Navarro c 201505_modelacion_climatica_cc_agricultura_upra

Carlos NavarroJ. Tarapues, J. Ramirez, A. Jarvis, S. Gourdji, J. Tapasco

• ¿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

• Múltiples variables

• Muy alta resolución espacial(1 km, 90m??).

• Alta resolución temporal (i.e. mensual, diaria).

• Alta certidumbre , previsiones precisas del tiempo y las proyeccionesclimáticas.

–T°• Max,• Min, • Media

–Prec– HR– Radiacion– Vientos

– …….

Men

os

imp

ort

ante

s

Mas

cert

idu

mb

re

Requerimientos en Agricultura

Necesidades Limitaciones

Parte IDatos Climáticos Históricos

¿De dónde puedo obtener InformaciónClimática?

Fuentes / Métodos / Problemas

Frecuencia de uso de diferentes datos en estudios de agricultura basados enuna 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

Cascada de incertidumbres en datos climáticos, quenormalmente observamos en evaluación de impactos enagricultura. (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


GHCN Global Historical Climatological Network

• Set de estaciones meteorológicas muyrobusto (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.

GSODGlobal Summary of Day


IPCC, 2001

Map generated by NOAA’s National Climatic Data Center, 2007

http://gis.ncdc.noaa.govVisor de la NOAA


http://gis.ncdc.noaa.gov/

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

WorldClimVery high resolution interpolated climate surfaces for global land areas (Hijmans, et. al, 2005)


http://www.worldclim.org

http://www.worldclim.org/

Patrones de precipitacióny estaciones(WorldClim)

CIATGHCNFAOWMO

Fuentes

Interpolación espacial de estacionesAnálisis 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

+ =


La calidad de la interpolación es muybaja cuando la cantidad de estacioneses limitada.

¿Podemos mejorar?


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 StationsSouth Asia 1-degree cells with data

East and West Africa Rainfall Weather StationsEast and West Africa 1-degree cells with data over South Asia

CRU-TSCRU-TS v3.20 Historic Climate Database for GISHarris, 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/


http://www.cru.uea.ac.uk/

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).

TRMMTropical Rainfall Measuring Mission (NASA)


Average of All Available Rainfall mm/dd (3B43 1998-2011; NASA, 2011)

Combinando observaciones con datos satelitalesCombining TRMM and Surface Observations of Precipitation: Technique and

Validation over South America (J. Rozante and D. Moeira, 2010)


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)

AI GCM: GCM data “as is”, SD GCM: statistically downscaled GCM, PS GCM: patternscaled 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

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

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

futuroVariations of the Earth's surface temperature: years 1000 to 2100 (IPCC, 2001)

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)

En la agricultura, los diferentes escenariosde emisiones no son

importantes… de aquia 2030 la diferenciaentre 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)

Problemas

Necesidad

OpcionesDownscaling pormétodos estadísticoso dinámicos y corrección de sesgo.Aumentar resolución,

uniformizar… proveer datos de alta resolución, contextualizados

1. Baja Resolución100- 300 Km

2. Mezcla de resoluciones3. Disponibilidad de datos4. No representan bien clima histórico

Escala global Escala regional o local

¿Cómo utilizar esta información?

• Base climatológica: WorldClim

• Tomar superficies GCM originales (series de tiempo)

• Calcular promedios para línea base y períodosespecíficos

• 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)

• Usan resultados de GCMs• Son de área limitada.. Necesitan condiciones de frontera. • Datos diarios | Resolucion varia entre 25-50km | > 170 variables

PRECIS

Providing REgionalClimates for Impacts

Studies

Coordinated Regional Climate Downscaling Experiment

(CORDEX) Eta Model

ETA

Modelos Climáticos Regionales (RCM)

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

ContrasCambios solo varían en gran escala variables

Resoluciones

25-50 Km

Requiere más experticia para correrloPocas plataformas, mucho procesamiento y almacenamientoIncertidumbre difíciles de cuantificar

Métodos Estadísticos vs Dinámicos

La importancia de Calibrar GCMs

Mean summer (JJA) Tmaxfor 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)

OREF

TREF

TBC

TRAW

Δ correction

𝑇𝐵𝐶 𝑡 = 𝑂𝑅𝐸𝐹 +𝜎𝑜,𝑅𝐸𝐹𝜎𝑇,𝑅𝐸𝐹

𝑇𝑅𝐴𝑊 𝑡 − 𝑇𝑅𝐸𝐹

Oref = observations in the historical reference periodTref = GCM output from the historical reference periodTraw = raw GCM output for the historical or future periodTBC = bias-corrected GCM output)

TemperatureSimple Bias Correction

Precipitation/Solar RadiationQuantile 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 BCClimate change vulnerability in the agricultural sector in Latin America and the Caribbean

Corrección de la intensidad

Corrección de la frecuencia

Corrección de la variabilidad

interanual

BC de PrecipitaciónClimate change vulnerability in the agricultural sector in Latin America and the Caribbean

Corrección de la intensidad

Corrección de la frecuencia

días con >30°C

BC de TemperaturaClimate change vulnerability in the agricultural sector in Latin America and the Caribbean

BC y Proyecciones ClimáticasClimate change vulnerability in the agricultural sector in Latin America and the Caribbean

Temperaturamáxima

TemperaturaMínima

Precipitación

Tropical wet (Am)

WFD OBSERVATIONS

RAW HISTORICALBC HISTORICAL

ABS(RPearson)

BC y correlación entre variablesClimate change vulnerability in the agricultural sector in Latin America and the Caribbean

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 incertidumbrecientifica SI esrelevante para la agricultura: tenemos quetomar decisionesdentro de un contexto de incertidumbre

Cascada de Incertidumbres en Datos Futuros

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

Based on niches

Pro

bab

ility

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

Modelos Mecanísticos de NichoIs 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)

Impactos sobre Yuca por regiones de África

Modelos Mecanísticos de NichoIs 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).

Modelos Mecanísticos FisiológicosClimate 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

Visits % New Visits New Visits Bounce Rate Pages / VisitAvg. 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%)

3.77Avg for View:

3.77 (0.00%)

00:04:39Avg for View:

00:04:39 (0.00%)

http://ccafs-climate.org

Google Analytics Report (Actualized Feb 2015)

http://ccafs-climate.org/

• Cambio climático progresivosobre 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 “nextusers” que representan hasta el

19% de todos los usuarios CCAFS-Climat.

> 300 Publicaciones

CORDEX Dynamical Downscaled Data

Undefined periods Prec, Tmax, Tmin, Bioclim + otrhers0.44deg (~50km)At least 2 CORDEX Domains

2014

ETA Dynamical Downscaled Data

4 GCM - 2 Escenarios4 periodos futuros0.33deg (~40km)Sur América

4 RCP106 GCM (25 modelos por RCP)4 periodos futuros5 variables climatológicas4 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’sPrec, Tmax, Tmin, RsdsRaw 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

¿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 climapresente (o futuro) de mi sitioen el mundo actualmente?

http://ccafs-analogues. org/

http://dapa.ciat.cgiar.org/DAPA Blog

http://ccafs.cgiar.org/CCAFS Website

Carlos [email protected]+57 2 4450000 ext. 3574

)

*

mailto:[email protected]

Navarro c 201505_modelacion_climatica_cc_agricultura_upra

Environment

Transcript of Navarro c 201505_modelacion_climatica_cc_agricultura_upra