Modelos de predicción y cambio climático
-
Upload
decision-and-policy-analysis-program -
Category
Documents
-
view
652 -
download
2
Transcript of Modelos de predicción y cambio climático
Andy Jarvis - Julián Ramírez -Flora Mer –Carlos Navarro - Patricia Moreno
• Clima y modelación de cultivos
• Mejoramiento y modelos de cultivo
• Nuestro plan: DSSAT-ORYZA2000
• AgTrials
Importante evaluar impacto del cambio climático en rendimiento de cultivos (Craufurd et
al., 2011).
Incrementos en temperatura, sequía y lluvias extremas presentan efecto negativo en rendimiento de arroz (Craufurd et al., 2011; Auffhammer et
al., 2012).
Generación de estrategias de adaptación y mitigación a través de modelación ex ante(Craufurd et al., 2011).
Figura 1. Efecto del aumento de la temperatura mínima en variables de rendimiento en arroz (Peng et al., 2004).
Selección de escenarios
• Evaluación de la calidad: Simulación con datos del pasado vs. Clima histórico
• Presente, 2030 pesimista, 2030 optimista?
• Establecimiento de base de datos operacional como escenario
Estudios globales
• Modelo sencillo
• Aproximación espacializada con una grilla
• Mapeo global de respuesta del cultivo al CC
Zoom-ins: Experimentos virtuales
• Modelos G*E*M
• Calibración del modelo por variedades
• Identificación de rango de parámetros
• Acercamiento en TPE por cada cultivo
• Análisis de sensibilidad: Variación de parámetros vs. Ambiente
• Composición de ideotipo para cultivos adaptados Dingkuhn, 2011
Evalúa sobre una base mensual si hay condiciones climáticas adecuadas dentro de una estación de crecimiento según la temperatura y la precipitación…
…y calcula la aptitud climática de las interacciones resultantes entre precipitación y temperatura…
Ejemplo: Modelación EcoCROP
50 cultivos seleccionados basados en el área cosechadaen FAOSTAT
N FAO name Scientific name
Area
harvested
(kha)26 African oil palm Elaeis guineensis Jacq. 13277
27 Olive, Europaen Olea europaea L. 8894
28 Onion Allium cepa L. v cepa 3341
29 Sweet orange Citrus sinensis (L.) Osbeck 3618
30 Pea Pisum sativum L. 6730
31 Pigeon pea Cajanus cajan (L.) Mill ssp 4683
32 Plantain bananas Musa balbisiana Colla 5439
33 Potato Solanum tuberosum L. 18830
34 Swede rap Brassica napus L. 27796
35 Rice paddy (Japonica) Oryza sativa L. s. japonica 154324
36 Rye Secale cereale L. 5994
37 Perennial reygrass Lolium perenne L. 5516
38 Sesame seed Sesamum indicum L. 7539
39 Sorghum (low altitude) Sorghum bicolor (L.) Moench 41500
40 Perennial soybean Glycine wightii Arn. 92989
41 Sugar beet Beta vulgaris L. v vulgaris 5447
42 Sugarcane Saccharum robustum Brandes 20399
43 Sunflower Helianthus annuus L v macro 23700
44 Sweet potato Ipomoea batatas (L.) Lam. 8996
45 Tea Camellia sinensis (L) O.K. 2717
46 Tobacco Nicotiana tabacum L. 3897
47 Tomato Lycopersicon esculentum M. 4597
48 Watermelon Citrullus lanatus (T) Mansf 3785
49 Wheat, common Triticum aestivum L. 216100
50 White yam Dioscorea rotundata Poir. 4591
N FAO name Scientific name
Area
harvested
(kha)1 Alfalfa Medicago sativa L. 15214
2 Apple Malus sylvestris Mill. 4786
3 Banana Musa acuminata Colla 4180
4 Barley Hordeum vulgare L. 55517
5 Bean, Common Phaseolus vulgaris L. 26540
6 Common buckwheat* Fagopyrum esculentum Moench 2743
7 Cabbage Brassica oleracea L.v capi. 3138
8 Cashew Anacardium occidentale L. 3387
9 Cassava Manihot esculenta Crantz. 18608
10 Chick pea Cicer arietinum L. 10672
11 White clover Trifolium repens L. 2629
12 Cacao Theobroma cacao L. 7567
13 Coconut Cocos nucifera L. 10616
14 Coffee arabica Coffea arabica L. 10203
15 Cotton, American upland Gossypium hirsutum L. 34733
16 Cowpea Vigna unguiculata unguic. L 10176
17 European wine grape Vitis vinifera L. 7400
18 Groundnut Arachis hypogaea L. 22232
19 Lentil Lens culinaris Medikus 3848
20 Linseed Linum usitatissimum L. 3017
21 Maize Zea mays L. s. mays 144376
22 mango Mangifera indica L. 4155
23 Millet, common Panicum miliaceum L. 32846
24 Rubber * Hevea brasiliensis (Willd.) 8259
25 Oats Avena sativa L. 11284
Cambio promedio de aptitud para todos los cultivos en el 2050
Arroz no es posible modelar con EcoCROP por complejidad del sistema
Necesaria unamodelación más
detallada
Se espera que el arroz irrigado crezca en sistemas de cultivo con uso eficiente del agualo cual ayuda a evitar estrés por temperatura
El arroz secano más sensible a sufrirestrés hidrico
Lafarge, 2010
0.5 °C
5%
Mejoramiento genético comoestrategia de adaptación ymitigación al cambio climático (Craufurd et
al., 2011).
Figura 3. Diagrama del modelo usado paraevaluación de aptitud (Ramirez-Villegas et al., 2011).
Diferentes predicciones de aptitudCuantificación de posibles beneficios.
Simular escenarios posibles de mejoramiento.
Evaluación de la sensibilidad a variaciones en umbrales de adaptación
(Jarvis et al., 2012).
Figura 4. Beneficios potenciales de una nueva combinación de parámetros reflejando escenarios de mejoramiento en yuca(Jarvis et al., 2012).
DSSAT: Decision Support System for Agrotechnology Transfer
Estructura modular: componentesseparados por
disciplinas científicas
Con una interfase para agregarmodelos de cultivos
Figura 5. Estructura del modelo DSSAT. (Tomado de: http://www.stoorvogel.info/tradeoffs/course/course_4.html).
Potencialproduction
Water-limited production
Nitrogen-limited
production
Kumar et al., 2011
PLAN: Calibración y validación para Latinoaméricacon variedades de la región
Integración DSSAT-ORYZA2000 permite simulaciones a gran escala de arroz (Mottaleb, 2012).
DSSAT-ORYZA2000 resultadoscomparables a los de ORYZA2000 de maneraindependiente (Mottaleb, 2012).
(Creamer y Gonzalez, 2012; Mottaleb, 2012).
IMPORTANTE• Calibración y evaluación de los modelos• Desarrollo de otras investigaciones
The Global Agricultural Trial Repository
Uso de infomación de ensayos en diferentes zonas –datos de
rendimiento
• Auffhammer, M., V. Ramanathan, J.R. Vincent. 2012. Climate change, the monsoon, and rice yield in India. Climatic Change (111),411–424.
• Craufurd, P.Q. V. Vadez, S.V. Krishna Jagadishb, P.V. Vara Prasadc, M. Zaman-Allaha. 2011. Crop science experiments designed to inform crop modeling. Agricultural and Forest Meteorology. Article in press. 11 p.
• Creamer, B., C. Gonzalez. 2012. Progress of Research Activities And Next Steps. Global Futures Workshop, 23-27 January , Mt. Kenya Safari Club.
• Dingkuhn, M. Modeling Approach. Developing Climate-Smart Crops for a 2030 World Workshop ILRI, Addis Ababa, Ethiopia.
• Jarvis, A., J. Ramirez-Villegas, B.V. Herrera Campo, C. Navarro-Racines. 2012. Is Cassava the Answer to African Climate Change Adaptation? Tropical Plant Biol. 21 p.
• Kumar,R.N., B. Sailaja and S.R. Voleti. 2011. Crop Modelling with Special Reference to Rice Crop. Rice Knowledge Management Portal (RKMP).24 p.
• Lafarger, T. 2010. Phenotypic plasticity and adaptation of the rice crop: opportunities for collaborations. UMR AGAP (Genetic improvement and adaptation of Tropical and Mediterranean Crops). CIAT, Cali, Colombia.
• Mottaleb, Kh.A. 2012. Global Futures for Agriculture Project: IRRI’s Achievements and Future Plans. Global Futures Workshop, 23-27 January , Mt. Kenya Safari Club.
• Peng, S., J. Huang, J.E. Sheehy, R. C. Laza, R. M. Visperas, X. Zhong, G.S. Centeno, G.S. Khush and K. G. Cassman. 2004. Rice yields decline with higher night temperature from global warming. PNAS (101), 9971-9975.
• Ramirez-Villegas, J., A. Jarvis, P. Läderach. 2011. Empirical approaches for assessing impacts of climate change on agriculture: The EcoCrop model and a case study with grain sorghum. Agricultural and Forest Meteorology. 12 p.