Cambio climático y su

impacto sobre la

biodiversidadbiodiversidad

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 equivalents per 10,000 km2) for (A) vascular plants, (B) terrestrial vertebrates, (C) amphibians, (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

HABITAT LOST -PRE HUMAN TO 2001

Source: www.ambiotek.com/tropicalhydrology

2. CAMBIO CLIMATICO

Qué está pasando con el clima?

24.0

24.5

25.0

25.5

26.0

26.5

27.0

27.5

Tem

pera

tura

media

anual (º

C)

Temperatura media anual (ºC)

Datos históricos y proyección de

Precipitación y Temperatura

2600

2650

2700

2750

2800

2850

2900

2950

Pre

cip

itació

n tota

l anual (m

m)

Precipitación total anual (mm)

Colombia+3.1ºC+8.1%

23.0

23.5

1870 1890 1910 1930 1950 1970 1990 2010 2030 2050 2070 2090Año

Tem

pera

tura

media

anual (º

C)

Tendencia temporal

Intervalo de confianza (95%)

2500

2550

1870 1890 1910 1930 1950 1970 1990 2010 2030 2050 2070 2090

Año

Pre

cip

itació

n tota

l anual (m

m)

Precipitación total anual (mm)

Tendencia temporal

Intervalo de confianza (95%)

650

670

690

710

730

750

770

790

810

1870 1890 1910 1930 1950 1970 1990 2010 2030 2050 2070 2090

Año

Pre

cip

itació

n tota

l anual (m

m)

Precipitación total anual (mm)

Tendencia temporal

Intervalo 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

media

anual (º

C)

Temperatura media anual (ºC)

Tendencia temporal

Intervalo de confianza (95%)

Mundo +4.5ºC+14%

Una mirada más detallada en América Latina

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

bccr_bcm2_0 cccma_cgcm2 cccma_cgcm3_1 cccma_cgcm3_t_t63cnrm_cm3

Temperature change AR4-A2a (1961-90) to 2050 – 10 of 17 different GCMs

csiro_mk3_0 gfdl_cm2_0 giss_aom hccpr_hadcm3gfdl_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

mm/yr

°C

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

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

mm/yr

°C

1. Worst case = greatest rainfall decrease

2. Andes generally showing increase, rarely decrease

3. Significant drying in forested NE Amazon

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

mm/yr

°C

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

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

mm/yr

°C

1. Low rainfall uncertainty in S and SE and

parts of Andes

2. Much greater uncertainty in NE Brazil and

Amazons

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.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). 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).

70

80

90

100

Porc

enta

je d

e á

rea c

on c

am

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

There are vulnerabilities throughout the agricultural sector

0

10

20

30

40

50

60

Caña de

azúcar

Café

Maíz

Plátano no

exportable

Caña panela

Frutales

Papa

Yuca

Arroz total

Palma

africana

Cacao

Porc

enta

je d

e á

rea c

on c

am

bio

Fuente: CIAT, 2009 Slide by Andy Jarvis (CIAT)

Cómo anticipar el impacto?

• Diversos métodos con características comunes:

– Usan datos ambientales de entrada

– Relativmente flexibles– 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

Clima

actual Clima

futuro

Re

laci

ón

Clave en

investigación

VARIABLES

*19 índices

bioclimáticos

*Temperaturas y

precipitación

mensuales– 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’

Cultivo actual

Rendimiento, presión de

plagas, enfermedades, etc

Cultivo futuro

Re

laci

ón

Rendimiento, presión de

plagas, enfermedades,

etc

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• Máxima Entropia

• Peso de Evidencia (CaNaSTA)

• DSSAT

Cómo se evalúa entonces el

impacto?

• 3. MaxEnt: modelos de nicho ecológico

(probabilidad de presencia)

Evidencia

de

Variables

ambientales

Modelo

probabilístico

multivariadoDistribución

probabilística de

presencia

ambientales

Distribución de

probabilidad

alrededor de

cada variable

multivariadoprobabilística

potencial

Impactos en productividad y

adaptabilidad de cultivos: ejemplos

• 50 cultivos más importantes según FAOCrop Species

Area

Harvested

(k Ha)

Alfalfa Medicago sativa L. 15214

Apple Malus sylvestris Mill. 4786

Banana Musa acuminata Colla 4180

Barley Hordeum vulgare L. 55517

Natural rubber Hevea brasiliensis (Willd.) 8259

Oats Avena sativa L. 11284

Oil palm Elaeis guineensis Jacq. 13277

Olive Olea europaea L. 8894

Onion Allium cepa L. v cepa 3341

Oranges Citrus sinensis (L.) Osbeck 3618

Pea Pisum sativum L. 6730

Pigeon pea Cajanus cajan (L.) Mill ssp 4683Common Bean Phaseolus vulgaris L. 26540

Common buckwheat Fagopyrum esculentum Moench 2743

Cabbage Brassica oleracea L.v capi. 3138

Cashew nuts Anacardium occidentale L. 3387

Cassava Manihot esculenta Crantz. 18608

Chick pea Cicer arietinum L. 10672

Clover Trifolium repens L. 2629

Cocoa bean Theobroma cacao L. 7567

Coconut Cocos nucifera L. 10616

Coffee Coffea arabica L. 10203

Cotton Gossypium hirsutum L. 34733

Cow peas Vigna unguiculata unguic. L 10176

Grapes Vitis vinifera L. 7400

Groundnut Arachis hypogaea L. 22232

Lentil Lens culinaris Medikus 3848

Linseed Linum usitatissimum L. 3017

Maize Zea mays L. s. mays 144376

Mango Mangifera indica L. 4155

Millet Panicum miliaceum L. 32846

Natural rubber Hevea brasiliensis (Willd.) 8259

Pigeon pea Cajanus cajan (L.) Mill ssp 4683

Plantain bananas Musa balbisiana Colla 5439

Potato Solanum tuberosum L. 18830

Rapeseed Brassica napus L. 27796

Rice Oryza sativa L. s. japonica 154324

Rye Secale cereale L. 5994

Perennial reygrass Lolium perenne L. 5516

Sesame seed Sesamum indicum L. 7539

Sorghum Sorghum bicolor (L.) Moench 41500

Perennial soybean Glycine wightii Arn. 92989

Sugar beet Beta vulgaris L. v vulgaris 5447

Sugarcane Saccharum robustum Brandes 20399

Sunflower Helianthus annuus L v macro 23700

Sweet potato Ipomoea batatas (L.) Lam. 8996

Tea Camellia sinensis (L) O.K. 2717

Tobacco Nicotiana tabacum L. 3897

Tomato Lycopersicon esculentum M. 4597

Watermelon Citrullus lanatus (T) Mansf 3785

Wheat 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

Cambio a

2050

500

1000

1500

2500

>2500

2000

Yield kg ha-1

ACTUAL

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 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