Cambio climático y suimpacto sobre labiodiversidad
37
Cambio climático y su impacto sobre la biodiversidad J. Rubiano – KCL, UK y A. Jarvis y J. Ramirez - CIAT, Colombia
description
Transcript of Cambio climático y suimpacto sobre labiodiversidad
Cambio climático y su
impacto sobre la
biodiversidad
J. Rubiano – KCL, UK y
A. Jarvis y J. Ramirez - CIAT,
Colombia
Contenido
1. Biodiversidad
2. Cambio Climático
3. Impacto
– Biodiversidad
– Agro-
biodiversidad
1. BIODIVERSIDAD
Source: http://www.brazadv.com/images/biodiversity.bmp
FRESHWATER FISH
AMPHIBIANS
Global patterns of endemism richness (ER; range equ ivalents per 10,000 km2) for (A) vascular plants, (B) terrestrial vertebrates, (C) a mphibians, (D) reptiles, (E) birds, and (F)
mammals across 90 biogeographic regions
Kier G et al. PNAS 2009;106:9322-9327
©2009 by National Academy of Sciences
Source: www.ambiotek.com/tropicalhydrology
HABITAT LOST -PRE HUMAN TO 2001
2. CAMBIO CLIMATICO
Qué está pasando con el clima?
23.0
23.5
24.0
24.5
25.0
25.5
26.0
26.5
27.0
27.5
1870 1890 1910 1930 1950 1970 1990 2010 2030 2050 2070 2090Año
Tem
pera
tura
med
ia a
nual
(ºC
)
Temperatura media anual (ºC)
Tendencia temporal
Intervalo de confianza (95%)
Datos históricos y proyección de
Precipitación y Temperatura
2500
2550
2600
2650
2700
2750
2800
2850
2900
2950
1870 1890 1910 1930 1950 1970 1990 2010 2030 2050 2070 2090
Año
Pre
cipi
taci
ón to
tal a
nual
(m
m)
Precipitación total anual (mm)Tendencia temporalIntervalo de confianza (95%)
Colombia
650
670
690
710
730
750
770
790
810
1870 1890 1910 1930 1950 1970 1990 2010 2030 2050 2070 2090
Año
Pre
cipi
taci
ón to
tal a
nual
(m
m)
Precipitación total anual (mm)Tendencia temporalIntervalo de confianza (95%)
6.0
7.0
8.0
9.0
10.0
11.0
12.0
1870 1890 1910 1930 1950 1970 1990 2010 2030 2050 2070 2090Año
Tem
pera
tura
med
ia a
nual
(ºC
)
Temperatura media anual (ºC)
Tendencia temporal
Intervalo de confianza (95%)
Mundo +4.5ºC+14%
+3.1ºC+8.1%
Método
�Diferencias del promedio (Anomalies) (1950-2000 a 2040-2069) de
17 GCMs.
�Diferencias en Temperatura y precipitación comparadas para
todos los 17 GCMs
�Escenarios analizados incluyeron el promedio, peor caso y mejor
caso
�Desacuerdos entre modelos e incertidumbre fueron analizados
�Estacionalidad y cambio comparados
Una mirada más detallada en América Latina
bccr_bcm2_0 cccma_cgcm2 cccma_cgcm3_1 cccma_cgcm3_t_t63cnrm_cm3
csiro_mk3_0 gfdl_cm2_0 giss_aom hccpr_hadcm3
Temperature change AR4-A2a (1961-90) to 2050 – 10 of 17 different GCMs
gfdl_cm2_1
Climate data source : Ramirez, J.; Jarvis, A. 2008. High Resolution Statistically Downscaled Future Climate Surfaces. International
Centre for Tropical Agriculture, CIAT. Available at: http://gisweb.ciat.cgiar.org/GCMPage/home.html
All GCMS agree warming.
There is some consistency in the pattern of warming for the Andes but all
GCMs disagree elsewhere....
°C
Precipitation change AR4-A2a (1961-90) to 2050 – 17 different GCMs
bccr_bcm2_0 cccma_cgcm2 cccma_cgcm3_1 cccma_cgcm3_t_t63 cnrm_cm3
csiro_mk3_0gfdl_cm2_0 giss_aom hccpr_hadcm3
gfdl_cm2_1
Data source : Ramirez, J.; Jarvis, A. 2008. High Resolution Statistically Downscaled Future Climate Surfaces. International Centre
for Tropical Agriculture, CIAT. Available at: http://gisweb.ciat.cgiar.org/GCMPage/home.html
For precipitation there is disagreement on the direction of change as well
as the magnitude. All models indicate wetting in the Andes...
mm/yr
Change AR4 A2a (1961-90) to 2050 – mean of 17 different GCMs
1. Temperature increases least on the coast (<2°C)
2. Around 2 °C in the Andes
3. Closer to 3 °C in the Amazon
1. Precipitation changes greatest in the Andes and
West
2. A few hundred mm/yr more in the N Andes, W
Amazon, Llanos
3. A few hundred mm/yr less in the S Andes,
Guyana shield, E Brazil
mm/yr
°C
Pessimist ���� AR4 A2a (1961-90) to 2050 – worst case of 17 different GCMs in each pixel
1. Worst case = highest temperature increase
2. Worst case temperature 8 °C except coasts
3. Guyana shield especially prone to high change
1. Worst case = greatest rainfall decrease
2. Andes generally showing increase, rarely decrease
3. Significant drying in forested NE Amazon
mm/yr
°C
Optimist ☺☺☺☺ AR4 A2a (1961-90) to 2050 – best case of 17 different GCMs in each pixel
1. Best case = lowest temperature increase
2. For NW Amazon best case is liitle change,
slight cooling
3. Central (dry) Andes even best case is 2 °C
warming
1. Best case = greatest increase in precip
2. For most areas greatest increase 200 mm/yr
3. A few areas in Andes/Amazon with
significant increases
mm/yr
°C
Uncertainty AR4 A2a (1961-90) to 2050 – SD of 17 different GCMs in each pixel
1. Standard deviation (SD) of results for 17
GCMs used as a measure of uncertainty
2. Low temperature uncertainty at high
latitudes, coasts and mountains
3. Much greater certainty (low variability
between model predictions) in the Andes
1. Low rainfall uncertainty in S and SE and
parts of Andes
2. Much greater uncertainty in NE Brazil and
Amazons
mm/yr
°C
En Síntesis, Que pasará?
Nadie sabe con certeza, dependerá del sitio pero en general se prevé que en
América Latina….
• Será más caliente y húmedo aunque cada modelo predictivo presenta
patrones diferentes
• Para América Latina, el promedio de 17 modelos nos dicen que será más
caliente en las tierras bajas.
• Mas húmedo en las partes altas de la región Andina.
• En el peor escenario, será entre 6-8 °C más caliente y entre 200 a 600
mm/año más húmedo en el suroccidente y entre 600 a 1000 mm/año más
seco en el nororiente.
• En el mejor caso 2 °C más cálido en los altos Andes, menos que este valor
en el resto y un incremento de al menos 200mm/año en toda la región.
• La incertidumbre de los cambios en temperatura es más alta en la
Amazonia en comparación con los Andes, y
• La incertidumbre en cambios en la precipitación, aunque se predice un
patrón muy complejo, es mucho mayor en la región norte.
AGROBIODIVERSITY
Massive loss of agrobiodiversity
• FAO (1998) estimates that since the beginning of this century, about 75% of the genetic diversity of agricultural crops has been lost.
• In China, for example, nearly 10,000 wheat varieties were cultivated in 1949. By the 1970s, only about 1,000 varieties were still in use (FAO 1996).
• In Mexico, only 20% of the maize varieties reported in 1930 are now known in the country (FAO 1996).
• In Germany about half of the plant species in pastures have been lost (Isselstein 2003)
• In south Italy about 75% of crop varieties have disappeared (Hammer et al. 2003).
0
10
20
30
40
50
60
70
80
90
100
Cañ
a de
azúc
ar
Caf
é
Maí
z
Plá
tano
no
expo
rtab
le
Cañ
a pa
nela
Fru
tale
s
Pap
a
Yuc
a
Arr
oz t
otal
Pal
ma
afric
ana
Cac
ao
Por
cent
aje
de á
rea
con
cam
bio
Cambio en temperatura mayor a 2.5ºC
Cambio en ppt mayor 3%
•50-60% of Colombian producers are small
•28.6% of the agricultural area in Colombia is above 1200masl
•Permanent crops (66.4% of AgGDP in 2007) are severely affected
Fuente: CIAT, 2009
There are vulnerabilities throughout the agricultural sector
Slide by Andy Jarvis (CIAT)
Cómo anticipar el impacto?
• Diversos métodos con características comunes:
– Usan datos ambientales de entrada
– Relativmente flexibles
– Fácilmente aplicables
– Versátiles por sistema productivo/cultivo
– Permiten incorporación de más datos si están
disponibles
Cómo se evalúa entonces el
impacto?
• Si sabemos:
– 1. La distribución de clima actual
– 2. El desempeño actual de los cultivos
– 3. Que existe una relación entre los dos anteriores
– 4. El clima futuro ‘más probable’
• Entonces podemos:
– 1. Cuantificar la relación entre clima y desempeño de cultivos actual
– 2. Proyectar la relación hasta el futuro ‘más probable’
Clima
actual
Cultivo actual
Rendimiento, presión de
plagas, enfermedades, etc
Clima
futuro
Cultivo futuro
Re
laci
ón
Rendimiento, presión de
plagas, enfermedades,
etc
Proyección
Clave en
investigación
VARIABLES
*19 índices
bioclimáticos
*Temperaturas y
precipitación
mensuales
*Suelos (si
disponible)
*Lluvias diarias
satelitales
*Cambios en
vegetación cada 16
días (satelitales)
Metodos para evaluar el impacto
• Analisis de Interacciones Genotipo X
Ambiente (GxE)
• EcoCrop
• Máxima Entropia
• Peso de Evidencia (CaNaSTA)
• DSSAT
Cómo se evalúa entonces el
impacto?
• 3. MaxEnt: modelos de nicho ecológico
(probabilidad de presencia)
Evidencia
de
presencia
Variables
ambientales
Distribución de
probabilidad
alrededor de
cada variable
Modelo
probabilístico
multivariadoDistribución
probabilística
potencial
Impactos en productividad y
adaptabilidad de cultivos: ejemplos
• 50 cultivos más importantes según FAOCrop Species
Area Harvested
(k Ha)Alfalfa Medicago sativa L. 15214Apple Malus sylvestris Mill. 4786Banana Musa acuminata Colla 4180Barley Hordeum vulgare L. 55517Common Bean Phaseolus vulgaris L. 26540Common buckwheat Fagopyrum esculentum Moench 2743Cabbage Brassica oleracea L.v capi. 3138Cashew nuts Anacardium occidentale L. 3387Cassava Manihot esculenta Crantz. 18608Chick pea Cicer arietinum L. 10672Clover Trifolium repens L. 2629Cocoa bean Theobroma cacao L. 7567Coconut Cocos nucifera L. 10616Coffee Coffea arabica L. 10203Cotton Gossypium hirsutum L. 34733Cow peas Vigna unguiculata unguic. L 10176Grapes Vitis vinifera L. 7400Groundnut Arachis hypogaea L. 22232Lentil Lens culinaris Medikus 3848Linseed Linum usitatissimum L. 3017Maize Zea mays L. s. mays 144376Mango Mangifera indica L. 4155Millet Panicum miliaceum L. 32846Natural rubber Hevea brasiliensis (Willd.) 8259
Natural rubber Hevea brasiliensis (Willd.) 8259Oats Avena sativa L. 11284Oil palm Elaeis guineensis Jacq. 13277Olive Olea europaea L. 8894Onion Allium cepa L. v cepa 3341Oranges Citrus sinensis (L.) Osbeck 3618Pea Pisum sativum L. 6730Pigeon pea Cajanus cajan (L.) Mill ssp 4683Plantain bananas Musa balbisiana Colla 5439Potato Solanum tuberosum L. 18830Rapeseed Brassica napus L. 27796Rice Oryza sativa L. s. japonica 154324Rye Secale cereale L. 5994Perennial reygrass Lolium perenne L. 5516Sesame seed Sesamum indicum L. 7539Sorghum Sorghum bicolor (L.) Moench 41500Perennial soybean Glycine wightii Arn. 92989Sugar beet Beta vulgaris L. v vulgaris 5447Sugarcane Saccharum robustum Brandes 20399Sunflower Helianthus annuus L v macro 23700Sweet potato Ipomoea batatas (L.) Lam. 8996Tea Camellia sinensis (L) O.K. 2717Tobacco Nicotiana tabacum L. 3897Tomato Lycopersicon esculentum M. 4597Watermelon Citrullus lanatus (T) Mansf 3785Wheat Triticum aestivum L. 216100Yams Dioscorea rotundata Poir. 4591
Impactos en productividad y
adaptabilidad de cultivos: ejemplos
• Cultivos de mandato del CIAT: fríjol arbustivo
Impactos en productividad y
adaptabilidad de cultivos: ejemplos
• Cultivos CIAT: fríjol voluble
Impactos en productividad y
adaptabilidad de cultivos: ejemplos
• DSSAT para evaluar cambio en rendimiento
de maíz
500
1000
1500
2500
>2500
2000
Yield kg ha-1
ACTUAL
Cambio a
2050
P.G.Jones (CIAT)& P.K.Thornton (ILRI) (2003)
<-2000
-1000
-250
+250
+1000
>2000
Change kg-1
Suitability in
Cauca
• Significant changes to
2020, drastic changes
to 2050
• The Cauca case:
reduced coffeee
growing area and
changes in geographic
distribution. Some
new opportunities.
MESETA
Cómo enfrentar estas pérdidas?
• Compartir conocimiento, socializar el problema
• Anticipar el impacto para priorizar:
– Necesidades de mejoramiento genético
– Necesidades de adaptación sitio-específico
– Necesidades de conservación de recursos genéticos
– Necesidades de cambios en sistemas productivos
– Innovación tecnológica
• Establecer políticas nacionales/internacionales al respecto
Gracias
