Breve descripción de dos herramientas desarrolladas por CIP-CCAFS. Presentación en taller "Herramientas y Métodos para la Planeación y Toma de Decisiones en Agricultura y Cambio Climático" (1-2 Dec 2014 Lima, Peru).

1. Estimación de series
temporales de lluvias diarias
derivadas de datos satelitales
utilizando métodos no lineales
December1,
2014
R. Quiroz, A. Posadas, M. Carbajal, L. Duffaut,
C. Barreda, B. Condori, F. De Mendiburu

2. Contenido
• Introducción
• Breve descripción de dos herramientas
desarrolladas por CIP-CCAFS
• Conclusiones

3. Agricultura y cambio climático
• MCGs la única forma de predecir el clima
futuro y los modelos de procesos físico-
biológicos (hidrológicos, cultivos, etc.) la
forma de evaluar el impacto del CC
• Se requiere datos de clima de alta resolución
espacial y de mediana a alta resolución
temporal
• Para evaluar los MCGs se requiere data
histórica de adecuadas resoluciones temporal
y espacial

4. Limitada cobertura de estaciones meteorológicas
Fuente: WMO

5. Frecuencia de brechas en la data medida

6. 1pixel ~ 50 km
Spatial
Resolution
1pixel ~ 3 km
Apurímac1pixel ~ 3 km
1pixel ~ 3 km
Prov. Andahuaylas
Dist:
•Pacobamba
•Kishuara
•Huancarama
1pixel ~ 300 m
Prov. Andahuaylas
Dist:
•Kishuara
•Huancarama
1 pixel ~ 15 m1pixel ~ 300 m 1pixel ~ 150 m
Source:
Google Earth
1 pixel ~ 2 m
Resolución espacial

7. Herramientas desarrolladas en los Andes y probadas en
Africa

8. Información tomada por satélites
TRMM 3B42 v7: Estimación grillada de
lluvias
 Resolución Espacial = 0.25 grados
 Resolución temporal = 3 hours
 Data existente = 1998 – 2014
NDVI
 Satélite de observación terrestre
 Data desde 1980s
Resolución espacial = 1 km
 Resolución temporal útil = 10 d

9. La evidencia científica de los métodos

10. Pre-procesamiento de data NDVI
• NDVI lag :
• transformación de NDVI :
Mapa de estimación de rezagos
(NDVI lag) por pixel

11. Análisis Multi-resolución Basado
en Wavelets: el proceso

12. Herramienta de análisis
Multi-Resolución:
Aplicación con datos
TRMM

13. Estadísticas de las series de tiempo:
Gráficos de excedencia y bondad de ajuste:
Estadísticas y bondad de ajuste

14. Exceedance plots:
Quantile-Quantile plots:
Estadísticas y bondad de ajuste

15. Estación meteorológica de Ayaviri
Periodo Octubre (1999)-Marzo(2000)
mm/semana
0
20
40
60
80
100
0
30
60
90
anus24 anus6 ndvi trmmo trmmc trmmd
ESTACION
% ERROR
mm/semana
0 5 10 15 20 25
0
20
40
60
80
100
ESTACION
anus6
NDVI
Estadísticas y bondad de ajuste

16. LINEAR REGRESSION
y = 1.0618x + 2.087
R2
= 0.7491
0.0
10.0
20.0
30.0
40.0
50.0
60.0
70.0
0.0 10.0 20.0 30.0 40.0 50.0 60.0
Gauged Rainfall (mm)
EstimatedRainfall(mm)
Estimación de series de tiempo diarias: Etiopía

17. Rad Temp Water
Soil moisture
Tran
s
Evap Perc
Fi
ETo
T
o
EoDry Matter
growth
Roots
Tube
rs
Ste
ms
Leav
es
Leaf area
LUE
Part.
Factor
SLA
Senesc.
SOLANUM
Modelo de producción de papa
Simplified scheme of daily crop growth
T/To

18. Estimación de rendimiento potencial y limitado por lluvias: Año húmedo

19. Estimación de rendimiento potencial y limitado por lluvias: Año seco

20. Conclusiones
• Los técnicas mostradas permiten estimar de
una manera robusta la información climática
diaria a resoluciones de 1 km, tanto en
condiciones planas como de alta topografía
• Este tipo de información es crítico para la
categorización de riesgos
• El uso de modelos de procesos como los
modelos de cultivo permite evaluar los
impactos potenciales y escenarios de medidas
de adaptación

21. Natural Resources
Management Division
http://inrm.cip.cgiar.org
Gracias
http://inrm.cip.cgiar.org
Programa de Intensificación
de sistemas de Cultivos y
Cambio Climático