Carlos Navarro-RacinesJ. Ramirez-Villegas, A. Jarvis, P. Laderach

Datos Climáticos para CA Fuentes / Métodos / Problemas

2/7/13, San José, Costa Rica

ContenidoDatos

Históricos

Datos Futuros

Impactos

Portales y Recursos

• Disponibilidad • Dificultades• Opciones –

Downscaling

• Nuestras bases de datos

• CCAFS – Portals

Crop Models

• GHCN/GSOD• WorldClim Baseline• Información de Institutos

Meteorológicos Nacionales• Posibilidades, retos• CRU – TS• Información Satelital

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.

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.

GHCN (Global Historical Climatological Network)

• Very robust weather station dataset (NOAA)

• Used for many studies:– WorldClim– CRU datasets– Hockey-stick warming

trend analysis

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)

Weather Stations GHCN* /GSOD in CA* GHCN not adjusted

Estaciones x variable:

• 47,554 precipitación • 24,542

tmean • 14,835

tmax y tmin

- 3 0 .1

3 0 .5

M e a n a n n u a lt e m p e r a t u r e ( º C )

0

1 2 0 8 4

A n n u a l p r e c i p i t a t i o n ( m m )

WorldClim

Fuentes:•GHCN•FAOCLIM•WMO•CIAT•R-Hydronet•Redes nacionales

Stations included in WorldClim in CA

Annual Precipitation Patterns & Stations (WorldClim CA)

CIATGHCNFAOWMO

Fonts

CIATGHCNFAOWMO

Fonts

Annual Mean Temperature Patterns & Stations (WorldClim CA)

Densidad de Estaciones WCL por País en CA

-0.01 1.73472347597681E-18 0.01

-0.002

1.73472347597681E-18

0.002

0.004

0.006

0.008

0.01

0 0.08

Linear (0 0.08)

Series3

Linear (Series3)

Series5

Series7

Linear (Series7)

Linear (Series7)

Belice

Costa Rica

El Salvador

Guatemala

Honduras

Nicaragua

PanamáDensity of the Rainfall Stations

Den

sity

of t

he T

empe

ratu

re S

tatio

ns

Flat

topo

grap

hy (W

MO

)

Flat topography (WMO)

Suficiente detalle?

WMO Guidelines

Topografía Plana1 Station by 250 Km2Topografía Montañosa1 Station by 25 Km2

NATIONAL METEOROLOGICAL SERVICE OF BELIZEAgro-Climat Stations

BLZ

GTM

Distribución de Estaciones - Servicios Meteorológicos Nacionales

Instituto Nacional de Sismología, Vulcanología, Meteorología e Hidrología (INSIVUMEH)

NICIneter: Instituto Nicaragüense de Estudios Territoriales

PAN

Distribución de Estaciones - Servicios Meteorológicos Nacionales

Hidrometeorología de ETESA

Título Estaciones Meteorológicas en Costa RicaAutor responsable Instituto Meteorológico NacionalTema ClimaÁrea geográfica Costa RicaFecha de elaboración 2005Escala 1:1500000

CRIDistribución de Estaciones - Servicios

Meteorológicos Nacionales

Densidad de Estaciones por País en CAWordlClim + Insituciones Nacionales

-0.005 2.60208521396521E-18 0.005 0.01

-0.002

1.73472347597681E-18

0.002

0.004

0.006

0.008

0.01

0 0.08Linear (0 0.08)Series3Linear (Series3)Series5Series7Linear (Series7)Linear (Series7)BeliceCosta RicaEl SalvadorGuatemalaHondurasNicaraguaPanamá

Density of the Rainfall Stations

Dens

ity o

f the

Tem

pera

ture

Sta

tions

-0.005 2.60208521396521E-18 0.005 0.01

-0.002

1.73472347597681E-18

0.002

0.004

0.006

0.008

0.01

0 0.08Linear (0 0.08)Series3Linear (Series3)Series5Series7Linear (Series7)Linear (Series7)BeliceCosta RicaEl SalvadorGuatemalaHondurasNicaraguaPanamá

Density of the Rainfall Stations

Dens

ity o

f the

Tem

pera

ture

Sta

tions

WMO Guidelines

Topografía Plana1 Station by 250 Km2Topografía Montañosa1 Station by 25 Km2

Podemos mejorar?

Flat

topo

grap

hy (W

MO

)

Flat topography (WMO)

Número de Años de Registo de Estaciones incluídas en WordlClim

Belize

COSTA RICA

El Salv

ador

Guatemala

Honduras

Nicarag

ua

Panam

a0

5

10

15

20

25

30

# Años Temp# Años Prec

País

Núm

ero

de A

ños

de R

egis

tros

Podemos mejorar?

Podemos mejorar?La calidad de la interpolación es muy baja cuando la cantidad de estaciones es limitada.

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

+ =

CRU-TSCRU-TS v3.20 Historic Climate Database for GISHarris, 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

Información Satelital: TRMM

TRMM 3B43 CharacteristicsTemporal Coverage Start Date: 1998-01-01; Stop Date: -

Geographic Coverage Latitude: 50°S - 50°N; Longitude:180°W - 180°E

Temporal Resolution MonthlyHorizontal Resolution 0.25° x 0.25°; nlat = 400, nlon = 1440Average File Size Compressed: ~4.95 MB; Original: ~4.95 MBFile Type HDF

Resolución espacial (~ 28 km), TRMM tiende a sobreestimar precipitación real (aunque la

distribución espacial de la precipitación es bastante

bueno).

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 AmericaJ. Rozante and D. Moeira, 2010

Y qué acerca del futuro?

Ramírez-Villegas and Challinor, 2012

Clima & Agricultura– 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.

La demanda - Certidumbre

–T°• Max,• Min, • Media

–Prec– HR– Radiacion– Vientos– …….

Men

os im

port

ante

s

Mas

cer

tidum

bre

La demanda - Certidumbre

Datos climáticos confiables Vacíos representación del

sistema climático

Modelos climáticos inadecuados

Evaluación de Impactos

cambio climático

Alto grado de

incertidumbre

>> INCERTIDUMBRE

Necesidades Limitaciones

¿Cómo predecir el futuro?

Económico

Ambiental

Global Regional

PESIMISTA“Bussiness as

usual”

OPTIMISTAMundo perfecto

IntermedioP

E

P

E

P

E

P

E

Los Escenarios de Emisión

En la agricultura, los diferentes escenarios de emisiones no son

importantes… de aqui a 2030 la

diferencia entre escenarios es

minima

Mensaje 1

Los GCMs son la única manera en que podemos predecir el clima a futuro

Usando el pasado para aprender del futuro

Los ModelosGCM “Global Climate Model”

Cómo utilizar esta información?

Problema

Necesidad

OpcionesDownscaling por métodos estadísticos o dinámicos..

Aumentar resolución, uniformizar… proveer

datos de alta resolución,

contextualizadosAún el GCM

más preciso es demasiado

grueso (100km).

GCM - Limitaciones

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

Opciones – Métodos Estadísticos

Opciones – Métodos Estadísticos

– Usar resultados de GCMs

– Son de área limitada.. Necesitan condiciones de frontera.

– Realiza cálculos de la dinámica atmosférica y resuelve ecuaciones para cada grilla.

– Datos diarios– Resolucion varia entre 25-50km– Más de 170 variables de salida

Opciones – Métodos Dinámicos

RCM PRECIS Providing REgional Climates for Impacts Studies

• Proyecciones AR5 … más modelos, mayor resolución.• Evaluar y validar incertidumbres.

• Datos diarios (podemos hacer balances hídricos)

BCC_csm1-1BNU_esm CCCMA_cancm4CCCMA_canesm2CNRM_cm5CSIRO_access1_0CSIRO_mk3-6-0ICHEC_ec_earthINM_inmcm4IPSL_ipsl_cm5a_lrIPSL_ipsl_cm5a_mrIPSL_ipsl_cm5b_lrMIROC_esm

MIROC_esm-chemMIROC_miroc4hMIROC_miroc5MOHC_hadcm3MOHC_hadgem2-ccMOHC_hadgem2-esMPI-M_mpi-esm-lrMPI-M_mpi-esm-mrMRI_mri-cgcm3NCAR_ccsm4NCC_noresm1-mNOAA_gfld_esm2gNOAA_gfld_esm2m

RCP 4.5

CMIP5

Los cambios en el clima afectan la adaptabilidad de los cultivos que cultivamos ...

Number of crops with more than 5% loss

Number of crops with more than 5% gain

Hay algunos ganadores..

… pero muchos perdedores en países en desarrollo…

Impactos

GCMs

Effective adaptation options

MarkSim

DSSAT

Statistical Downscaling

Dynamical downscaling:Regional Climate Model

EcoCropStatistical Downscaling

MaxEnt

Necesitamos modelos para cuantificar los impactos y opciones de diseño de adaptación eficaces

Basados en nichos

Prob

abili

ty

Environmental gradient

Basados en procesos

Impactos

RAW GCM daily data

Impactos

Is cassava the answer to African climate change adaptation? Andy Jarvis , Julian Ramirez-Villegas , Beatriz Vanessa Herrera, Carlos Navarro

Cassava suitability change compared with other staples

• Cassava consistently outperforms other staples in terms of changes in suitability

CASSAVA IMPACTS BY AF REGIONS

Bases de Datos& OpenData Sources

http://ccafs-climate.orgCCAFS Climate

CCAFS Climate - Usuarios

http://analogues.ciat.cgiar.org/climate/Climate Analogues

•BACKWARDOpciones de Adaptación

• ¿Donde puedo encontrar el clima futuro de mi sitio hoy?

MI SITIO(futuro)

OTRO SITIO (s)(presente)

¿Cuáles son las preguntas a las cuales contesta Climate Analogues?

•FORWARD

• ¿Donde puedo encontrar el clima presente de mi sitio en el futuro?

MI SITIO(current)

OTRO SITIO (s)(futuro)

Opciones de Adaptación

¿Cuáles son las preguntas que Climate Analogues es capaz de contestar?

•NONE

• ¿Donde encuentro el clima presente (o futuro) de mi sitio en el mundo actualmente?

MI SITIO(presente)

OTRO SITIO (s)(presente)

Opciones de Adaptación

¿Cuáles son las preguntas que Climate Analogues es capaz de contestar?

Agtrials

•Trial sites: 489•84 countries• Institutions: 165

Objectives:- Yield- Quality- Biotic/abiotic tolerance- Nutrient efficiency- Animal nutrition/ health- Farming practices (crop rotation)- Soil fertility/conservation

http://agtrials.org/

Outputs• New geographic interface and functionalities

• From repository to database

• Successful integration with the GCP’s CropOntology.

• New partnerships (i.e University of California, AgMIP project, Tropical Legumes project, Monsanto)

• Linkages with CRP RTB

Public data! 2888 trials22 crops

Visualizing data for knowledge sharing and research development

Adaptation and Mitigation Knowledge Networkwww.amkn.org

Follow us About | Contact | Disclaimers | Copyright ©2012

Knowledge sharing...........................................

Adaptation & MitigationGender Ongoing Research Tools & DataDescription Climate &ImpactsQuick facts Food & Livelihood

Nyando (Kenya)

Next town: Asawo Geocoordinates: -0.314705; 35.022805 Mean elevation: 1314 m

Spotlight On: Disruptive erosion is a fact of life in Kamango village

A heavy rain often brings a bountiful harvest for farmers in Kamango, one of seven villages surveyed by CCAFS in the Nyando area of Kenya. But it can also bring destruction of the kind that endangers the livelihoods of those living nearby. Soil erosion in the form of a giant gulley has been worrying the villagers of Kamango since the 1960s. The gulley has been growing steadily in the intervening years until it has become one of the most identifiable landmarks in the area. Villagers even refer to historical events by whether they happened before or after the unusually heavy “Uhuru rains” that catalyzed the growth of the gulley. See More…

Data Layers

Ongoing research

Watch Video Testimonials

Celeste M. Nyaga - Karwe village, Makengi

- Kenya

Follow us About | Contact | Disclaimers | Copyright ©2012

Knowledge sharing...........................................

Adaptation & Mitigation Gender Ongoing Research Tools & DataDescription Climate &ImpactsQuick facts Food & Livelihood

Nyando (Kenya)

Crops & livestock

Main crops & livestock

Crop calendar

Land use

Hunger months

Climate crises

Food security

0.00%

10.00%

20.00%

30.00%

40.00%

50.00%

60.00%

70.00%

80.00%

90.00%

100.00%

Maize Sorghum Beans Goats Chickens

Per

cen

t of h

ouse

hold

s ci

ting

Farming system: Maize mixed

•Maize is the primary food crop, with over 99% of households citing its production

•Small livestock such as goats and chicken are important sources of livelihood, including animal products like eggs and milk

Source: 2011 CCAFS Baseline SurveysPDF | JPEG

• Necesitamos multiples acercamientos para mejorar la base de informacion acerca de escenarios de cambio climatico– Desarollo de RCMs (multiples: PRECIS NO ES

SUFICIENTE)– Downscaling empirico, metodos hybridos– Probamos diferentes metodologias

• Contactos con otras instituciones..• CIAT pone sus datos y métodos a

disposición de cualquier público.

Flujo de informacion es

critico para nosotros como

retroalimentacion y para no repetir trabajo que otros

han hecho ya.

Qué sigue?

Estrategia datos climáticos

Carlos Navarro-Racinesc.e.navarro@cgiar.org

Gracias & Bendiciones!