1. El documento discute el impacto del cambio climático en la biodiversidad y la agrobiodiversidad en América Latina. 2. Explica que el clima se volverá más cálido y húmedo en general, aunque los modelos climáticos difieren en los detalles. 3. El escenario más pesimista predice un aumento de temperatura de 6-8°C y una disminución de precipitación de 200-1000 mm/año en algunas áreas.

1. Cambio climático y su
impacto sobre la
biodiversidad
J. Rubiano – KCL, UK y
A. Jarvis y J. Ramirez - CIAT,
Colombia

2. Contenido
1. Biodiversidad
2. Cambio Climático
3. Impacto
– Biodiversidad
– Agro-
biodiversidad

3. 1. BIODIVERSIDAD

4. Source: http://www.brazadv.com/images/biodiversity.bmp

5. FRESHWATER FISH
AMPHIBIANS

6. Global patterns of endemism richness (ER; range equivalents per 10,000 km2) for (A)
vascular plants, (B) terrestrial vertebrates, (C) amphibians, (D) reptiles, (E) birds, and (F)
mammals across 90 biogeographic regions
Kier G et al. PNAS 2009;106:9322-9327
©2009 by National Academy of Sciences

8. HABITAT LOST -PRE HUMAN TO 2001
Source: www.ambiotek.com/tropicalhydrology

10. 2. CAMBIO CLIMATICO

11. Qué está pasando con el clima?

14. Datos históricos y proyección de
Precipitación y Temperatura
2950 27.5
2900
Colombia 27.0
+8.1% +3.1ºC
Precipitación total anual (mm)
2850 26.5
Temperatura media anual (ºC)
2800 26.0
2750 25.5
2700 25.0
2650 24.5
2600
Precipitación total anual (mm) 24.0 Temperatura media anual (ºC)
Tendencia temporal Tendencia temporal
2550
Intervalo de confianza (95%) 23.5 Intervalo de confianza (95%)
2500
23.0
1870 1890 1910 1930 1950 1970 1990 2010 2030 2050 2070 2090
1870 1890 1910 1930 1950 1970 1990 2010 2030 2050 2070 2090
Año Año
810 12.0
790
Mundo +14% 11.0
+4.5ºC
Precipitación total anual (mm)
Temperatura media anual (ºC)
770
10.0
750
730 9.0
710
8.0
690
Temperatura media anual (ºC)
Precipitación total anual (mm)
7.0 Tendencia temporal
670 Tendencia temporal
Intervalo de confianza (95%) Intervalo de confianza (95%)
650 6.0
1870 1890 1910 1930 1950 1970 1990 2010 2030 2050 2070 2090 1870 1890 1910 1930 1950 1970 1990 2010 2030 2050 2070 2090
Año
Año

15. Una mirada más detallada en América Latina
Método
Diferencias del promedio (Anomalies) (1950-2000 a 2040-2069) de
17 GCMs.
Diferencias en Temperatura y precipitación comparadas para todos
los 17 GCMs
Escenarios analizados incluyeron el promedio, peor caso y mejor
caso
Desacuerdos entre modelos e incertidumbre fueron analizados
Estacionalidad y cambio comparados

16. Temperature change AR4-A2a (1961-90) to 2050 – 10 of 17 different GCMs
cnrm_cm3
bccr_bcm2_0 cccma_cgcm2 cccma_cgcm3_1 cccma_cgcm3_t_t63
csiro_mk3_0 gfdl_cm2_0 gfdl_cm2_1 giss_aom
°C hccpr_hadcm3
All GCMS agree warming.
There is some consistency in the pattern of warming for the Andes but all
GCMs disagree elsewhere....
Climate data source : Ramirez, J.; Jarvis, A. 2008. High Resolution Statistically Downscaled Future Climate Surfaces. International
Centre for Tropical Agriculture, CIAT. Available at: http://gisweb.ciat.cgiar.org/GCMPage/home.html

17. Precipitation change AR4-A2a (1961-90) to 2050 – 17 different GCMs
bccr_bcm2_0 cccma_cgcm2 cccma_cgcm3_1 cccma_cgcm3_t_t63 cnrm_cm3
mm/yr csiro_mk3_0 gfdl_cm2_0 gfdl_cm2_1 giss_aom hccpr_hadcm3
For precipitation there is disagreement on the direction of change as well
as the magnitude. All models indicate wetting in the Andes...
Data source : Ramirez, J.; Jarvis, A. 2008. High Resolution Statistically Downscaled Future Climate Surfaces. International Centre
for Tropical Agriculture, CIAT. Available at: http://gisweb.ciat.cgiar.org/GCMPage/home.html

18. Change AR4 A2a (1961-90) to 2050 – mean of 17 different GCMs
°C 1. Temperature increases least on the coast (<2°C)
2. Around 2 °C in the Andes
3. Closer to 3 °C in the Amazon
mm/yr
1. Precipitation changes greatest in the Andes and
West
2. A few hundred mm/yr more in the N Andes, W
Amazon, Llanos
3. A few hundred mm/yr less in the S Andes,
Guyana shield, E Brazil

19. Pessimist AR4 A2a (1961-90) to 2050 – worst case of 17 different GCMs in each pixel
°C 1. Worst case = highest temperature increase
2. Worst case temperature 8 °C except coasts
3. Guyana shield especially prone to high change
mm/yr
1. Worst case = greatest rainfall decrease
2. Andes generally showing increase, rarely decrease
3. Significant drying in forested NE Amazon

20. Optimist ☺ AR4 A2a (1961-90) to 2050 – best case of 17 different GCMs in each pixel
°C 1. Best case = lowest temperature increase
2. For NW Amazon best case is liitle change,
slight cooling
3. Central (dry) Andes even best case is 2 °C
warming
mm/yr
1. Best case = greatest increase in precip
2. For most areas greatest increase 200 mm/yr
3. A few areas in Andes/Amazon with
significant increases

21. Uncertainty AR4 A2a (1961-90) to 2050 – SD of 17 different GCMs in each pixel
°C 1. Standard deviation (SD) of results for 17
GCMs used as a measure of uncertainty
2. Low temperature uncertainty at high
latitudes, coasts and mountains
3. Much greater certainty (low variability
between model predictions) in the Andes
mm/yr
1. Low rainfall uncertainty in S and SE and
parts of Andes
2. Much greater uncertainty in NE Brazil and
Amazons

22. En Síntesis, Que pasará?
Nadie sabe con certeza, dependerá del sitio pero en general se prevé que en
América Latina….
• Será más caliente y húmedo aunque cada modelo predictivo presenta
patrones diferentes
• Para América Latina, el promedio de 17 modelos nos dicen que será más
caliente en las tierras bajas.
• Mas húmedo en las partes altas de la región Andina.
• En el peor escenario, será entre 6-8 °C más caliente y entre 200 a 600
mm/año más húmedo en el suroccidente y entre 600 a 1000 mm/año más
seco en el nororiente.
• En el mejor caso 2 °C más cálido en los altos Andes, menos que este valor
en el resto y un incremento de al menos 200mm/año en toda la región.
• La incertidumbre de los cambios en temperatura es más alta en la
Amazonia en comparación con los Andes, y
• La incertidumbre en cambios en la precipitación, aunque se predice un
patrón muy complejo, es mucho mayor en la región norte.

23. AGROBIODIVERSITY

24. Massive loss of agrobiodiversity
• FAO (1998) estimates that since the beginning of this century,
about 75% of the genetic diversity of agricultural crops has
been lost.
• In China, for example, nearly 10,000 wheat varieties were
cultivated in 1949. By the 1970s, only about 1,000 varieties
were still in use (FAO 1996).
• In Mexico, only 20% of the maize varieties reported in 1930
are now known in the country (FAO 1996).
• In Germany about half of the plant species in pastures have
been lost (Isselstein 2003)
• In south Italy about 75% of crop varieties have disappeared
(Hammer et al. 2003).

25. There are vulnerabilities throughout the agricultural sector
•50-60% of Colombian producers are small
•28.6% of the agricultural area in Colombia is above 1200masl
•Permanent crops (66.4% of AgGDP in 2007) are severely affected
100
Cambio en temperatura mayor a 2.5ºC
90
Cambio en ppt mayor 3%
Porcentaje de área con cambio
80
70
60
50
40
30
20
10
0
Café
africana
Maíz
Caña de
Plátano no
Papa
Yuca
Caña panela
Cacao
Arroz total
Frutales
exportable
azúcar
Palma
Fuente: CIAT, 2009 Slide by Andy Jarvis (CIAT)

26. Cómo anticipar el impacto?
• Diversos métodos con características comunes:
– Usan datos ambientales de entrada
– Relativmente flexibles
– Fácilmente aplicables
– Versátiles por sistema productivo/cultivo
– Permiten incorporación de más datos si están
disponibles

27. Cómo se evalúa entonces el
impacto?
VARIABLES
Clave en
*19 índices
• Si sabemos:
investigación
bioclimáticos
Clima
– 1. La distribución
de clima actual
actual Clima
futuro *Temperaturas y
– 2. El desempeño actual de los cultivos precipitación
mensuales
– 3. Que existe una relación entre los dos anteriores
Relación
*Suelos (si
– 4. El clima futuro ‘más probable’ disponible)
• Entonces actual
Cultivo podemos:
Cultivo futuro *Lluvias diarias
– 1. Cuantificar la relación entre clima y desempeño de
satelitales
Rendimiento, presión de
cultivos actual Rendimiento, presión de
plagas, enfermedades, etc *Cambios en
plagas, enfermedades,
– 2. Proyectar la relación hasta el futuro ‘más probable’
etc
vegetación cada 16
días (satelitales)

28. Metodos para evaluar el impacto
• Analisis de Interacciones Genotipo X Ambiente
(GxE)
• EcoCrop
• Máxima Entropia
• Peso de Evidencia (CaNaSTA)
• DSSAT

29. Cómo se evalúa entonces el
impacto?
• 3. MaxEnt: modelos de nicho ecológico
(probabilidad de presencia)
Modelo
probabilístico
Evidencia Variables Distribución
multivariado
de ambientales probabilística
presencia potencial
Distribución de
probabilidad
alrededor de
cada variable

30. Impactos en productividad y
adaptabilidad de cultivos: ejemplos
• 50 cultivos más importantes según FAO Natural rubber Hevea brasiliensis (Willd.) 8259
Area
Crop Species Harvested Oats Avena sativa L. 11284
Oil palm Elaeis guineensis Jacq. 13277
(k Ha)
Olive Olea europaea L. 8894
Alfalfa Medicago sativa L. 15214
Onion Allium cepa L. v cepa 3341
Apple Malus sylvestris Mill. 4786
Oranges Citrus sinensis (L.) Osbeck 3618
Banana Musa acuminata Colla 4180
Pea Pisum sativum L. 6730
Barley Hordeum vulgare L. 55517
Pigeon pea Cajanus cajan (L.) Mill ssp 4683
Common Bean Phaseolus vulgaris L. 26540
Plantain bananas Musa balbisiana Colla 5439
Common buckwheat Fagopyrum esculentum Moench 2743
Potato Solanum tuberosum L. 18830
Cabbage Brassica oleracea L.v capi. 3138
Rapeseed Brassica napus L. 27796
Cashew nuts Anacardium occidentale L. 3387
Rice Oryza sativa L. s. japonica 154324
Cassava Manihot esculenta Crantz. 18608
Rye Secale cereale L. 5994
Chick pea Cicer arietinum L. 10672
Perennial reygrass Lolium perenne L. 5516
Clover Trifolium repens L. 2629
Sesame seed Sesamum indicum L. 7539
Cocoa bean Theobroma cacao L. 7567
Sorghum Sorghum bicolor (L.) Moench 41500
Coconut Cocos nucifera L. 10616
Perennial soybean Glycine wightii Arn. 92989
Coffee Coffea arabica L. 10203
Sugar beet Beta vulgaris L. v vulgaris 5447
Cotton Gossypium hirsutum L. 34733
Sugarcane Saccharum robustum Brandes 20399
Cow peas Vigna unguiculata unguic. L 10176
Sunflower Helianthus annuus L v macro 23700
Grapes Vitis vinifera L. 7400
Sweet potato Ipomoea batatas (L.) Lam. 8996
Groundnut Arachis hypogaea L. 22232
Tea Camellia sinensis (L) O.K. 2717
Lentil Lens culinaris Medikus 3848
Tobacco Nicotiana tabacum L. 3897
Linseed Linum usitatissimum L. 3017
Tomato Lycopersicon esculentum M. 4597
Maize Zea mays L. s. mays 144376
Watermelon Citrullus lanatus (T) Mansf 3785
Mango Mangifera indica L. 4155
Wheat Triticum aestivum L. 216100
Millet Panicum miliaceum L. 32846 Yams Dioscorea rotundata Poir. 4591
Natural rubber Hevea brasiliensis (Willd.) 8259

31. Impactos en productividad y
adaptabilidad de cultivos: ejemplos
• Cultivos de mandato del CIAT: fríjol arbustivo

32. Impactos en productividad y
adaptabilidad de cultivos: ejemplos
• Cultivos CIAT: fríjol voluble

33. Impactos en productividad y
adaptabilidad de cultivos: ejemplos
• DSSAT para evaluar cambio en rendimiento de
maíz
Cambio a
2050
ACTUAL
Yield kg ha-1
500
Change kg-1
1000
1500 <-2000
-1000
2000
-250
2500
+250
>2500
+1000
>2000
P.G.Jones (CIAT)& P.K.Thornton (ILRI) (2003)

35. Suitability in
Cauca
• Significant changes to
2020, drastic changes
to 2050
• The Cauca case:
reduced coffeee
growing area and MESETA
changes in geographic
distribution. Some
new opportunities.

36. Cómo enfrentar estas pérdidas?
• Compartir conocimiento, socializar el problema
• Anticipar el impacto para priorizar:
– Necesidades de mejoramiento genético
– Necesidades de adaptación sitio-específico
– Necesidades de conservación de recursos genéticos
– Necesidades de cambios en sistemas productivos
– Innovación tecnológica
• Establecer políticas nacionales/internacionales al
respecto

37. Gracias