Evaluando el impacto del cambio

climático en la producción de cultivos en los

Andes

Andy Jarvis, Julian Ramirez, Anton

Eitzinger

Centro Internacional de Agricultura Tropical, CIAT

Enfoque general

• Existe concenso sobre el cambio en el clima global…pero no como cambiaria a nivel regional

• Existen sólo algunos estudios en Latinoamérica… muchos de macro-escala

• Zona Andina es de alta importancia y vulnerabilidad– Cultivos de ciclo corto de pancoger (arroz, maíz)– Ciclo corto y alta inversión (soya, hortalizas, flores)– Cultivos de alta inversión y alto valor (café, banano)

• Urge una evaluación de impacto para establecer medidas– Impactos en producción– Impactos en economía regional

Los modelos Climáticos globales son el único

medio para predecir el clima a futuro.

Usamos el pasado para predecir el

futuro

GCM “Global Climate Model”

CCCMA-CGCM3.1 CSIRO-MK3.0 IPSL-CM4 MPI-ECHAM5

NCAR-CCSM3.0 UKMO-HADCM3 UKMO-HADGEM1

2050A1B

I N C E R T I D U M B R E S

CCCMA-CGCM3.1 CSIRO-MK3.0 IPSL-CM4 MPI-ECHAM5

NCAR-CCSM3.0 UKMO-HADCM3 UKMO-HADGEM1

2050A1B

I N C E R T I D U M B R E S

EcoCrop

La base de datos se desarrolló en 1992 por Land and Water Development Division of FAO (AGLL) como una herramienta para identificar las especies de plantas de ambientes y usos determinados, tambien como un sistema de información que contribuya a un concepto de Ordenamiento Territorial.

En octubre de 2000 Ecocrop ya está disponible online a través de: www.ecocrop.fao.org esta base de datos, ahora posee información mas de 2000 especies de plantas.

En 2001 Hijmans desarrolló el modelo básico mecanístico (Tambien conocido como EcoCrop) para calcular el índice de adaptabilidad de los cultivos utilizando la base de datos Ecocrop de FAO en DIVA GIS.

En 2011, el CIAT (Ramírez-Villegas et al.) Desarrolló aún más el modelo, proporcionando los procedimientos de calibración y evaluación.

open

Modelación de adaptabilidad con EcocropEcoCrop, originalmente por Hijman et al. (2001), se desarrolló aún más, proporcionando procedimientos de evaluación de la calibración y (Ramírez-Villegas et al. 2011).

Se evalúa en base mensual si hay condiciones climáticas adecuadas dentro de un período de crecimiento de la temperatura y la precipitación ...

... Y calcula la idoneidad climática de la interacción resultante entre la precipitación y la temperatura ...

Cómo funciona?

• Base de datos con información de mas de 2000 especies.

Qué pasa cuando corremos maxent?

12 potentialgrowing seasons

1 kilometer grid cells(climate environments)

La idoneidad de una ubicación (celda de la cuadrícula) para un cultivo se evalúa para cada una de las 12 posibles estaciones de crecimiento.

Growing season

0 24 100 80

Un análisis sectorial para Colombia

Impactos en Colombia: cambio (%) en aptitud a nivel Nacional

Cambios promedios en adaptabilidad por departamento

Dos casos diferentes: Bolivar vs. Cauca

• Estadisticas tradicionales o bioinspirados que relacionen clima con factores de cultivo– Ejemplo: productividad vs. Temperatura

• Requiere muchos datos, y metodos complejos para combinar multiples variables

• MAXENT• Métodos de máxima entropía son formas muy generales para predecir

distribuciones de probabilidad Ante las limitantes en sus momentos

• Predecir la distribución de especies con base en las co-variables ambientales : Maximización de la entropia

• Basado en evidencia

Metodos Empirico

B

15

• Entrada: pruebas de cultivos (puntos GPS)• 19 variables bioclimáticas de corriente (WorldClim) y el

clima futuro• salida: Probabilidad de distribución de cultivo (0 a 1)

MaxEnt model

Variables bioclimáticas para modelar maxent

• Bio1 = Annual mean temperature• Bio2 = Mean diurnal range (Mean of monthly (max temp - min temp))• Bio3 = Isothermality (Bio2/Bio7) (* 100)• Bio4 = Temperature seasonality (standard deviation *100)• Bio5 = Maximum temperature of warmest month• Bio6 = Minimum temperature of coldest month• Bio7 = Temperature Annual Range (Bio5 – Bi06)• Bio8 = Mean Temperature of Wettest Quarter• Bio9 = Mean Temperature of Driest Quarter• Bio10 = Mean Temperature of Warmest Quarter• Bio11 = Mean Temperature of Coldest Quarter• Bio12 = Annual Precipitation• Bio13 = Precipitation of Wettest Month• Bio14 = Precipitation of Driest Month• Bio15 = Precipitation Seasonality (Coefficient of Variation)• Bio16 = Precipitation of Wettest Quarter• Bio17 = Precipitation of Driest Quarter• Bio18 = Precipitation of Warmest Quarter• Bio19 = Precipitation of Coldest Quarter

Temperaturas y precipitaciones mensuales

Café – Resultados de maxent para Nicaragua

B

Results

Variable AdjustedR2

R2 due to variable

% of totalvariability

Present mean

Change by 2050s

Locations with decreasing suitability (n=89.8 % of all observations)BIO 14 – Precipitación del mes más seco 0.0817 0.0817 24.8 24.49 mm -3.27 mm

BIO 04 – Estacionalidad de temperatura 0.1776 0.0959 29.1 0.83 0.166BIO 12 – Precipitación anual 0.2057 0.0281 8.5 2462.35 mm -24.31 mmBIO 11 - Temperatura media del cuarto más frío 0.2633 0.0576 17.5 20.11 ºC 1.86 ºC

BIO 19 - Precipitación del cuarto más frío 0.2993 0.0155 4.7 169.13 mm -7.08 mm

BIO 05 - Temperatura máxima del mes más cálido 0.3198 0.0102 3.1 28.45 ºC 2.30 ºC

BIO 13 - Precipitación del mes más húmedo 0.2838 0.0205 6.2 450.27 mm 10.72 mm

Otros - - 6.2

Cafe - Resultados de maxent para Nicaragua

Decision Support System for Agro technology Transfer (DSSAT)

+

Results: yield change for year 2020 (Primera) – 8 trials

Trial 3 – high performance / high impactVariety 1: ICTA-OstuaSoil 1: generic medium silty loamFertilizer 2: 128 kg/ha 18-46-0 Fertilizer application on sowing and 64 kg/ha UREA at 22 to 30 days after germination

Trial 7 – medium high performance / less impactVariety 1: ICTA-OstuaSoil 2: generic medium sandy loamFertilizer 2: 128 kg/ha 18-46-0 Fertilizer application on sowing and 64 kg/ha UREA at 22 to 30 days after germination

Valores positivos y negativos de los cambios estadísticos rendimiento previsto para el año 2020

Resultados Sensibilidad Específico - Fríjol

Resultados Sensibilidad Específico - Fríjol

Evento extremo – lluvias

Resultados Sensibilidad Específico - Ejemplo

Pérdida de maíz en la sierra por sequía

% p

erdi

da d

e pr

oduc

cion

% deficiencia en agua

Resultados Sensibilidad Específico - Avances

Sequía vs agricultura de conservación

• Downscaling is inevitable.• Continuous improvements are

being done

• Strong focus on uncertainty analysis and improvement of baseline data

• We need multiple approaches to improve the information base on climate change scenariosDevelopment of RCMs (multiple: PRECIS not

enough)Downscaling empirical, methods HybridsWe tested different methodologies

Conclusions climate data

Conclusions crop models• Ecocrop, en casos de querer un

imagen general, multi-cultivo y en ausencia de datos mas detallados

• Maxent, bueno con cultivos perennes, donde hay buenos datos de evidencia de presencia

• DSSAT, mas detallado y permite corrida de escenarios de adaptacion, disponible solo para algunos cultivos y requiere muchos datos de insumo

• TODOS CON OPCIONES DE REPRESENTAR INCERTIDUMBRE

Empiricalmodels

Mechanisticmodels

Modelacion de cultivos en los Andes

Hemos escuchado….

• De incertidumbre de pronosticos climaticos• De incertidumbre en modelos de cultivo y

su caracterizacion de los procesos fisiologicos

• Pero igual, ejemplos de uso de modelacion para predicir plausibles impactos de cambio climatico a nivel de cultivo

• Y recomendaciones utiles para tomadores de decision

Incertidumbre en modelos de cultivo: GLAM, Ecocrop, Aquacrop,

DSSAT, APSIM….• No existe un mejor modelo. Existen

diferentes tipos de modolo, con diferentes habilidades para representar el mundo

• Agrupaciones generales:– Mecanistico– Nichos/zonificacion– Empirico

Gradientes altitudinales: Algo sencillo en los Andes

• Gradientes altitudinales son gradientes de temperatura

• Si temperatura sube (baja incertidubmre), pisos termicos suben en la montana

• Tenemos ejemplos muy claros en café…

Suitability in Cauca

• Significant changes to 2020, drastic changes to 2050

• The Cauca case: reduced coffeee growing area and changes in geographic distribution. Some new opportunities.

MECETA

No regretTransformational

Change

Bottom-upIncremental Adaptation

High certainty

Transformational Change

Decisiones bajo incertidumbre

• Investigacion tiene que seguir trabajando en la reduccion de incertidumbre:– Mejores modelos

– Metodos robustos que cuantifica incertidumbre

– Seleccion apropriado del metodo de acuerdo al problema/pregunta investigativo

• Pero igual comunicar resultados de una forma que permite tomar decisiones bajo contexto de incertidumbre