View
1.702
Download
4
Tags:
Embed Size (px)
DESCRIPTION
Presentation made by Andy Jarvis in the Mini Conference in Latin America on Agricultural Economics in San Luis, Argentina on the 9th October 2010.
Citation preview
Challenges for adaptation to climate change in the agriculture and livestock sectors in Latin America
Andy Jarvis, Julian Ramirez, Emmanuel Zapata, Peter Laderach, Charlotte Lau
Program Leader, Decision and Policy Analysis, CIAT
Contenido
• Cambio climatico y gases de efecto invernadero
• La importancia de tener buenos predicciones de clima para poder estimar impactos
• Un breve resumen de lo que viene
• Impactos en la agricultura Andina
• Perspectivas para el futuro
Sources of Agricultural Greenhouse Gasesexcluding land use change Mt CO2-eq
Source: Cool farming: Climate impacts of agriculture and mitigation potential, Greenpeace, 07 January 2008
Terra-i Results
Deforestation Rate
3,062,064 Ha/año
Retos y oportunidades
• Colombia aporta 0.37% de las emisiones globales
• 38% del sector agropecuario• 48% de lo cual proviene de ganaderia• Mas impacto de extension de ganaderia en
zonas nuevas de bosque: 80,000 Hectareas por anho en Caqueta
Greater energy demand….
…..and carbon becomes a commodity, and a profitable one at that
Porque tan seguros que el clima esta cambiando?
Arctic Ice is Melting
Los modelos de pronostico de clima
Usando el pasado para aprender del futuro
Modelos GCM : “Global Climate Models”
• 21 “global climate models” (GCMs) basados en ciencias atmosféricas, química, física, biología
• Se corre desde el pasado hasta el futuro• Hay diferentes escenarios de emisiones de gases
INCERTIDUMBRE POLITICO (EMISIONES), Y INCERTIDUMBRE CIENTIFICO (MODELOS)
Entonces, ¿qué es lo que dicen?
BCCR-BCM2.0 CCCMA-CGCM2CCCMA-CGCM3.1
T47 CCCMA-CGCM3.1-T63 CNRM-CM3 IAP-FGOALS-1.0G
GISS-AOM GFDL-CM2.1 GFDL-CM2.0 CSIRO-MK3.0 IPSL-CM4 MIROC3.2-HIRES
MIROC3.2-MEDRES MIUB-ECHO-G MPI-ECHAM5 MRI-CGCM2.3.2A NCAR-PCM1 UKMO-HADCM3
BCCR-BCM2.0 CCCMA-CGCM2CCCMA-CGCM3.1
T47 CCCMA-CGCM3.1-T63 CNRM-CM3 IAP-FGOALS-1.0G
GISS-AOM GFDL-CM2.1 GFDL-CM2.0 CSIRO-MK3.0 IPSL-CM4 MIROC3.2-HIRES
MIROC3.2-MEDRES MIUB-ECHO-G MPI-ECHAM5 MRI-CGCM2.3.2A NCAR-PCM1 UKMO-HADCM3
Region DepartamentoCambio en
Precipitacion
Cambio en Temperatura
media
Cambio en estacionalidad de
precipitacion
Amazonas Amazonas 12 2.9 1.4 0 135Amazonas Caqueta 138 2.7 -1.3 0 193Amazonas Guania 55 2.9 -3.2 0 271Amazonas Guaviare 72 2.8 -2.9 -1 209Amazonas Putumayo 117 2.6 0.6 0 170Andina Antioquia 18 2.1 1.3 0 129Andina Boyaca 50 2.7 -3.9 -1 144Andina Cundinamarca 152 2.6 -2.6 0 170Andina Huila 51 2.4 1.0 0 144Andina Norte de santander 73 2.8 -0.4 0 216Andina Santander 51 2.7 -2.4 0 158Andina Tolima 86 2.4 -3.1 0 148Caribe Atlantico -74 2.2 -2.9 2 135Caribe Bolivar 90 2.5 -1.8 0 242Caribe Cesar -119 2.6 -1.3 0 160Caribe Cordoba -11 2.3 -3.8 0 160Caribe Guajira -69 2.2 -1.8 0 86Caribe Magdalena -158 2.4 -1.8 0 153Caribe Sucre 10 2.4 -4.1 -1 207Eje Cafetero Caldas 252 2.4 -4.2 -1 174Eje Cafetero Quindio 153 2.3 -4.1 -1 145Eje Cafetero Risaralda 158 2.4 -3.5 -1 141Llanos Arauca -13 2.9 -6.4 -1 188Llanos Casanare 163 2.8 -5.7 -1 229Llanos Meta 10 2.7 -5.4 -1 180Llanos Vaupes 46 2.8 -1.4 0 192Llanos Vichada 59 2.6 -2.6 0 152Pacifico Choco -157 2.2 -1.2 0 148Sur Occidente Cauca 172 2.3 -1.6 0 168Sur Occidente Narino 155 2.2 -1.4 0 126Sur Occidente Valle del Cauca 275 2.3 -5.1 -1 166
La incertidumbre cientifico SI es relevante para la agricultura: tenemos
que tomar decisiones dentro de un contexto de incertidumbre
Mensaje 2
The Impacts on Crop Suitability
The Model: EcoCrop
It evaluates on monthly basis if there are adequate climatic conditions within a growing season for temperature and precipitation… …and calculates the climatic suitability of the
resulting interaction between rainfall and temperature…
• So, how does it work?
Agricultural systems analysis• 50 target crops selected based on area harvested in
FAOSTATN FAO name Scientific name
Area harvested
(kha)26 African oil palm Elaeis guineensis Jacq. 1327727 Olive, Europaen Olea europaea L. 889428 Onion Allium cepa L. v cepa 334129 Sweet orange Citrus sinensis (L.) Osbeck 361830 Pea Pisum sativum L. 673031 Pigeon pea Cajanus cajan (L.) Mill ssp 468332 Plantain bananas Musa balbisiana Colla 543933 Potato Solanum tuberosum L. 1883034 Swede rap Brassica napus L. 2779635 Rice paddy (Japonica) Oryza sativa L. s. japonica 15432436 Rye Secale cereale L. 599437 Perennial reygrass Lolium perenne L. 551638 Sesame seed Sesamum indicum L. 753939 Sorghum (low altitude) Sorghum bicolor (L.) Moench 4150040 Perennial soybean Glycine wightii Arn. 9298941 Sugar beet Beta vulgaris L. v vulgaris 544742 Sugarcane Saccharum robustum Brandes 2039943 Sunflower Helianthus annuus L v macro 2370044 Sweet potato Ipomoea batatas (L.) Lam. 899645 Tea Camellia sinensis (L) O.K. 271746 Tobacco Nicotiana tabacum L. 389747 Tomato Lycopersicon esculentum M. 459748 Watermelon Citrullus lanatus (T) Mansf 378549 Wheat, common Triticum aestivum L. 21610050 White yam Dioscorea rotundata Poir. 4591
N FAO name Scientific nameArea
harvested (kha)
1 Alfalfa Medicago sativa L. 152142 Apple Malus sylvestris Mill. 47863 Banana Musa acuminata Colla 41804 Barley Hordeum vulgare L. 555175 Bean, Common Phaseolus vulgaris L. 265406 Common buckwheat* Fagopyrum esculentum Moench 27437 Cabbage Brassica oleracea L.v capi. 31388 Cashew Anacardium occidentale L. 33879 Cassava Manihot esculenta Crantz. 18608
10 Chick pea Cicer arietinum L. 1067211 White clover Trifolium repens L. 262912 Cacao Theobroma cacao L. 756713 Coconut Cocos nucifera L. 1061614 Coffee arabica Coffea arabica L. 1020315 Cotton, American upland Gossypium hirsutum L. 3473316 Cowpea Vigna unguiculata unguic. L 1017617 European wine grape Vitis vinifera L. 740018 Groundnut Arachis hypogaea L. 2223219 Lentil Lens culinaris Medikus 384820 Linseed Linum usitatissimum L. 301721 Maize Zea mays L. s. mays 14437622 mango Mangifera indica L. 415523 Millet, common Panicum miliaceum L. 3284624 Rubber * Hevea brasiliensis (Willd.) 825925 Oats Avena sativa L. 11284
Average change in suitability for all crops in 2050s
La region Andina ¿A quién afectará?
• En Perú: los 8.1 millones de habitantes (31.6% de la población nacional) que vive de la actividad agropecuaria.
• En Bolivia: El 40% de la fuerza de trabajo.• En Colombia: 40% de exportaciones.• Los productores pequeños y todos los
consumidores que dependen de los precios bajos de los alimentos.
• Las personas más pobres.
Un clima dinámico cambiará todo
Análisis de 25 cultivos importantes en los Andes tropicales: número de cultivos que aumenta y disminuye su aptitud climática hacia el año 2050.
Ejemplo de Venezuela:La pérdida de aptitud climática para 18 de los 25 cultivos listados arriba.
De los 25 cultivos se hizo un enfoque en 5 cultivos que representan diferentes grupos de
alimentos
Café Frijol Papa Tomate Trigo0
20
40
60
80
100
120
Porcentaje de área que perdería y aumentaría aptitud climática en los Andes Tropicales (2050)
Area que pierde (A1B)Area que pierde (A2)Area que aumenta (A1B)Area que aumenta (A2)
1. Café: Perenne, alto valor.
2. Frijol: Legumbre.3. Papa: Tubérculo.4. Tomate: Hortaliza.5. Trigo: Cereal.
(%)
Café Frijol Papa Tomate Trigo0%
2%
4%
6%
8%
10%
12%
14%
Porcentaje de personas viviendo bajo la línea de pobreza en áreas que pierden y incrementan aptitud climática en 2050
Area que pierde (A1B)
Area que pierde (A2)
Area que incrementa (A1B)
Area que incrementa (A2)
En términos sociales…
En total: 14 millones en las áreas que pierden y 6.2 millones en las áreas que aumentan
En términos económicos…• En algunas situaciones sólo habrían balances negativos, como en los casos de
Bolivia y Colombia.
BOLIVIA
Ganancias vs. Pérdidas Impacto: valor pérdida (2050)/ Valor total (2007) según FAO
Trigo Papa Café$80,000,000.00
$60,000,000.00
$40,000,000.00
$20,000,000.00
$0.00
$20,000,000.00
$40,000,000.00
11,130,731
33,344,466
379,650-48,314,352
-70,166,198
-3,014,812
-37,183,621
-36,821,732
-2,635,162
Valor de la ganancia Valor de la pérdida Balance
Dóla
res a
mér
icano
s de
1999
-200
1
Café Papa Trigo-25%
-20%
-15%
-10%
-5%
0%
-10.99%
-20.47%
-11.19%
Impacto
Porc
enta
je e
stim
ado
del
Bala
nce
/ Va
lor c
ultiv
o se
gun
Fao-
2007
COLOMBIA
Ganancias vs. Pérdidas Impacto: valor pérdida (2050)/ Valor total (2007) según FAO
Café Fríjol Papa Trigo-90%
-80%
-70%
-60%
-50%
-40%
-30%
-20%
-10%
0%
-4.20%-8.83%
-78.78%
-24.72%
Impacto
Porc
enta
je e
stim
ado
del
Bala
nce
/ Va
lor c
ultiv
o se
gun
Fao-
2007
Trigo Café Fríjol Papa$1,500,000,000.00
$1,000,000,000.00
$500,000,000.00
$0.00
$500,000,000.00
$1,000,000,000.00
0
23,840,939
9,068,371
785,841,072
-2,542,543
-79,920,840
-21,776,980
-1,203,554,984
-2,542,543
-56,079,901
-12,708,609
-417,713,912
Valor de la ganancia Valor de la pérdida Balance
Dóla
res a
mér
icano
s de
1999
-200
1
• Y en otros casos, habrían balances positivos que se podrían aprovechar, como en Perú y Ecuador.
PERÚ
Ganancias vs. Pérdidas Impacto: valor pérdida (2050)/ valor total (2007) según FAO
Café Fríjol Papa Trigo$100,000,000.00
$50,000,000.00
$0.00
$50,000,000.00
$100,000,000.00
$150,000,000.00
$200,000,000.00
21,838,004
4,620,782
150,858,012
0
-35,987,182
-2,375,880
-62,917,747
-3,704,054
-14,149,178
2,244,902
87,940,265
-3,704,054
Valor de la ganancia Valor de la pérdida Balance
Dóla
res a
mér
icano
s de
1999
-200
1
Café Fríjol Papa Trigo-10%
-5%
0%
5%
10%
15%
20%
-4.09%
4.27%
18.04%
-7.78%
Impacto
Porc
enta
je e
stim
ado
del
Bala
nce
/ Va
lor c
ultiv
o se
gun
Fao-
2007
ECUADOR
Ganancias vs. Pérdidas Impacto: valor pérdida (2050)/ Valor total (2007) según FAO
Café Fríjol Papa Trigo$20,000,000.00
$15,000,000.00
$10,000,000.00
$5,000,000.00
$0.00
$5,000,000.00
$10,000,000.00
$15,000,000.00
$20,000,000.00
$25,000,000.00
1,226,406
813,105
20,720,268
0
-2,337,837
-909,720
-16,984,966
-934,087
-1,111,431
-96,615
3,735,302
-934,087
Valor de la ganancia Valor de la pérdida Balance
Dóla
res a
mér
icano
s de
1999
-200
1
Café Fríjol Papa Trigo-40%
-30%
-20%
-10%
0%
10%
20%
-2.54% -0.94%
9.25%
-37.25%
Impacto
Porc
enta
je e
stim
ado
del
Bala
nce
/ Va
lor c
ultiv
o se
gun
Fao-
2007
Comparaciones por país
Bolivia Colombia Ecuador Perú Venezuela-25%
-20%
-15%
-10%
-5%
0%
5%
10%
-13.20%
-21.15%
1.30%
7.44%
-7.67%
Impacto total por país
Comparaciones por cultivo
Café Fríjol Papa Tomate Trigo-30%
-25%
-20%
-15%
-10%
-5%
0%
-4.78% -4.89%
-25.48%
-9.33%
Impacto total por cultivo
Mensaje 3
Hay retos y oportunidades: la region deberia tener una estrategia para
enfrentar ambos
Un Ejemplo mas local
El susto de café en Cauca
Climas mueven hacia arriba
Rango Altitudinal
Tmedia anual actual
Tmedia anual futuro
Tmedia anual
cambio (ºC)
Ppt total anual actual
190-500 25.54 27.70 2.16 5891 6002 1.88501-1000 23.47 25.66 2.19 3490 3597 3.041000-1500 21.29 23.50 2.21 2537 2641 4.101500-2000 18.36 20.58 2.22 2519 2622 4.082000-2500 15.60 17.82 2.22 2555 2657 4.002500-3000 13.33 15.54 2.21 2471 2575 4.20
Temperatura media reduce por 0.51oC por cada 100m en la zona cafetero. Un cambio de 2.2oC equivale a una diferencia de 440m.
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.
MECETA
Resultados: objetivo “Predecir la adaptabilidad”
D
Resultados: objetivo “Predecir la adaptabilidad”
D
Mensaje 4
Localmente va a ver cambios drasticos si no se hace nada para
adaptar
El reto de adaptacion
Variabilidad y linea base
+
Cli
mat
e
Timescale
Short (change in baseline and variability) Long
Baseline
_
Risk management
Potential examples: ecosystem service payments – risk manages by offering immediate financial capital/relief, mitigates by reducing emissions, and adapts by creating incentives/opportunities to diversity away from just agriculture
Progressive adaptation
Mitigation
CASE 1: Transition (win-win)
Adaptacion ideal
Risk management(coping)
Mitigation
?
Example: subsidies that would lower emissions and give farmers extra financial capital to invest in higher production (risk management and mitigation, but not significant long-term adaption strategy)
Cli
mat
e
Progressive adaptation (transformational
change)
CASE 2: Disjointed adaptation (win-win)
Risk management(coping) Progressive adaptation
(transformative change)
Mitigation
Trade-offs
?
e.g.) Taxing fertilizers and pesticides –mitigates at farmer’s cost
Trade-offse.g.) Occupational change from agricultural to industrial work– farmer “adapts” at potential cost to environment
CASE 3: Disjointed adaptation (no win-win)
El rol de la ciencia: Un ejemplo de frijol
How are beans standing up currently?
Growing season (days) 90
13.6
17.5
23.1
25.6
Minimum absolute rainfall (mm)
200
Minimum optimum rainfall (mm)
363
Maximum optimum rainfall (mm)
450
Maximum absolute rainfall (mm)
710
Killing temperature (°C) 0
Minimum absolute temperature (°C)
13.6
Minimum optimum temperature (°C)
17.5
Maximum optimum temperature (°C)
23.1
Maximum absolute temperature (°C)
25.6
Parameters determined based on statistical analysis of current bean growing environments from the Africa and LAC Bean Atlases.
What will likely happen?
2020 – A2
2020 – A2 - changes
0
5
10
15
20
25
30
35
40
-25% -20% -15% -10% -5% None +5% +10% +15% +20% +25%
Crop resilience improvement
Ch
ang
e in
su
itab
le a
reas
[>
80%
] (%
)
Cropped lands
Non-cropped lands
Global suitable areas
Technology options: breeding for drought and waterlogging tolerance
0
2
4
6
8
10
12
14
Ropmin Ropmax Not benefited
Ben
efit
ed a
reas
(m
illi
on
hec
tare
s) Currently cropped lands
Not currently cropped landsSome 22.8% (3.8 million ha) would benefit from drought tolerance improvement to 2020s
Drought tolerance
Waterlogging tolerance
Technology options: breeding for heat and cold tolerance
0
10
20
30
40
50
60
70
-2.5ºC -2ºC -1.5ºC -1ºC -0.5ºC None +0.5ºC +1ºC +1.5ºC +2ºC +2.5ºC
Crop resilience improvement
Ch
ang
e in
su
itab
le a
reas
[>
80%
] (%
)
Cropped lands
Non-cropped lands
Global suitable areas
0
2
4
6
8
10
12
14
Topmin Topmax Not benefited
Ben
efit
ed a
reas
(m
illi
on
hec
tare
s)
Currently cropped lands
Not currently cropped lands
Cold tolerance
Heat tolerance
Some 42.7% (7.2 million ha) would benefit from heat tolerance improvement to 2020s
Sistemas silvo-pastoriles
En América Latina
• 13% de pastizales del mundo.
• 77% (550 millones de ha) de las áreas agrícolas
son pastos.• 25% del área total en
pastos
E. Murgeuitio, CIPAVFao 2004
SSP como vehiculo de adaptacion usando su potencial para la mitigacion
Usar los mercados de carbono y otros servicios ecosistemicos para incentivar la transformacion de paisajes
Risk management(coping)
Mitigation
?
CASE 2: Disjointed adaptation (win-win)
Progressive adaptation (transformational
change)
Recuperación de corredores ribereños
Piedemonte llanero
Estado inicial: Julio 17, 2007
Agosto 15, 2008
13 meses
Octubre 22, 2008
15 meses
5 Reasons to consider silvo-pastoral systems
• Major climate change mitigation potential in converting degraded and low yielding pastures into productive systems with high carbon stocks
• Silvo-pastoral systems act as corridors and refuges for biodiversity to move through
• Silvo-pastoral systems have been shown to increase milk and meat production
• The shade lowers temperatures for the animals, and maintains soil moisture, and hence supports adaptation
• The diversity in silvo-pastoral systems provides greater resilience to climate variability, and ensures constant provision of animal feed even in times of drought
Los SSPi generan un microclima que puede mitigar los efectos de periodos climáticos adversos como la fase
cálida del ENSO (El Niño 2009-2010).
2 a 3 ºC Menos de Temperatura Promedio al año.
10 a 20% Más Humedad Relativa Promedio anual.
1,8 mm Menos de Evapotranspiración Promedio anual
– FEDEGAN FNG, CIPAV 2009
Como adaptamos?
• Necesitamos saber que hacemos, como lo hacemos, cuando lo hacemos y donde?
• Primero paso es analisar el problema• Segundo, analisar opciones de
adaptacion• Evaluar costo-beneficio para el sector• Implementar• HAZLO AHORA!
INVE
STIG
ACIO
N Y
DES
ARRO
LLO
TE
CNO
LOG
ICO
POLI
TICA
S PU
BLIC
OS
Y PR
IVAD
OS
BUEN MANEJO AGRONOMICO Y VETERINARIO