Cambio climtico y su

impacto sobre la
biodiversidad biodiversidad
J. Rubiano KCL, UK y
A. Jarvis y J. Ramirez - CIAT,
Colombia
Contenido
1. Biodiversidad
2. Cambio Climtico
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
Qu est pasando con el clima?
24.0
24.5
25.0
25.5
26.0
26.5
27.0
27.5
T
e
m
p
e
r
a
t
u
r
a

m
e
d
i
a

a
n
u
a
l

(

C
)
Temperatura media anual (C)
Datos histricos y proyeccin de
Precipitacin y Temperatura
2600
2650
2700
2750
2800
2850
2900
2950
P
r
e
c
i
p
i
t
a
c
i

n

t
o
t
a
l

a
n
u
a
l

(
m
m
)
Precipitacin total anual (mm)
Colombia
+3.1C +8.1%
23.0
23.5
1870 1890 1910 1930 1950 1970 1990 2010 2030 2050 2070 2090
Ao
T
e
m
p
e
r
a
t
u
r
a

m
e
d
i
a

a
n
u
a
l

(

C
)
Tendencia temporal
Intervalo de confianza (95%)
2500
2550
1870 1890 1910 1930 1950 1970 1990 2010 2030 2050 2070 2090
Ao
P
r
e
c
i
p
i
t
a
c
i

n

t
o
t
a
l

a
n
u
a
l

(
m
m
)
Precipitacin 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
Ao
P
r
e
c
i
p
i
t
a
c
i

n

t
o
t
a
l

a
n
u
a
l

(
m
m
)
Precipitacin total anual (mm)
Tendencia temporal
Intervalo de conf ianza (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 2090
Ao
T
e
m
p
e
r
a
t
u
r
a

m
e
d
i
a

a
n
u
a
l

(

C
)
Temperatura media anual (C)
Tendencia temporal
Intervalo de conf ianza (95%)
Mundo
+4.5C +14%
Una mirada ms detallada en Amrica Latina
Mtodo
Diferencias del promedio (Anomalies) (1950-2000 a 2040-2069) de
17 GCMs.
Diferencias en Temperatura y precipitacin 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_t63
cnrm_cm3
Temperature change AR4-A2a (1961-90) to 2050 10 of 17 different GCMs
csiro_mk3_0
gfdl_cm2_0 giss_aom
hccpr_hadcm3
gfdl_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_0
gfdl_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 (<2C)
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 Sntesis, Que pasar?
Nadie sabe con certeza, depender del sitio pero en general se prev que en
Amrica Latina.
Ser ms caliente y hmedo aunque cada modelo predictivo presenta
patrones diferentes
Para Amrica Latina, el promedio de 17 modelos nos dicen que ser ms
caliente en las tierras bajas. caliente en las tierras bajas.
Mas hmedo en las partes altas de la regin Andina.
En el peor escenario, ser entre 6-8 C ms caliente y entre 200 a 600
mm/ao ms hmedo en el suroccidente y entre 600 a 1000 mm/ao ms
seco en el nororiente.
En el mejor caso 2 C ms clido en los altos Andes, menos que este valor
en el resto y un incremento de al menos 200mm/ao en toda la regin.
La incertidumbre de los cambios en temperatura es ms alta en la
Amazonia en comparacin con los Andes, y
La incertidumbre en cambios en la precipitacin, aunque se predice un
patrn muy complejo, es mucho mayor en la regin 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
P
o
r
c
e
n
t
a
j
e

d
e

r
e
a

c
o
n

c
a
m
b
i
o
Cambio en temperatura mayor a 2.5C
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
C
a

a

d
e
a
z

c
a
r
C
a
f

M
a

z
P
l

t
a
n
o

n
o
e
x
p
o
r
t
a
b
l
e
C
a

a

p
a
n
e
l
a
F
r
u
t
a
l
e
s
P
a
p
a
Y
u
c
a
A
r
r
o
z

t
o
t
a
l
P
a
l
m
a
a
f
r
i
c
a
n
a
C
a
c
a
o
P
o
r
c
e
n
t
a
j
e

d
e

r
e
a

c
o
n

c
a
m
b
i
o
Fuente: CIAT, 2009 Slide by Andy Jarvis (CIAT)
Cmo anticipar el impacto?
Diversos mtodos con caractersticas comunes:
Usan datos ambientales de entrada
Relativmente flexibles Relativmente flexibles
Fcilmente aplicables
Verstiles por sistema productivo/cultivo
Permiten incorporacin de ms datos si estn
disponibles
Cmo se evala entonces el
impacto?
Si sabemos:
1. La distribucin de clima actual
2. El desempeo actual de los cultivos
3. Que existe una relacin entre los dos anteriores
Clima
actual
Clima
futuro
R
e
l
a
c
i

n
Clave en
investigacin
VARIABLES
*19 ndices
bioclimticos
*Temperaturas y
precipitacin
mensuales
3. Que existe una relacin entre los dos anteriores
4. El clima futuro ms probable
Entonces podemos:
1. Cuantificar la relacin entre clima y desempeo de
cultivos actual
2. Proyectar la relacin hasta el futuro ms probable
Cultivo actual
Rendimiento, presin de
plagas, enfermedades, etc
Cultivo futuro
R
e
l
a
c
i

n
Rendimiento, presin de
plagas, enfermedades,
etc
mensuales
*Suelos (si
disponible)
*Lluvias diarias
satelitales
*Cambios en
vegetacin cada 16
das (satelitales)
Metodos para evaluar el impacto
Analisis de Interacciones Genotipo X Ambiente
(GxE)
EcoCrop
Mxima Entropia Mxima Entropia
Peso de Evidencia (CaNaSTA)
DSSAT
Cmo se evala entonces el
impacto?
3. MaxEnt: modelos de nicho ecolgico
(probabilidad de presencia)
Evidencia
de
Variables
ambientales
Modelo
probabilstico
multivariado
Distribucin
probabilstica de
presencia
ambientales
Distribucin de
probabilidad
alrededor de
cada variable
multivariado
probabilstica
potencial
Impactos en productividad y
adaptabilidad de cultivos: ejemplos
50 cultivos ms importantes segn FAO
Crop 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 4683
Common 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. 216100
Yams Dioscorea rotundata Poir. 4591
Impactos en productividad y
adaptabilidad de cultivos: ejemplos
Cultivos de mandato del CIAT: frjol arbustivo
Impactos en productividad y
adaptabilidad de cultivos: ejemplos
Cultivos CIAT: frjol voluble
Impactos en productividad y
adaptabilidad de cultivos: ejemplos
DSSAT para evaluar cambio en rendimiento de
maz
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
Cmo enfrentar estas prdidas?
Compartir conocimiento, socializar el problema
Anticipar el impacto para priorizar:
Necesidades de mejoramiento gentico Necesidades de mejoramiento gentico
Necesidades de adaptacin sitio-especfico
Necesidades de conservacin de recursos genticos
Necesidades de cambios en sistemas productivos
Innovacin tecnolgica
Establecer polticas nacionales/internacionales al
respecto
Gracias