altitud (m)

20 Modelos

Futuro - 2050

Actual

Promedio + 95% IC

Promedio - 95% IC

Área (ha)

Análisis de sistemas agrícolas• 50 cultivos seleccionados con base en mayor

área cosechada según FAOSTAT

N FAO name Scientific nameArea

harvested (kha)

26 African oil palm Elaeis guineensis Jacq. 1327727 Olive, Europaen Olea europaea L. 889428 Onion Allium cepa L. v cepa 334129 Sweet orange Citrus sinensis (L.) Osbeck 361830 Pea Pisum sativum L. 673031 Pigeon pea Cajanus cajan (L.) Mill ssp 468332 Plantain bananas Musa balbisiana Colla 543933 Potato Solanum tuberosum L. 1883034 Swede rap Brassica napus L. 2779635 Rice paddy (Japonica) Oryza sativa L. s. japonica 15432436 Rye Secale cereale L. 599437 Perennial reygrass Lolium perenne L. 551638 Sesame seed Sesamum indicum L. 753939 Sorghum (low altitude) Sorghum bicolor (L.) Moench 4150040 Perennial soybean Glycine wightii Arn. 9298941 Sugar beet Beta vulgaris L. v vulgaris 544742 Sugarcane Saccharum robustum Brandes 2039943 Sunflower Helianthus annuus L v macro 2370044 Sweet potato Ipomoea batatas (L.) Lam. 899645 Tea Camellia sinensis (L) O.K. 271746 Tobacco Nicotiana tabacum L. 389747 Tomato Lycopersicon esculentum M. 459748 Watermelon Citrullus lanatus (T) Mansf 378549 Wheat, common Triticum aestivum L. 21610050 White yam Dioscorea rotundata Poir. 4591

N FAO name Scientific nameArea

harvested (kha)

1 Alfalfa Medicago sativa L. 152142 Apple Malus sylvestris Mill. 47863 Banana Musa acuminata Colla 41804 Barley Hordeum vulgare L. 555175 Bean, Common Phaseolus vulgaris L. 265406 Common buckwheat* Fagopyrum esculentum Moench 27437 Cabbage Brassica oleracea L.v capi. 31388 Cashew Anacardium occidentale L. 33879 Cassava Manihot esculenta Crantz. 18608

10 Chick pea Cicer arietinum L. 1067211 White clover Trifolium repens L. 262912 Cacao Theobroma cacao L. 756713 Coconut Cocos nucifera L. 1061614 Coffee arabica Coffea arabica L. 1020315 Cotton, American upland Gossypium hirsutum L. 3473316 Cowpea Vigna unguiculata unguic. L 1017617 European wine grape Vitis vinifera L. 740018 Groundnut Arachis hypogaea L. 2223219 Lentil Lens culinaris Medikus 384820 Linseed Linum usitatissimum L. 301721 Maize Zea mays L. s. mays 14437622 mango Mangifera indica L. 415523 Millet, common Panicum miliaceum L. 3284624 Rubber * Hevea brasiliensis (Willd.) 825925 Oats Avena sativa L. 11284

Promedio del cambio en adaptabilidad para todos en 2050

Ganadores y perdedores

Número de cultivos con más de 5% de pérdida

Número de cultivos con más de 5% de beneficio

Impactos en plagas y enfermedades

• Nicho ecológico para predecir impactos sobre plagas de yuca

Ácaro verde

Mosca blanca

Sumario: ¿cómo construir estrategias?1. Tenemos los datos.2. Predecimos impacto en el cultivo.3. Predecimos impacto en las plagas/enfermedades.4. Estrategias básicas:

– Cambio en infraestructura (riego, drenaje).– Cambio en variedades (sustitución, diversificación).– Cambio de área cultivada (migración).– Cambio de cultivo.

• Buscamos estrategias más específicas (ej. Sombrío para café).• Realizar pruebas de campo para validar tecnologías.• Estudio de mercado e impacto económico de cambio climático y

estrategias.• Implementar tecnologías de mejoramiento.• Transferir tecnologías.

Conclusiones• Sabemos que el clima está cambiando, pero,

¿qué tanto resistirán nuestros sistemas productivos de no hacer nada para afrontarlo?

• Es necesario correr contra el tiempo para evaluar todos los impactos y proponer medidas.

• Se debe definir una estrategia para cada lugar y cultivo.

• Se necesita un enfoque multidisciplinar (geográfico, económico, social)

• Las decisiones deben tomarse ya: migración, manejo, cambio de cultivos.

¡Gracias! e.zapata@cgiar.org

Por: Neil Palmer