Navarro c 201505_modelacion_climatica_cc_agricultura_upra
•Descargar como PPTX, PDF•
2 recomendaciones•755 vistas
Presentación UPRA - 4 de mayo de 2015
Recomendados
Recomendados
Más contenido relacionado
La actualidad más candente
La actualidad más candente (15)
Destacado
Destacado (20)
Similar a Navarro c 201505_modelacion_climatica_cc_agricultura_upra
Similar a Navarro c 201505_modelacion_climatica_cc_agricultura_upra (20)
Más de Decision and Policy Analysis Program
Más de Decision and Policy Analysis Program (20)
Último
Último (20)
Navarro c 201505_modelacion_climatica_cc_agricultura_upra
- 1. Carlos Navarro J. Tarapues, J. Ramirez, A. Jarvis, S. Gourdji, J. Tapasco
- 3. • ¿Cómo responderán nuestros sistemas a estas condiciones? • ¿Cuándo, dónde, y qué tipo de cambio se requiere para adaptar? • ¿Quién debe planear? ¿Quién debe ejecutar? ¿Qué condiciones tendremos en 30, 50, 100 años? IPCC, 2007
- 4. • 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. –T° • Max, • Min, • Media –Prec – HR – Radiacion – Vientos – ……. Menosimportantes Mascertidumbre Requerimientos en Agricultura
- 6. Parte I Datos Climáticos Históricos ¿De dónde puedo obtener Información Climática? Fuentes / Métodos / Problemas
- 7. Frecuencia de uso de diferentes datos en estudios de agricultura basados en una revisión de 247 registros de estudios publicados (Ramirez-Villegas and Challinor 2012) 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. 6. Problemas de exactitud (es decir, falta de homogeneidad, discontinuidades) Opciones & Limitaciones Cascada de Incertidumbres en Datos Climáticos
- 8. Cascada de incertidumbres en datos climáticos, que normalmente observamos en evaluación de impactos en agricultura. (Ramírez-Villegas and Challinor, 2012) (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. Cascada de Incertidumbres en Datos Climáticos Opciones & Limitaciones
- 9. GHCN Global Historical Climatological Network • Set de estaciones meteorológicas muy robusto (NOAA) • Usado para muchos estudios: – WorldClim – CRU datasets – Análisis de tendencias de calentamiento “Palo de Hockey” • Versión 8 – Alrededor de 9000 estaciones a nivel mundial. • Actualizadas diariamente. • Tienen algunos errores. GSOD Global Summary of Day Opciones & Limitaciones IPCC, 2001 Map generated by NOAA’s National Climatic Data Center, 2007
- 10. http://gis.ncdc.noaa.govVisor de la NOAA Opciones & Limitaciones
- 11. Estaciones x variable: • Precipitación 47,554. • Tmean 24,542. • Tmax y Tmin 14,835.-30.1 30.5 Mean annual temperature (ºC) 0 12084 Annual precipitation (mm) Fuentes: •GHCN •FAOCLIM •WMO •CIAT •R-Hydronet •Redes nacionales WorldClim Very high resolution interpolated climate surfaces for global land areas (Hijmans, et. al, 2005) Opciones & Limitaciones http://www.worldclim.org
- 12. Patrones de precipitación y estaciones (WorldClim) CIAT GHCN FAO WMO Fuentes
- 13. Interpolación espacial de estaciones 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 + = Opciones & Limitaciones
- 14. La calidad de la interpolación es muy baja cuando la cantidad de estaciones es limitada. ¿Podemos mejorar? Opciones & Limitaciones Number of weather stations with rainfall data in South Asia (black line) and in East and West Africa (red line). Grey line corresponds to the number of unique 1- degree cells with data over South Asia, whereas orange line corresponds to unique 1-degree cells with data in East and West Africa. CIAT unpublished data. South Asia Rainfall Weather Stations South Asia 1-degree cells with data East and West Africa Rainfall Weather Stations East and West Africa 1-degree cells with data over South Asia
- 15. CRU-TS CRU-TS v3.20 Historic Climate Database for GIS Harris, 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 • Grids de alta resolución • 0.5 grados. • Variaciones del clima sobre la última década mes tras mes. • Último generado sobre 1901-2011 http://www.cru.uea.ac.uk/ Opciones & Limitaciones
- 16. TRMM 3B43 Características Cobertura Temporal 1998-01-01 – presente Cobertura Geográfica Latitud: 50°S - 50°N; Longitud:180°W - 180°E Cobertura Temporal Mensual Resolución horizontal 0.25° x 0.25° Tamaño archivos ~4.95 MB Tipo de archivos HDF Resolución espacial (~28km), TRMM tiende a sobreestimar precipitación real (aunque la distribución espacial de la precipitación es bastante bueno). TRMM Tropical Rainfall Measuring Mission (NASA) Opciones & Limitaciones Average of All Available Rainfall mm/dd (3B43 1998-2011; NASA, 2011)
- 17. Combinando observaciones con datos satelitales Combining TRMM and Surface Observations of Precipitation: Technique and Validation over South America (J. Rozante and D. Moeira, 2010) Opciones & Limitaciones Serie de tiempo de pentadas RMSE calculadas para los trimestres de 2007 (a) verano e (b) invierno. Calculos fueron llevados a cabo considerando un 10% de muestra sobre el dominio entero (Rozante y Moeira, 2010)
- 19. AI GCM: GCM data “as is”, SD GCM: statistically downscaled GCM, PS GCM: pattern scaled GCM, WG GCM: GCM data through a weather generator, SC Variables: systematic changes in target key variables, Unclear: not specified clearly in study, ARPEGE: the ARPEGE Atmospheric GCM (Ramírez-Villegas and Challinor, 2012) Datos Climáticos Futuros
- 20. Económico Ambiental Global Regional PESIMISTA “Bussiness as usual” OPTIMISTAMundo perfecto Intermedio P E P E P E P E Los Escenarios de Emisión IPCC, 2007
- 21. Variaciones en la temperatura de la superficie de la tierra ¿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 Variations of the Earth's surface temperature: years 1000 to 2100 (IPCC, 2001)
- 22. IPCC CMIP5 Transición a nuevos Escenarios… • Caminos Representativos de Concentración de Emisiones (RCPs) • Más y mejores modelos (i.e. mayor resolución). Global temperature change and uncertainty (mean and one standard deviation as shading) relative to 1986–2005 (R. Knutti, J. Sedlácek, 2012)
- 23. En la agricultura, los diferentes escenarios de emisiones no son importantes… de aqui a 2030 la diferencia entre escenarios es minima Temperature projections for SRES scenarios and RCPs. Time-evolving temperature distributions (66% range) for the four concentration-driven RCPs computed with this study’s representative ECS distribution and a model set-up representing closely the climate system uncertainty estimates of the AR4 (grey areas). Median paths are drawn in yellow. Red shaded areas indicate time periods referred to in (Rogelj et al, 2012)
- 24. Problemas Necesidad Opciones Downscaling por métodos estadísticos o dinámicos y corrección de sesgo.Aumentar resolución, uniformizar… proveer datos de alta resolución, contextualizados 1. Baja Resolución 100- 300 Km 2. Mezcla de resoluciones 3. Disponibilidad de datos 4. No representan bien clima histórico Escala global Escala regional o local ¿Cómo utilizar esta información?
- 25. • 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 Downscaling: Método Delta Illustration of the downscaling process with January maximum temperature using the BCCR - BCM2.0 GCM pattern : (a) Baseline data (20C3M) , (b) future data for 2050s, (c) delta or anomaly by 2050s , (d) delta or anomaly by 2050s with GCM centroids (points) overlaid, (e) 30 arc - s interpolated anomaly, and (e) future downscaled climate surface at 30 arc - second spatial resolution (Ramírez and Jarvis 2010)
- 26. • 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 Modelos Climáticos Regionales (RCM)
- 27. Método Estadísticos Dinámicos Pros Resoluciones ~ 1km - Rápido de implementar y más accequible - Aplicable a TODOS los GCMs Robusto Variables - Muy buenos para estudiar procesos atmosféricos - Aplicable a varios GCMs dependiendo de disponibilidad de datos Contras Cambios solo varían en gran escala variables Resoluciones 25-50 Km Requiere más experticia para correrlo Pocas plataformas, mucho procesamiento y almacenamiento Incertidumbre difíciles de cuantificar Métodos Estadísticos vs Dinámicos
- 28. La importancia de Calibrar GCMs Mean summer (JJA) Tmax for the reference period 1970–1999 from observations (E-OBS v5.0) and a range of AOGCMs in the CMIP3 database as labelled. The units are ◦ C (Hawkins et al., 2012) Demonstrating the calibration methodologies using a range of AOGCM simulations for mean summer Tmax. QUMP4 is selected to act as ‘truth’ for verification against the calibrated projections using other QUMP members (#8). The RMS error for the region shown is given as the E value. (Hawkins et al., 2012)
- 29. OREF TREF TBC TRAW Δ correction 𝑇𝐵𝐶 𝑡 = 𝑂 𝑅𝐸𝐹 + 𝜎𝑜,𝑅𝐸𝐹 𝜎 𝑇,𝑅𝐸𝐹 𝑇𝑅𝐴𝑊 𝑡 − 𝑇𝑅𝐸𝐹 Oref = observations in the historical reference period Tref = GCM output from the historical reference period Traw = raw GCM output for the historical or future period TBC = bias-corrected GCM output) Temperature Simple Bias Correction Precipitation/Solar Radiation Quantile Mapping Bias Correction Schematic of the Bias correction uses raw model output and corrects it using the differences between reference data from the model and observations (Hawkins et al., 2012) Qmap • 1950–2000 training period Applied to • 1971–2000 (current period) • 2020-2049 (future period) Métodos de BC Climate change vulnerability in the agricultural sector in Latin America and the Caribbean
- 30. Corrección de la intensidad Corrección de la frecuencia Corrección de la variabilidad interanual BC de Precipitación Climate change vulnerability in the agricultural sector in Latin America and the Caribbean
- 31. Corrección de la intensidad Corrección de la frecuencia días con >30°C BC de Temperatura Climate change vulnerability in the agricultural sector in Latin America and the Caribbean
- 32. BC y Proyecciones Climáticas Climate change vulnerability in the agricultural sector in Latin America and the Caribbean Temperatura máxima Temperatura Mínima Precipitación
- 33. Tropical wet (Am) WFD OBSERVATIONS RAW HISTORICALBC HISTORICAL ABS(RPearson) BC y correlación entre variables Climate change vulnerability in the agricultural sector in Latin America and the Caribbean
- 34. Uncertainties in the number of summer days in 2030–2059 with Tmax > 30 ◦C. (Left) Difference between the raw output of the IPSL AOGCM from two different emissions scenarios (SRES A1B and A2). (Middle) Difference between the mean BC and CF calibrated projections using the QUMP ensemble to predict the IPSL AOGCM data. (Right) 2× the standard deviation in the BC calibrated QUMP ensemble, predicting the IPSL AOGCM data. (Hawkins et al., 2012) La incertidumbre cientifica SI es relevante para la agricultura: tenemos que tomar decisiones dentro de un contexto de incertidumbre Cascada de Incertidumbres en Datos Futuros
- 35. 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) Evaluación del Rendimiento de GCMs
- 37. Based on niches Probability Environmental gradient GCM Effective adaptation options MarkSim DSSAT Statistical Downscaling Dynamical downscaling: Regional Climate Model EcoCrop Statistical Downscaling MaxEnt Necesitamos modelos para cuantificar los impactos y diseñar opciones de adaptación efectiva Based on process Cuantificación de Impactos
- 38. Modelos Mecanísticos de Nicho Is cassava the answer to African climate change adaptation? Jarvis et al, 2012 Current Climate Contraint EcoCrop Predicted changes in cassava suitability. Change in suitability as average of the 24 GCMs overlaid with croplands (Modified from Jarvis et al, 2012)
- 39. Impactos sobre Yuca por regiones de África Modelos Mecanísticos de Nicho Is cassava the answer to African climate change adaptation? Jarvis A. et al, 2012 La yuca supera consistentemente otros alimentos básicos en términos de cambios en la adaptabilidad EcoCrop Impacts of climate change on other African staple crops as shown by the overall suitability change for each sub-region of Africa. The distributions of boxplots are combinations of GCM-by-country predictions. Thick black vertical lines are the median, boxes show the first and third quartile and whiskers extend 5% and 95% of the distributions (Jarvis et al, 2012).
- 40. Modelos Mecanísticos Fisiológicos Climate change vulnerability in the agricultural sector in Latin America and the Caribbean Cambios proyectados en rendimiento al 2030’s para un promedio de 3 variedades de maíz y soya de secano simulado con DSSAT y 10 GCM’s para el escenario CMIP5 RCP-4.5. Proyecto CIAT-BID “Climate change vulnerability in the agricultural sector in Latin America and the Caribbean” . Cambios en Rendimientos bajo Escenarios de Cambio Climático 2030s
- 42. Visits % New Visits New Visits Bounce Rate Pages / Visit Avg. Session Duration 93,266 % of Total: 100.00% (93,266) 51.29% Avg for View: 51.19% (0.20%) 47,836 % of Total: 100.20% (47,741) 41.39% Avg for View: 41.39% (0.00%) 3.77 Avg for View: 3.77 (0.00%) 00:04:39 Avg for View: 00:04:39 (0.00%) http://ccafs-climate.org Google Analytics Report (Actualized Feb 2015)
- 43. • Cambio climático progresivo sobre agricultura (22%), • Ecología y distribución de especies (58%) • Dinámica Climática (3%) • Servicios Ecosistémicos (5%) • No académicos (i.e. formulación de políticas, seguridad alimentaria y planificación de la adaptación (12% ) Impacto significativo al poner la información del cambio climático en las manos de los científicos no climáticos y “next users” que representan hasta el 19% de todos los usuarios CCAFS-Climat. > 300 Publicaciones
- 44. CORDEX Dynamical Downscaled Data Undefined periods Prec, Tmax, Tmin, Bioclim + otrhers 0.44deg (~50km) At least 2 CORDEX Domains 2014 ETA Dynamical Downscaled Data 4 GCM - 2 Escenarios 4 periodos futuros 0.33deg (~40km) Sur América 4 RCP 106 GCM (25 modelos por RCP) 4 periodos futuros 5 variables climatológicas 4 resolución espacial (hasta 1 Km2) Set completo de datos CMIP5 Delta Method Downscaled CMIP5 Originales y Datos Diarios Procesados con algunas metologías de bias-correction (Procesamiento en línea) 2015 DSSAT (.wtg) APSIM (json) Others (ascii) 2030’s, 2050’s, 2070’s, 2080’s Prec, Tmax, Tmin, Rsds Raw Resolution Extracciones en línea en formatos de interés para los modeladores de cultivos Estamos enfocados ahora en aumento de su uso entre modeladores de cultivos
- 46. ¿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-analogues. org/
- 48. Carlos Navarro-Racines c.e.navarro@cgiar.org +57 2 4450000 ext. 3574 ) *
Notas del editor
- 1. Además del CC Ultimo siglo 2000 millones 6000 millones! 2015 : 7500 millones + personas impacto medio ambiente huella de carbono 2. + 2 billones más en 2050 (~9 billones) Producir 60 a 70% Duplicar la producción agrícola en cuarenta años, Un incremento del 30% en el consumo de agua para 2030 Agricultura más díficil 3. Misma tierra, + producción Expansión agrícola --> Impacto, e.g. deforestación Tierra limitada, otros recursos limitados.
- Verdad: no hay forma de saberlo actualmente 2030 limite de corto plazo para adaptación… impactos no muy severos esperados 2050 límite crítico para políticas de adaptación y mitigación >2050 son irrelevantes para la toma de decision en agricultura Importancia Nichos de muchas especies podrían cambiar Capacidad de los ecosistemas de absorber estas perturbacioensz
- Agricultura es una industria de nicho Los cultivos son suprememente sensibles a sus condiciones climaticos Necesitamos como minimo datos mensuales Hay alta incertidumbre en proyecciones de temperatura.
- Necesidades 1) Cualquier agroecosistema responde a: Factores antropogénicos, Bioticos, Abióticos 2) Cálculos de vulnerabilidad Desarrollar modelos → Conocer incertidumbres → Planes de acción → Generación de políticas Limitaciones 1) Modelos todavía no pueden representar cientos de procesos de forma adecuada 2) Resoluciones de modelos inadecuadas: Se requieren modelos con escalas finas. 3) Incertidumbres: futuras emisiones f(suposiciones concentraciones, población, desarrollo económico, tecnológico)
- En los últimos 10 años, combinación de datos de estaciones meteorológicas, datos de satélite y modelos de predicción numérica del tiempo, además de los métodos de interpolación, o en la planta aplicación de modelos climáticos. El uso de estos conjuntos de datos para los propósitos de modelado agrícolas es bastante limitado para una o más de las siguientes razones: Aparte de las limitaciones relacionadas con el acceso y la ubicación de las estaciones meteorológicas, probablemente la cuestión más importante en relación con los datos de clima es la calidad, que también afecta en gran medida el rendimiento de los modelos de impacto.
- Las mediciones de tiempo para un sitio determinado menudo no están disponibles debido a que (1) no hay ninguna estación meteorológica, (2) las estaciones meteorológicas no están en buen estado para que los datos son o bien sólo está disponible por un corto período, o contienen lagunas, (3) Los datos recogidos no son correctamente almacenados, (4) los datos no pasan los controles de calidad básicos, y / o (5) el acceso a los datos está restringido mediante la celebración de las instituciones (Fig. 1). Esto limita aún más los análisis de impacto agrícola, destacando la importancia de que los datos públicos. Aparte de las limitaciones relacionadas con el acceso y la ubicación de las estaciones meteorológicas, probablemente la cuestión más importante en relación con los datos de clima es la calidad (Begert et al, 2008;. DeGaetano, 2006) (Fig. 1), que también afecta en gran medida el rendimiento de los modelos de impacto. Por lo tanto, la comunidad del clima y la agricultura se ha centrado en parte en el desarrollo de métodos, ya sea para llenar lagunas de datos temporal o espacial, y en el uso de estos métodos para el desarrollo de conjuntos de datos mundiales o regionales con acceso público (Hijmans et al, 2005;. Jones y Thornton, 1999; Soltani et al., 2004). Sin embargo, las incertidumbres en los conjuntos de datos globales derivados de los métodos de interpolación han sido apenas (si en absoluto) estimado (Buytaert et al, 2009;. Challinor y Wheeler, 2008;. Soria-Auza et al, 2010). Los investigadores que utilizan conjuntos de datos globales y cualquier estación meteorológica fuente Fig. 1. deben ser conscientes de estos problemas y debe tener esto en cuenta al probar la sensibilidad de sus enfoques a los problemas de exactitud (es decir, falta de homogeneidad, discontinuidades) y (si es posible) que proporcionan resultados dentro del rango de incertidumbre en los datos de entrada (es decir, como la salidas de los métodos de interpolación validados cruz) (Challinor et al., 2005).
- GSOD Temperatura media Punto de rocío medio Presión a nivel del mar medio Presión media (estación) Visibilidad media Velocidad del viento media Velocidad del viento sostenido máximo Ráfaga máxima de viento Temperatura máxima Temperatura mínima Intensidad de precipitación Profudidad de nieve
- Superficies mensuales para prec, tmean, tmin y tmax. Compilación de registros nivel, local, regional, nacional. Interpolación 1km usando Latitud, longitud, elevación como variables independientes Calidad.. Depende de ρ y topografía GHCN (Global Historical Climatology Network), FAOCLIM, WMO Climatological Normal (CLINO) Centro Internacional de Agricultura Tropical (CIAT, ) R-Hydronet
- Misión pluviométrica Tropical
- “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”
- Fuerzas sobre emisiones futuras Representan nuestra capacidad de respuesta (mitigación)… desarrollo tecnológico, sostenibilidad ambiental A1B : Rápido crecimiento económico y demográfico con pico a ½ siglo A2 : Crecimiento económico regional y lento, población en contínuo crecimiento B1 : Población A1 pero con introducción de tecnologías limpias B2 : Desarrollo económico intermedio y regional, crecimiento poblacional menor. Son plausibles
- 1) Escenario condicionan GCMs Mundo el grillas Parametrizaciones (fenómenos incomprensibles) + complejo, menos suposiciones Se corre desde el pasado hasta el futuro Cambios antropogénicos llevan a cambios atmosféricos Crecimiento poblacional + Expansion industrial + Tecnologias no amigables = gases de efecto invernadero 6 oC en 2100 Sin precedentes… necesitamos los modelos..
- Sin duda el mayor problema es la resolución.
- Factor de cambio
- No reemplazan a los GCMs, añaden detalles Área limitada Integraciones en áreas intermedias de los GCMs Usar resultados de GCMs Son de área limitada.. Necesitan condiciones de frontera. Realiza cálculos de la dinámica atmosférica y resuelve ecuaciones para cada grilla. Datos diarios Resolucion varia entre 25-50km Más de 170 variables de salida
- Dowscaling estadístico > Resoluciones (Se puede llegar incluso a 1km de resolución, 30seg) Aplicable a todos lo GCMs Rápidos de implementar < Variables *Rápido de implementar y más accequible * resoluciones *Aplicable a TODOS los GCMs *Uniformiza líneas base * No por ser más rápido de implementar implica peores resultados * Cambios solo varían en gran escala * variables Downscaling Dinámico + Robustos Depende de GCMs disponibles > Variables Mucho procesamiento y almacenamiento Más difícil el tema de incertidumbres * Robusto *Aplicable a GCMs dependiendo de disponibilidad de datos * variables Muy buenos para estudiar procesos atmosféricos * Requiere más experticia para correrlo Parametrizaciones físicas Configuración del dominio Manejo de las condiciones de frontera *Limitado uso entre no expertos *Pocas plataformas *Mucho procesamiento y almacenamiento *Limitada resolución (25-50km) *Aun falta mucho desarrollo *Incertidumbre difíciles de cuantificar Requiere más experticia para correrlo Parametrizaciones físicas Configuración del dominio Manejo de las condiciones de frontera Limitado uso entre no expertos
- Características del clima no observables en los GCMs Temperaturas frias de los alpes Amplio rango de temperaturas Corrección Bias Muchos cultivos son sensibles a umbrales de T
- BC: differences between the Obs and GCM hist, and then applied to GCM future and the GCM hist QMAP: technique remove the systematic bias in the GCM simulations and has the benefit of accounting for GCM biases in all statistical moments
- corregir tanto la intensidad como la frecuencia de lluvias The GCM-Raw tienden a sobreestimar las cantidades de precipitación secos subestimarla en los climas más húmedos no hay diferencias significativas entre GCM-Raw y observaciones, y el GCM esté representando bien la intensidad de precipitación pero no la frecuencia de días con lluvia quantile mapping effectively improved the magnitude and the frequency of the precipitation for all zones.
- Hot days frequency (in days/ month where a hot day is defined as having ≥ 30 °C maximum temperature). hot days were not well represented by the GCM-Raw GCM-BC produce enough hot days on average in all zones and are confident and realistic.
- Los resultados sugieren un aumento ligero incremento de la temperatura máxima y mínima mensual se prevé que los aumentos a corto plazo en las temperaturas medias estacionales y anuales serán mayores en los trópicos y subtrópicos que en las latitudes medias. más detectables son en los valores extremos temperaturas extremas calientes más frecuentes y frías menos frecuentes en la mayoría de las zonas Predicted changes for Monthly Maximum Temperature for 2020-2049 relative to 1971–2000 for the mean of the bias-corrected GCM model output
- Cuantificación de rendimientos en base a modelos climáticos Cascada de incertidumbres Corto plazo: casi toda variabilidad interna de las tendencias climaticas Largo plazo: + importante emisiones > Método de calibración (corrección del sesgo)…. Más grande que la eleccion del scenario Muy similar a la elección de la respuesta del modelo
- Correlacion En comparación con las observaciones….
- Camilo Barrios
- Difieren en escala espacio-temporal
- El Modelo EcoCrop Un algoritmo sencillo para mirar el nicho de cada especie basado sólo en los datos del clima 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° Basado en conocimiento de experto Superficies de clima WC Trabaja con rangos absolutos y óptimos de temperatura y precipitación en los cuales el cultivo se desarrolla. Luego busca las condiciones climáticas adecuadas dentro de un periodo de crecimiento. Produce un índice de idoneidad del cultivo en condiciones de prec y temperatura y luego arroja un índice de la interacción resultante entre las dos variables. Limitaciones actuals del cultivo de yucca 1 a 2 deg de aumento
- Mejor adaptabilidad Producto sustituto Mas resistente a calor y sequía Asegurar seguridad alimentaria
- Usando proyecciones climaticas downscaled Permite conectar sitios estadísticamente similares (Análogos) en términos de clima, a través del espacio (entre regiones) y/o el tiempo (climas pasados o futuros) Proyecto Fincas del Futuro Con el objetivo de ayudar a las comunidades a explorar las opciones disponibles para la adaptación aprendiendo de la experiencias de otras comunidades ”análogas”. Los intercambios han demostrado ser una herramienta muy importante para el aprendizaje. La idea es poner en contacto a una comunidad que tiene posibilidades de experimentar un cambio en las condiciones del clima con otra que ya ha experimentado un cambio similar, permitiendo a la primera aprender de los mecanismos de adaptación de la segunda. ¿Donde en el presente encontramos el clima futuro esperado de un sitio de referencia para transferir medidas de adaptación al cambio climático?
- Climate Analogues & TIRFAA Ayudar a mejoradores en la selección de las variedades de plantas futuras e identificar cuáles son las especies que proveen las características útiles para adaptarse al cambio climático. Construir escenarios con los usuarios mirando las oportunidades para aumentar el acceso de los recursos fitogenéticos de afuera. Identificar cuáles son los recursos fitogenéticos que son útiles para otras partes del mundo para cumplir con las necesidades de adaptaciones al cambio climático. - Identificar áreas donde es urgente conservar recursos fitogenéticos específicos.
- Linkear Cambios en adaptabilidad Testimonials from farmers in the area of interest Descripciones de los sitios Will be linked to Agtrials and the Analogue tool.