Download - Impacto de la Variabilidad Climática sobre el Sector Agropecuario y Medidas de Adaptación
Impacto de la variabilidad climática sobre el Impacto de la variabilidad climática sobre el sector agropecuario y medidas de adaptaciónsector agropecuario y medidas de adaptación
Camilo Barrios PérezIngeniero Agrícola
Equipo de modelación de cultivos y climaCentro Internacional de Agricultura Tropical (CIAT)
Procesos diferentes, a escalas diferentes (espacial y temporal)
El Sistema Climático
•2-3 meses
•6 meses – 1 año
•Década(s)
•Varias Décadas
•Siglos
Variabilidad Climática y Cambio Climático: Lenguaje
“Cambio Climático”
“Variabilidad Climática”
Condiciones atmosféricas: predicciones 1 a 10 días
Atmósfera interaccionando con Océanos y Tierra: las condiciones varían más lentamente (”memoria” más larga).
Mejor entendimiento de estas interaccionespermiten la Predicción Climática (3-6 meses)
Calentamiento Global, Cambio Climático:Además de procesos físicos, suposiciones sobre Comportamiento Humanocomo escenarios de emisiones, tecnologías,deforestación (INCERTIDUMBRE)
Planificación y Toma de Decisiones: Predicciones
(“Tiempo” 1 – 10 días)
“Cambio Climático”
“Variabilidad Climática”
Variación de la temperatura en la superficie del mar, en el Océano Pacífico Tropical Alteración de los
patrones climáticos regionales
-10 -5 0 5 10
-0.10
-0.05
0.00
0.05
0.10
0.15
Lag
ACF
ONI vs Solar Radiation
-10 -5 0 5 10
-0.1
0.0
0.1
0.2
0.3
0.4
Lag
ACF
ONI vs Mean Temperature
-10 -5 0 5 10
-0.15
-0.10
-0.05
0.00
0.05
0.10
Lag
ACF
ONI vs Total Rain
-1.9
2.4
ONI
15.96
22.33
Mean_SRAD
25.66
29.29
MEAN_TMEAN
8.61
14.1
MEAN_OSCTEMP
1.17
2
MEAN_VPD
4.6
379.42
TOTAL_RAIN
66.48
74.31
MEAN_HR
Correlation ONI vs Climate Variables (All Clusters)
-1.9
2.4
ONI
15.96
22.33
Mean_SRAD
25.66
29.29
MEAN_TMEAN
8.61
14.1
MEAN_OSCTEMP
1.17
2
MEAN_VPD
4.6
379.42
TOTAL_RAIN
66.48
74.31
MEAN_HR
Correlation ONI vs Climate Variables (All Clusters)
-1.9
2.4
ONI
15.96
22.33
Mean_SRAD
25.66
29.29
MEAN_TMEAN
8.61
14.1
MEAN_OSCTEMP
1.17
2
MEAN_VPD
4.6
379.42
TOTAL_RAIN
66.48
74.31
MEAN_HR
Correlation ONI vs Climate Variables (All Clusters)
ONI vs Solar Radiation
ONI vs Mean Temperature
ONI vs Total Rainfall
Lags (Months) Aumentos en anomalías de TSM generan aumentos en la componente energética del clima
ONI Rad. Solar
Aumentos en anomalías de TSM generan aumentos en la componente térmica del clima
ONI Temperatura
Aumentos en anomalías de TSM generan disminución en las componentes
hídricas e hígricas del clima
ONI Precipitación
1
2
1
Indicador de Condiciones de Macro-Escala (ICME) – Espectros de Potencia
Indicador de Condiciones de Macro-Escala (ICME)
Eventos “El Niño” o calentamientos extremos
Eventos “La Niña” o enfriamientos extremos
Apr-84 Jun-88 Aug-92 Oct-96 Dec-00 Feb-05 Apr-09
Cross wavelet transform (XWT) - ONI
4
8
16
32
54
Apr-84 Jun-88 Aug-92 Oct-96 Dec-00 Feb-05 Apr-09
Apr-84 Jun-88 Aug-92 Oct-96 Dec-00 Feb-05 Apr-09
Apr-84 Jun-88 Aug-92 Oct-96 Dec-00 Feb-05 Apr-09
Cross wavelet transform (XWT) - RAIN
4
8
16
32
54
Apr-84 Jun-88 Aug-92 Oct-96 Dec-00 Feb-05 Apr-09
Wavelet coherence (WTC) - ONI and RAIN
4
8
16
32
54
Los espectros de wavelets permiten realizar correlaciones cruzadas entre eventos naturales que no tiene una relación lineal entre si.
Se Identifican Anomalías climáticas extremas con una frecuencia de 6 meses, dando muestra del régimen climático bimodal característico de la región.
Este análisis encuentra periodos en el tiempo, en los cuales dos series de tiempo covarían.
ONIONI
IAPIAP
-7.05
-4.43 -3.82
-0.48
-8.0
-6.0
-4.0
-2.0
0.0
2.0
1 2 3 4
Indi
cado
r (IC
CR)
Indicador de Condiciones Climáticas Regionales (ICCR) Condición "La Niña" multianual
5
Condición climática“Multianual”
Condición climática“Niño Multianual”
Condición climática“Niña Multianual”
-2.96
-1.38
0.01
2.112.80
-4.00-3.00-2.00-1.000.001.002.003.004.00
1 2 3 4 5
Indicador de Condiciones Climáticas Regionales (ICCR) Condición general multianual
0.86
3.10 3.46
5.64 5.55
-2.00
0.00
2.00
4.00
6.00
1 2 3 4 5
Indi
cado
r (IC
CR)
Indicador de Condiciones Climáticas Regionales (ICCR) Condición "El Niño" multianual
2.0 – 4.0ICCR
0.0 – 2.0ICCR
-4.0 – -2.0ICCR
-2.0 – 0.0ICCR
Zonas Climáticas Homólogas Zonas Climáticas Homólogas Zonas Climáticas Homólogas Zonas Climáticas Homólogas Zonas Productivas Homólogas Zonas Productivas Homólogas Zonas Productivas Homólogas Zonas Productivas Homólogas
RelaciónRelaciónRelaciónRelación
Durante eventos “El Niño” las ZPH alcanzan un incremento generalizado en la productividad del cultivo de caña de azúcar.
Las ZPH 4 y 5 registran el mayor incremento porcentual de TCH, TAH y RC, cercano al 5.0 %, 3.0 % y 0.4 % respectivamente .
Durante eventos “La Niña” todas las ZPH disminuyen los valores de los indicadores de productividad.
Las ZPH 1 y 2 resultan ser las más afectadas, con descensos del orden de -5.0 % en TCH y TAH, y de -2.3 % en RC.
GESTIÓN DEL RIESGO AGROCLIMÁTICO EN
ZONAS PRODUCTORAS DE ARROZ DE
COLOMBIA
Identificación de Zonas Climáticas
Homólogas (ZCH)1
Caracterización Agroclimática
de las ZCH 2Modelos de Pronóstios Climático Estacional 3
Modelos de Cultivo de Arroz4
Identificación de ambientes con condiciones
climáticas similares
Entendimiento de los patrones climáticos
(Relación clima - planta)
Conocimiento de condiciones climáticas a corto plazo (3 meses)
Pronósticos de rendimiento. Buenas practicas de manejo
agronómico. Efectos de la variabilidad del clima.
2. Entender, Cuantificar, Reducir Incertidumbres Aprender del PASADO, Monitorear el PRESENTE, Información sobre el FUTURO
3. Identificar Tecnologías que Reducen Vulnerabilidad Diversificar, Almacenamiento y Uso Eficiente del Agua, Genética, etc.
4. Identificar Arreglos Institucionales e Intervenciones en Políticas que Reducen y/o Transfieren Riesgos
- Sistemas de Alerta Temprana y de Respuesta Temprana - Seguros (incluyendo Índices Climáticos), Créditos Recuperación, etc. - Arreglos Institucionales, Políticas
1. Identificar Vulnerabilidades y Oportunidades(Con los usuarios, Qué Sectores? Qué sistemas? Qué Componentes?)
Gestión de Riesgos ClimáticosGestión de Riesgos ClimáticosMarco ConceptualMarco Conceptual
ANÁLISIS PARTICIPATIVOANALISIS AGROCLIMATICOS COMPLEMENTARIOS DE APOYO PARA SELECCIÓN MEDIDAS
ADAPTATIVAS SEGÚN ESCENARIOS DE VARIABILIDAD CLIMATICA ENSO
Contexto Local – Cultivo del Arroz
En los ultimos 6 años el sector arrocero del pais no ha sido ajeno a los problemas de bajo rendimiento.
Bajo Cauca 2007
Centro 2009-2010
Llanos 2011
Altos niveles de vaneamiento.
Baja radiación solar, aumento de temperaturas, bajos niveles de precipitación, mala distribución de lluvias.
Presencia de enfermedades.
Costos de producción
Reducción de menos del 50% de sus cosechas
(Hernández L. 2012)
Generación de pronósticos agro-meteorológicos: caso arroz en Colombia
24
En qué consiste?
Establecer pronósticos agroclimáticos a partir del uso de modelos de predicción climática periódica y modelos de cultivos (modelos mecanísticos).
2
4
6
8
-76 -75 -74 -73 -72
Cluster_Multianual Cluster_Nina
-76 -75 -74 -73 -72
Cluster_Nino
2
4
6
8
10
12
Regiones agroclimáticasCultivo de arroz
Información de condiciones climáticas pronosticadas
(precipitaciones, Temperaturas y Rad. Solar) ingresan al modelos de cultivo.
Proyección de la dinámica de crecimiento del cultivo
Pronósticos de rendimiento del cultivo
Modelo calibrado y evaluado
Pronósticos periódicosPronósticos periódicos de Climade Clima
K
FCS
N KF
C
SN
Clima
Manejo
Suelo
Planta
29
A que necesidad responde?
Modelos de cultivo y generación pronósticos agro-meteorológicos
Identificación de los momentos de siembra más oportunos (Con mejor oferta ambiental) para el
crecimiento del cultivo.
Planificación de
siembras.
Selección de variedades con mejor respuesta a condiciones climáticas
pronosticadas.
11
22
33
30
Momentos oportunos para el crecimiento y desarrollo del cultivo
Modelos de cultivo y generación pronósticos agro-meteorológicos (Espinal – Tolima)
Durante el primer trimestre del año
(Enero - Marzo) las variedades Fed60 y Fed733 muestran un mejor desempeño.
Durante el segundo trimestre del año (Abril – Junio) las
siembras realizadas con Fed2000
muestran los mejores rendimientos.
Durante este periodo, las variedades Fed60 y Fed733 sufren un
descenso en los rendimientos.
Por su parte, para el segundo semestre del año,
las siembras realizadas con las variedades Fed733
y Fed60 muestran los mejores rendimientos.
La variedad Fed2000 muestra los rendimientos más bajos en las siembras realizadas entre los meses
Agosto y octubre.
08 Mar 18 Mar 28 Abr 07 Abr 14 Abr 24 Abr 07 May 14 May 24 May 05 Jun 16 Jun 26 Jun 06 Jul 16 Jul 26 Jul
Aplicación del modelo: Determinar la mejor fecha de siembra en saldaña – Fed 2000
Se simuló el desarrollo del cultivo para el periodo (1980 - 2013), variando la fecha de siembra cada 10 días
Rend_Promedio: 9000 (Kg/ha) Importante estudiar estas condiciones, en las que se obtuvo
rend > 9500 Kg/ha.
Pronostico de rendimiento de la variedad Fed2000– Teniendo en cuenta el pronóstico del clima (Periodo Mayo- Diciembre de 2014)
Fecha de siembra
5 May 25 May 19 Jun 14 Jul 08 Jul
Sí se toma la decisión de sembrar hasta el 20 de junio, el rendimiento obtenido puede estar alrededor de 4500 kg/ha.
A medida en qué se demore las siembras, el rendimiento del cultivo puede disminuir.
El rendimiento simulado se realizó bajo condiciones de riego, simulando una lamina de agua constante sobre el periodo del cultivo
34
Resultados y limitaciones:
Modelos de cultivo y generación pronósticos agro-meteorológicos
5 May 25 May 19 Jun 14 Jul 08 Jul
Pronóstico precipitación – Saldaña (Tolima)
Pronóstico de rendimiento (Kg/ha)
Pronóstico precipitación – Espinal (Tolima)
5 May 25 May 19 Jun 14 Jul 08 Jul
Pronóstico de rendimiento (Kg/ha)
Pronóstico rendimientosPronóstico rendimientos
Resultados y limitaciones:
Modelos de cultivo y generación pronósticos agro-meteorológicos
Mejor fecha de Siembra
Sí se toma la decisión de sembrar hasta los primeros días de Julio, la diferencia en el
rendimiento obtenido entre las opciones de variedades no será mayor a 500 Kg/ha
Sí se decide sembrar después del 15 de Junio, la mejor opción
será sembrar las variedades Fed 733 y Fed60
De las opciones varietales
consideradas, Fed733 es la más resistente a altas temperaturas y
Rad solar.
Selección de variedadesSelección de variedades
Qué decisiones podemos tomar?
Modelos de cultivo y generación pronósticos agro-meteorológicos
Transferencia de conocimiento a personal técnico de las federaciones de agricultores.
Transferencia de conocimiento a agricultores.
37
Qué decisiones podemos tomar?
Modelos de cultivo y generación pronósticos agro-meteorológicos
Sembrar en el momento oportuno en el cual el cultivo tenga la mejor oferta ambiental, que permita obtener los mejores rendimientos para las condiciones agroclimáticas establecidas.
Selección de variedades que respondan de la mejor forma ante condiciones climáticas dadas.
Prácticas agronómicas más adecuadas ante condiciones climáticas extremas (Aumento o disminución de precipitación, temperaturas etc).
Definir ambientes con características específicas que le permitan al cultivo expresar su mayor potencial de rendimiento.
Definir cultivares con características ideales (ideotipos) los cuales se esperan que respondan de la mejor forma a las exigencias del ambiente.
En este convenio participan:
www.aclimatecolombia.org
Síguenos en: