Navarro C 201405 Modelacion Climática Cambio Climático & Agricultura

Modelación Climática; Cambio Climático &

Agricultura

Carlos NavarroJ. Ramirez, A. Jarvis, C. Cardozo

IntroducciónBreve sobre seguridad alimentaria

Parte IDatos climáticos históricos, disponibilidad y dificultades

Parte IIProyecciones Climáticas Futuras para Agricultura

Parte IIICómo cuantificar impactos sobre agricultura?

Parte IVBases de Datos CIAT & OpenData Sources

Conclusiones & Práctica

Contenido

Retos

Introducción

1.Crecimiento Poblacional

Garantizar la Seguridad alimentaria

2.Producir más y mejor

… con menos agua, tierra y recursos

Cómo prepararnos

para el

futuro? ?

¿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?

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.

–T°• Max,• Min, • Media

–Prec– HR– Radiacion– Vientos– …….

Men

os im

port

ante

s

Mas

cer

tidum

bre

Clima & Agricultura

Parte IDatos Climáticos Históricos

¿De dónde puedo obtener Información Climática?

Fuentes / Métodos / Problemas

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

GHCN (Global Historical Climatological Network)http://gis.ncdc.noaa.gov/map/viewer

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

http://www.worldclim.org/ Enlaces útiles

http://srtm.csi.cgiar.org/ Enlaces útiles

http://www.cru.uea.ac.uk/ Enlaces útiles

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

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)

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

Parte IIProyecciones Climáticas Futuras para Agricultura

Y qué acerca del futuro?

Ramírez-Villegas and Challinor, 2012

Datos climáticos confiables

Vacíos representación del sistema climático

Modelos climáticos inadecuados

Evaluación de Impactos cambio climático

Necesidades Limitaciones

Alto grado de incertidumbre

Clima & Agricultura

Económico

Ambiental

Global Regional

PESIMISTA“Bussiness as

usual”

OPTIMISTAMundo perfecto

IntermedioP

E

P

E

P

E

P

E

Los Escenarios de Emisión

¿Cómo predecir el futuro?

IPCC, 2007

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

¿Cómo predecir el futuro?

http://www.ipcc-data.org/ddc_climscen.html Enlaces útiles

http://pcmdi3.llnl.gov Enlaces útiles

¿Cómo predecir el futuro?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

En la agricultura, los diferentes escenarios de emisiones no son

importantes… de aqui a 2030 la diferencia entre escenarios es

minima

Mensaje 1

J. Rogelj et al, 2012

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 OceanBCCR-BCM2.0 Norway T63, L31 1.5x0.5, L35CCCMA-CGCM3.1 (T47) Canada T47 (3.75x3.75), L31 1.85x1.85, L29CCCMA-CGCM3.1 (T63) Canada T63 (2.8x2.8), L31 1.4x0.94, L29CNRM-CM3 France T63 (2.8x2.8), L45 1.875x(0.5-2), L31CSIRO-Mk3.0 Australia T63, L18 1.875x0.84, L31CSIRO-Mk3.5 Australia T63, L18 1.875x0.84, L31GFDL-CM2.0 USA 2.5x2.0, L24 1.0x(1/3-1), L50GFDL-CM2.1 USA 2.5x2.0, L24 1.0x(1/3-1), L50GISS-AOM USA 4x3, L12 4x3, L16GISS-MODEL-EH USA 5x4, L20 5x4, L13GISS-MODEL-ER USA 5x4, L20 5x4, L13IAP-FGOALS1.0-G China 2.8x2.8, L26 1x1, L16INGV-ECHAM4 Italy T42, L19 2x(0.5-2), L31INM-CM3.0 Russia 5x4, L21 2.5x2, L33….

GCM Limitaciones

Dificultad 2. Disponibilidad de datosWCRP 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 OKCCCMA-CGCM3.1-T63 OK OK NO NO NO NO NO NO OK OK NO NOCCCMA-CGCM3.1-T47 OK OK NO NO OK OK NO NO OK OK NO NOCNRM-CM3 OK OK NO NO OK OK NO NO OK OK NO NOCSIRO-MK3.0 OK OK OK OK OK OK OK OK OK OK OK OKCSIRO-MK3.5 OK OK OK OK OK OK OK OK OK OK OK OKGFDL-CM2.0 OK OK OK OK OK OK OK OK OK OK OK OKGFDL-CM2.1 OK OK OK OK OK OK OK OK OK OK OK OKGISS-AOM OK OK OK OK NO NO NO NO OK OK OK OKGISS-MODEL-EH OK OK NO NO NO NO NO NO NO NO NO NOGISS-MODEL-ER OK OK NO NO OK OK NO NO OK OK NO NOIAP-FGOALS1.0-G OK OK NO NO NO NO NO NO OK OK NO NOINGV-ECHAM4 OK OK NO NO OK OK NO NO NO NO NO NOINM-CM3.0 OK OK OK OK OK OK OK OK OK OK OK OKIPSL-CM4 OK OK NO NO OK OK NO NO OK OK NO NOMIROC3.2.3-HIRES OK OK OK OK NO NO NO NO OK OK OK OKMIROC3.2.3-MEDRES OK OK OK OK OK OK OK OK OK OK OK OKMIUB-ECHO-G OK OK NO NO OK OK NO NO OK OK NO NOMPI-ECHAM5 OK OK NO NO OK OK NO NO OK OK NO NOMRI-CGCM2.3.2A OK OK NO NO OK OK NO NO OK OK NO NONCAR-CCSM3.0 OK OK OK OK OK OK OK OK OK OK OK OKNCAR-PCM1 OK OK OK OK OK OK OK OK OK OK OK OKUKMO-HADCM3 OK OK NO NO OK OK NO NO OK OK NO NOUKMO-HADGEM1 OK OK NO NO OK OK NO NO NO NO NO NO

GCM Limitaciones

Dificultad 3. Habilidad limitada de representar clima presente.

Depender de un solo GCM no es recommendable!

GCM Limitaciones

Cómo utilizar esta información?

Problema

Necesidad

OpcionesDownscaling por métodos estadísticos o dinámicos..

Aumentar resolución, uniformizar… proveer datos de alta resolución, contextualizados

Aún el GCM más preciso es demasiado grueso (100km).

GCM Limitaciones

Opciones – Métodos EstadísticosCómo combinar GCM & Observaciones?

Hawkins, 2012

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 )

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

Opciones – Métodos Estadísticos

Ramirez-Villegas and Challinor 2012

Definiendo la Línea Base WorldClim

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

Opciones – Métodos Estadísticos

Método Delta

Opciones – Métodos Estadísticos

– 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

Opciones – Métodos Dinámicos

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??

Opciones – Métodos Dinámicos

La incertidumbre cientifica SI es relevante para la agricultura: tenemos que tomar decisiones

dentro de un contexto de incertidumbre

Mensaje 2

Incertidumbres

Hawkins, 2012

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?

Incertidumbres

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

En Resúmen…

Cómo cuantificar

impáctos? ?

Parte III

GCMs

Effective adaptation options

MarkSim

DSSAT

Statistical Downscaling

Dynamical downscaling:Regional Climate Model

EcoCropStatistical Downscaling

MaxEnt

Necesitamos modelos para cuantificar los impactos y diseñar opciones de adaptación efectiva

Based on niches

Prob

abili

ty

Environmental gradient

Based on process

Impactos

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

Impactos

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

Impactos

Is cassava the answer to African climate change adaptation? Jarvis A. et al, 2012

Impactos

Current Climate Contraint

Cassava suitability change compared with other staples

Cassava consistently outperforms other staples in terms of changes in suitability

Cassava Impacts by AF REGIONSImpactos

EcoCrop

Adaptation entry points in maize-bean systems

Impactos

DSSAT

• 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.

Entonces como adaptamos?

Parte IVBases de Datos CIAT& OpenData Sources

http://ccafs-climate.orgCCAFS Climate

CCAFS Climate - Users

Actualiced Nov 2013

CCAFS Climate - Users

> 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% )

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

¿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?

http://ccafs.cgiar.org/CCAFS Blog

http://dapa.ciat.cgiar.org/CCAFS Blog

• 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.

Conclusiones

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

Gracias & Bendiciones!