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
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
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)
18.
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
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
36.
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
41.
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
45.
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/
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.