Post on 15-Jul-2015
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
Opciones & Limitaciones
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
Opciones & Limitaciones
IPCC, 2001
Map generated by NOAA’s National Climatic Data Center, 2007
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)
Opciones & Limitaciones
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
+ =
Opciones & Limitaciones
La calidad de la interpolación es muybaja cuando la cantidad de estacioneses limitada.
¿Podemos mejorar?
Opciones & Limitaciones
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/
Opciones & Limitaciones
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)
Opciones & Limitaciones
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)
Opciones & Limitaciones
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)
• 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