Avances en Modelacion clima cultivos. Reunión anual del proyecto Paisajes Sostenibles para la Amazonia.

1. Avances en modelación de clima y cultivos
Carlos Navarro-Racines
M. Beltrán, M. Romero, P. Pradhan, M. Quintero
c.e.navarro@cgiar.org
1/3/2017
Cali, Colombia

2. Componentes del Proyecto
WP1. Línea base ambiental y económica para paisajes deforestados.
WP2. Posibles Impactos del CC en la aptitud de cultivos y disponibilidad de agua
(insumo para la identificación de opciones de uso de la tierra para la adaptación)
WP3. Alternativas de uso sostenible implementadas en sitios piloto; diseñadas en conjunto
con pobladores locales y evaluadas conjuntamente con asesores de formuladores de política
(teniendo en cuenta su costo-efectividad).
WP4. Rutas de transición hacia el desarrollo sostenible y sus implicaciones para uso sostenible
de la tierra son identificadas y analizadas
WP5. Herramientas para el monitoreo de cambios de cobertura de la tierra validadas en Perú
y capacidades para procesar e interpretar resultados fortalecidas
WP6. Retroalimentación con formuladores de política al nivel nacional y sub-nacional .

3. Datos
biofísicos y
de clima
Opciones de
adaptación
efectivas
Necesitamos modelos de clima y cultivos para cuantificar
impactos y para diseñar opciones de adaptación efectivas.
Mensaje clave 1
GCM

4. IPCC, 2013
Anomalías observadas en el promedio mundial
de temperaturas en superficie, terrestres y
oceánicas combinadas, desde 1850 hasta 2012,
a partir de tres conjuntos de datos. Imagen
superior: valores medios anuales. Imagen
inferior: valores medios decenales, incluida la
estimación de la incertidumbre para un
conjunto de datos (línea negra). Las anomalías
son relativas a la media del período 1961-1990.
Cambios Observados
Atmósfera
Parte I
Modelando el clima actual y proyectando el futuro

5. Figure 1 Frequency of use of the different data sources in agricultural studies
based on a review of 247 recordings from published studies (taken from a
comprehensive data use survey) (Ramirez-Villegas and Challinor 2012)
Caracterizando clima histórico
Problemas de exactitud (es decir, falta
de homogeneidad, discontinuidades)

6. Porcentaje de datos y periodos
+ CHIRPS
+ AgMERRA

7. Definición del área para producción de datos de clima
- Include the two pilot zones in Colombia
and Peru.
- Include all the Colombian and Peruvian
Amazon extension.
- Keep some common characteristics like
biodiversity and biophysical conditions.
Results:
- Zone defined by extent: Longitude -80 to -
66, Latitude -16 to 5.
- A subregion defined by the Napo Moist
Forest Ecoregion which includes the two
pilot zones and could be used for the
climate trend analyses. According to Olson
et al. (2001) this Global ecoregion is made
up of 2 terrestrial ecoregions: Ucayali moist
forests; and Napo moist forests

8. Línea Base
Precipitación Acumulada Mensual, 1981-2010Temperatura media Mensual, 1981-2010Rango diurno de temperatura, 1981-2010

9. GCMs es casi la única herramienta que
tenemos para proyectar futuro
Mensaje clave 2
GCM

10. Problemas
Necesidad
Opciones
Downscaling por
métodos
estadísticos o
dinámicos y
corrección de sesgo.
Aumentar resolución,
uniformizar… proveer
datos de alta
resolución,
contextualizados1. Baja Resolución
100- 300 Km
2. Mezcla de resoluciones
3. Disponibilidad de datos
4. No representan bien clima
histórico
¿Cómo utilizar esta
información?
Modelo País
BCC-CSM1.1 China
CSIRO-Mk3.6.0 Australia
FIO-ESM China
GFDL-CM3 United States
GISS-E2H United States
GISS-E2R United States
IPSL-CM5A-LR France
IPSL-CM5A-MR France
MIROC-ESM Japan
MIROC-ESM-CHEM Japan
MIROC-MIROC5 Japan
MOHC-HadGEM2-
CC
United Kingdom
MRI-CGCM3 Japan
NCAR-CCSM4 United States
4 RCP
Monthly
Temp, Prec
5 km (2.5°)

11. Mean precipitation change (%)
Anomalías con RCP 8.5
Mean minimum temperature change (°C)Mean maximum temperature change (°C)

12. El Modelo EcoCrop
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°
• Un algoritmo sencillo para mirar el nicho de cada especie
basado sólo en los datos del clima

13. Selección de cultivos a modelar
Referencias
Colombia: 2007_2015 Evaluaciones Agropecuarias Municipales (EVA). Oficina Asesora de Planeación y Prospectiva - Grupo de Información y
Estadísticas Sectoriales. Ministerio de Agricultura y Desarrollo Rural.
Perú: INEI 2012 (instituto nacional de estadísticas e informática). IV Ceso Nacional agropecuario 2012 de Perú http://censos.inei.gob.pe/Cenagro/redatam/#
Ecuador: INEC 2013 ( Instituto Nacional de Estadística y Censos ) http://anda.inec.gob.ec/anda/index.php/catalog/477/get_microdata
Cultivo Area Cultivada
Lugar ocupado en área
dentro de cultivos para
alimetación
Importancia en dieta
Plátano (Musa
paradisiaca)
Amazonía Colombiana: 45.484ha (2015)
Primer lugar en los 3
países
Importante en la dieta de
comunidades amazónicas en
Perú(FAO 2015).
Base alimentación provincia
Pastaza Ecuador (Siren 2007).
Producto complementario de la
alimentacion básica en la región
media del río Caquetá (Colombia)
(Peña et al. 2016).
Cultivos que forman parte de
agricultura a pequeña escala en
la region Amazónica (WWF 2016)
Región Amazonia Peruana (selva):
104.788ha (2012)
Amazonia Ecuatoriana: 2.6807 (2013)
Yuca (Manihot
esculenta)
Amazonía Colombiana: 23.768 ha (2015) Segundo lugar en área en
Amazonía Colombianay
Ecuatoriana y tercero en
Amazonía Peruana
Región Amazonía Peruana (selva):
61814ha (2012)
Amazonia Ecuatoriana: 9938 ha (2013)
Maíz (Zea mays)
Amazonía Colombiana: 14964 ha (2015)
Tercer lugar Amazonía
Colombiana y Ecuatoriana
y cuarto en Peruana
Región Amazonía Peruana (selva):
5707ha (2012).
Amazonía Ecuatoriana: 2139 ha (2013).
Arroz (Oryza
sativa)
Región Amazonía Colombiana: 1308ha
(2015)
Menos cultivado en
Colombia , solo en tres
departamentos (puesto 4).
Segundo lugar en área en
Perú. Puesto 5 en Ecuador
Importante en la dieta de
comunidades amazónicas en
Perú (FAO 2015)
Región Amazonía Peruana (selva):
9429ha (2012)
Amazonía Ecuatoriana: 70 ha (2013)

14. Ajuste de parámetros - Maíz
Maiz Eitzinger et al Maiz Eitzinger Kai
Maíz de tierras poco
húmedas de mediana latitud
Current suitability 1981-2010
Maíz de tierras húmedas bajas

15. Yuca
Ajuste de parámetros –
Yuca y Platano
Current suitability 1981-2010
Yuca tomado de Ceballos et al, 2011
Platano Eitzinger
Platano Reggata
Platano Reggata-German

16. Changes in suitability
Areas no longer
suitable
Areas suitable and
same suitability in
the future
New Areas of
suitability
Areas suitable but
less suitable in the
future
Areas Suitable
and more suitable
in the future

17. Incertidumbre

18. Cuántificación
Incertidumbre
Ejemplo RCP 4.5, 2050s

19. Parte III - Indices agro-climáticos
Creación de perfil al estilo CSA

20. Índices agroclimáticos
Index Units Description Hazard
𝑇 𝑚𝑒𝑎𝑛 °𝐶
Mean daily temperature averaged for a
specified period
Heat stress
𝐺𝐷𝐷 °𝐶/𝑑𝑎𝑦
Crop duration. Growing degree days
calculated using a capped-top function with
TB=10 ºC and TO=25 ºC
Heat stress
𝑁𝐷 𝑇35 𝑑𝑎𝑦𝑠
Total number of days with maximum
temperature greater or equal to 35 ºC
Heat stress
𝑃 𝑇𝑜𝑡 𝑚𝑚/𝑦𝑒𝑎𝑟 Annual total precipitation Flash floods
𝐶𝐷𝐷 𝑑𝑎𝑦𝑠
Maximum number of consecutive dry days
(i.e. with precipitation < 1 mm day-1)
Drought stress
𝑃5𝐷 𝑚𝑚/𝑑𝑎𝑦
Maximum 5-day running average
precipitation
Flash floods
𝑃95 𝑚𝑚/𝑑𝑎𝑦 95th percentile of daily precipitation Flash floods
𝑁𝐷 𝑊𝑆 𝑑𝑎𝑦𝑠
Maximum number of consecutive days with
ratio of actual to potential evapotranspiration
(ETa/ETp) ratio below 0.5
Drought stress

21. Clúster de tendencias (ejemplo)

22. Escenarios potenciales (ejemplo)
Hazard Index Season Trend Severity
Drought spell Maximum number of consecutive dry days (precipitation < 1 mm day-1) First Decrease Slight
Erosion risk 95th percentile of daily precipitation First Increase Slight
Flooding Maximum 5-day running average precipitation First Increase Slight
Heat stress Mean temperature First Decrease Slight
Heat stress Growing degree days 10°C First Decrease Slight
Heat stress Growing degree days 25°C First N.S. None
Heat stress Total number of days with maximum temperature ≥ 35°C First N.S. None
Moisture stress Number of days with ratio of actual to potential evapotranspiration ratio below 0.5 First N.S. None
Total precipitation Annual total precipitation First Increase Moderate
SLGP Stability in start of season First Decrease Slight
LGP Length of growing season First Increase Slight
Drought spell Maximum number of consecutive dry days (precipitation < 1 mm day-1) Second Decrease High
Erosion risk 95th percentile of daily precipitation Second Increase Moderate
Flooding Maximum 5-day running average precipitation Second Increase Moderate
Heat stress Mean temperature Second Decrease Slight
Heat stress Growing degree days 10°C Second Decrease Slight
Heat stress Growing degree days 25°C Second N.S. None
Heat stress Total number of days with maximum temperature ≥ 35°C Second Decrease Slight
Moisture stress Number of days with ratio of actual to potential evapotranspiration ratio below 0.5 Second Increase Slight
Total precipitation Annual total precipitation Second Increase Moderate
SLGP Stability in start of season Second Decrease Moderate
LGP Length of growing season Second Increase Moderate

23. Prioridades 2017-2018
• Refinar análisis con EcoCrop. Calibrar y añadir arroz y frijol.
• Finalizar análisis en clustering y generar escenarios con índices agro-
climáticos
• Posible modelamiento de cash crops (cultivos comerciales) con
Maxent (i.e. cacao, caucho, palmito, caña de azucar, panela cane,
café).
• Retroalimentación con formuladores de política al nivel nacional y
sub-nacional. Unir información de clima, impactos modelos e indices
agroclimáticos para realizer talleres.
• Diseño e implementación de talleres con tomadores de decision para
difundir las proyecciones del cambio climático y sus probables
impactos sobre la idoneidad de los cultivos en las áreas del proyecto.
• Discusión de talleres con productores. Análisis de percepción local en
variables de clima. ?
• Al menos 2 artículos.