Embed Size (px)
DESCRIPTION
Clase Universidad Nacional - Cambio Climático y Agrobiovdiversidad
Citation preview
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
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
¿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
