Servicios Climáticos para la Agricultura, Ciudad de Guatemala Jun 2019
Andy j webinar crop models en andes
1. 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
2. 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
3. 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”
6. 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.
7. open
Modelación de adaptabilidad con Ecocrop
EcoCrop, 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?
8. • Base de datos con información de mas de
2000 especies.
9. Qué pasa cuando corremos maxent?
12 potential
growing 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
14. • 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
15. 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
16. 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
18. B
Results
Variable Adjusted
R2
R2 due to
variable
% of total
variability
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 0.166
BIO 12 – Precipitación anual 0.2057 0.0281 8.5 2462.35 mm -24.31 mm
BIO 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
20. Results: yield change for year 2020 (Primera) – 8 trials
Trial 3 – high performance / high impact
Variety 1: ICTA-Ostua
Soil 1: generic medium silty loam
Fertilizer 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 impact
Variety 1: ICTA-Ostua
Soil 2: generic medium sandy loam
Fertilizer 2: 128 kg/ha 18-46-0 Fertilizer application on
sowing and 64 kg/ha UREA at 22 to 30 days after
germination
21. Valores positivos y negativos de los cambios estadísticos rendimiento
previsto para el año 2020
26. • 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 scenarios
Development of RCMs (multiple: PRECIS not
enough)
Downscaling empirical, methods Hybrids
We tested different methodologies
Conclusions climate data
27. 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
Empirical
models
Mechanistic
models
29. 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
30. 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
31. 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…
32. 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
34. 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
Notas del editor
Los escenarios de emisiones imponen condiciones para los modelos climáticos globales (basados en ciencias atmosféricas, química, física, biología, etc). Dividen el mundo el grillas y miran las relaciones entre factores que ocurren entre la atmósfera, los oceános, la superficie de la tierra. Por supuesto, hay cientos de procesos que salen de la comprensión de los modelos matemáticos así que estos modelos utilizan parametrizaciones para representar fenomenos incomprensibles. Son tan elaborados estos modelos que tienen que correrse en supercomputadoras. Entre más complejo sea el modelo, más factores tiene en cuenta y menos suposiciones usa. Se corre desde el pasado hasta el futuro
La contribución de la agricultura al PIB ha estado entre 10 y 14% en los últimos 14 años. 21% empleos
Can you please take area per altitude line out? This is very important is shows that there is no more area available further up and that coffee will compete even more with protected areas. PES discussion. If you cannot, explain to what does it pertain: current or 2050? It simply shows the area available at each altitude current and future. Just area per altitude.
The Decision Support System for Agrotechnology Transfer (DSSAT) is one of the most sophisticated crop simulation models currently available. Its advantages are the possibility to include specific information on weather, soils, plants, management and interactions of these factors. We ran DSSAT with available bean and maize variety calibration sets (2 fertilizer levels, 2 varieties, 2 soils, common smallholder conditions and management) to simulate current average yield and future expected yields. Results for current yields where ground-proofed through expert consultation throughout the region. In addition, field trials with recently introduced bean varieties with higher drought tolerance were conducted in order to obtain calibration data sets for more precise predictions.
We ran the model for all the four countries and mapped the results (in this case the differences between current and future (2020) bean production) for Central America. As we can see there are areas where yields will decrease dramatically whereas others are improving their production potential. The already described changes in climate conditions and their interactions with other location specific conditions determine crop production. Heat and drought stress and high night temperatures are the main culprits for these results. This is broadly sustained by scientific evidence. Some general findings are: Beans : Temperatures > 28/18 C (day/night) decrease biomass production, seed-set, seed number and size (less pods per plant, less seed per pod, lower seed weight) Elevated CO2 also decreased seed-set Elevated CO2 increased biomass, but benefits of elevated CO2 decreased with increasing temperatures Maize: High temperature stress decreases pollination and seed set in maize, mainly caused by decreased pollen viability and stigma receptivity High temperature stress decreases seed-set and kernel numbers per plant. High temperature stress also affects negatively kernel quality and density (protein, enzymes) Reproductive stages (pollen development, flowering, early grain filling) are relatively more sensitive to drought stress, drought decreases kernel number and dry weights. Maize needs 50% of the water in the period 10 days before to 20 days after initial flowering. Even with enough water temperature stress affects pollen development. Drought stress decreases kernels numbers and kernel size Higher night temperatures means higher losses from respiration thus biomass and yield losses From the DSSAT results we can now identify the different type of intervention areas in the region (next slide)
Downscaling es inevitable, aunque se evaluarán las limitaciones de los modelos. El foco principal es hacer un análisis de incertidumbres y