Presentación en el evento I Taller GRiSP para fitomejoradores de Arroz en América Latina y el Caribe

1. Andy Jarvis - Julián Ramírez -Flora Mer –
Carlos Navarro - Patricia Moreno

2. • Clima y modelación de cultivos
• Mejoramiento y modelos de cultivo
• Nuestro plan: DSSAT-ORYZA2000
• AgTrials

3. Importante evaluar impacto del cambio
climático en rendimiento de cultivos (Craufurd et
al., 2011).
Incrementos en temperatura, sequía y
lluvias extremas presentan efecto negativo
en rendimiento de arroz (Craufurd et al., 2011; Auffhammer et
al., 2012).
Generación de estrategias de adaptación y
mitigación a través de modelación ex ante
(Craufurd et al., 2011).
Figura 1. Efecto del aumento de la temperatura mínima en
variables de rendimiento en arroz (Peng et al., 2004).

4. Selección de escenarios
• Evaluación de la calidad: Simulación con datos del pasado vs. Clima
histórico
• Presente, 2030 pesimista, 2030 optimista?
• Establecimiento de base de datos operacional como escenario
Estudios globales
• Modelo sencillo
• Aproximación espacializada con una grilla
• Mapeo global de respuesta del cultivo al CC
Zoom-ins: Experimentos virtuales
• Modelos G*E*M
• Calibración del modelo por variedades
• Identificación de rango de parámetros
• Acercamiento en TPE por cada cultivo
• Análisis de sensibilidad: Variación de parámetros vs. Ambiente
• Composición de ideotipo para cultivos adaptados Dingkuhn, 2011

5. Ejemplo: Modelación EcoCROP
Evalúa sobre una base mensual si
hay condiciones climáticas
adecuadas dentro de una estación
de crecimiento según la …y calcula la aptitud climática de las
temperatura y la precipitación… interacciones resultantes entre precipitación y
temperatura…

6. 50 cultivos seleccionados basados en el área cosechada
en FAOSTAT
Area Area
N FAO name Scientific name harvested N FAO name Scientific name harvested
(kha) (kha)
1 Alfalfa Medicago sativa L. 15214 26 African oil palm Elaeis guineensis Jacq. 13277
2 Apple Malus sylvestris Mill. 4786 27 Olive, Europaen Olea europaea L. 8894
3 Banana Musa acuminata Colla 4180 28 Onion Allium cepa L. v cepa 3341
4 Barley Hordeum vulgare L. 55517 29 Sweet orange Citrus sinensis (L.) Osbeck 3618
5 Bean, Common Phaseolus vulgaris L. 26540 30 Pea Pisum sativum L. 6730
6 Common buckwheat* Fagopyrum esculentum Moench 2743 31 Pigeon pea Cajanus cajan (L.) Mill ssp 4683
7 Cabbage Brassica oleracea L.v capi. 3138 32 Plantain bananas Musa balbisiana Colla 5439
8 Cashew Anacardium occidentale L. 3387 33 Potato Solanum tuberosum L. 18830
9 Cassava Manihot esculenta Crantz. 18608 34 Swede rap Brassica napus L. 27796
10 Chick pea Cicer arietinum L. 10672 35 Rice paddy (Japonica) Oryza sativa L. s. japonica 154324
11 White clover Trifolium repens L. 2629 36 Rye Secale cereale L. 5994
12 Cacao Theobroma cacao L. 7567 37 Perennial reygrass Lolium perenne L. 5516
13 Coconut Cocos nucifera L. 10616 38 Sesame seed Sesamum indicum L. 7539
14 Coffee arabica Coffea arabica L. 10203 39 Sorghum (low altitude) Sorghum bicolor (L.) Moench 41500
15 Cotton, American upland Gossypium hirsutum L. 34733 40 Perennial soybean Glycine wightii Arn. 92989
16 Cowpea Vigna unguiculata unguic. L 10176 41 Sugar beet Beta vulgaris L. v vulgaris 5447
17 European wine grape Vitis vinifera L. 7400 42 Sugarcane Saccharum robustum Brandes 20399
18 Groundnut Arachis hypogaea L. 22232 43 Sunflower Helianthus annuus L v macro 23700
19 Lentil Lens culinaris Medikus 3848 44 Sweet potato Ipomoea batatas (L.) Lam. 8996
20 Linseed Linum usitatissimum L. 3017 45 Tea Camellia sinensis (L) O.K. 2717
21 Maize Zea mays L. s. mays 144376 46 Tobacco Nicotiana tabacum L. 3897
22 mango Mangifera indica L. 4155 47 Tomato Lycopersicon esculentum M. 4597
23 Millet, common Panicum miliaceum L. 32846 48 Watermelon Citrullus lanatus (T) Mansf 3785
24 Rubber * Hevea brasiliensis (Willd.) 8259 49 Wheat, common Triticum aestivum L. 216100
25 Oats Avena sativa L. 11284 50 White yam Dioscorea rotundata Poir. 4591

7. Cambio promedio de aptitud para todos los cultivos en el
2050

8. Necesaria una
modelación más
detallada
Arroz no es posible modelar con
EcoCROP por complejidad del sistema
Lafarge, 2010
Se espera que el arroz irrigado crezca en
sistemas de cultivo con uso eficiente del agua El arroz secano más sensible a sufrir
lo cual ayuda a evitar estrés por temperatura estrés hidrico

9. Mejoramiento genético como
estrategia de adaptación y
mitigación al cambio climático (Craufurd et
5%
al., 2011).
Evaluación de la sensibilidad a
variaciones en umbrales de adaptación
0.5 °C (Jarvis et al., 2012).
Figura 3. Diagrama del modelo usado para
evaluación de aptitud (Ramirez-Villegas et al., 2011).
Simular escenarios posibles de
mejoramiento.
Diferentes predicciones de aptitud
Cuantificación de posibles beneficios.
Figura 4. Beneficios potenciales de una nueva combinación de
parámetros reflejando escenarios de mejoramiento en yuca
(Jarvis et al., 2012).

10. DSSAT: Decision
Support System for
Agrotechnology Transfer
Estructura modular:
componentes
separados por
disciplinas científicas
Figura 5. Estructura del modelo DSSAT.
(Tomado de: http://www.stoorvogel.info/tradeoffs/course/course_4.html).
Con una interfase para agregar
modelos de cultivos

11. Potencial
production
Integración DSSAT-ORYZA2000
permite simulaciones a gran
escala de arroz (Mottaleb, 2012).
Nitrogen-
limited
production
DSSAT-ORYZA2000 resultados
comparables a los de
ORYZA2000 de manera
Kumar et al., 2011 Water-limited independiente (Mottaleb, 2012).
production
PLAN: Calibración y validación para Latinoamérica
con variedades de la región
(Creamer y Gonzalez, 2012; Mottaleb, 2012).

12. The Global Agricultural Trial Repository
IMPORTANTE Uso de infomación de ensayos en
• Calibración y evaluación de los modelos diferentes zonas –datos de
• Desarrollo de otras investigaciones rendimiento

14. • Auffhammer, M., V. Ramanathan, J.R. Vincent. 2012. Climate change, the monsoon, and rice yield in
India. Climatic Change (111),411–424.
• Craufurd, P.Q. V. Vadez, S.V. Krishna Jagadishb, P.V. Vara Prasadc, M. Zaman-Allaha. 2011. Crop
science experiments designed to inform crop modeling. Agricultural and Forest Meteorology.
Article in press. 11 p.
• Creamer, B., C. Gonzalez. 2012. Progress of Research Activities And Next Steps. Global Futures
Workshop, 23-27 January , Mt. Kenya Safari Club.
• Dingkuhn, M. Modeling Approach. Developing Climate-Smart Crops for a 2030 World Workshop
ILRI, Addis Ababa, Ethiopia.
• Jarvis, A., J. Ramirez-Villegas, B.V. Herrera Campo, C. Navarro-Racines. 2012. Is Cassava the Answer
to African Climate Change Adaptation? Tropical Plant Biol. 21 p.
• Kumar,R.N., B. Sailaja and S.R. Voleti. 2011. Crop Modelling with Special Reference to Rice Crop.
Rice Knowledge Management Portal (RKMP).24 p.
• Lafarger, T. 2010. Phenotypic plasticity and adaptation of the rice crop: opportunities for
collaborations. UMR AGAP (Genetic improvement and adaptation of Tropical and Mediterranean
Crops). CIAT, Cali, Colombia.
• Mottaleb, Kh.A. 2012. Global Futures for Agriculture Project: IRRI’s Achievements and Future
Plans. Global Futures Workshop, 23-27 January , Mt. Kenya Safari Club.
• Peng, S., J. Huang, J.E. Sheehy, R. C. Laza, R. M. Visperas, X. Zhong, G.S. Centeno, G.S. Khush and K.
G. Cassman. 2004. Rice yields decline with higher night temperature from global warming. PNAS
(101), 9971-9975.
• Ramirez-Villegas, J., A. Jarvis, P. Läderach. 2011. Empirical approaches for assessing impacts of
climate change on agriculture: The EcoCrop model and a case study with grain sorghum.
Agricultural and Forest Meteorology. 12 p.