460 likes | 605 Views
VARIABILIDAD CLIMATICA Y ECOSISTEMAS. CLAUDIO MENENDEZ, ANDREA CARRIL, PEDRO FLOMBAUM, ANNA SORENSSON CIMA/CONICET-UBA, DCAO/FCEN, UMI IFAECI/CNRS. IANIGLA, NOV. 2011. ANDES: FUERTES GRADIENTES EN PARÁMETROS CLIMÁTICOS. Cfa: templado, sin estación seca y verano caliente.
E N D
VARIABILIDAD CLIMATICA Y ECOSISTEMAS CLAUDIO MENENDEZ, ANDREA CARRIL, PEDRO FLOMBAUM, ANNA SORENSSON CIMA/CONICET-UBA, DCAO/FCEN, UMI IFAECI/CNRS IANIGLA, NOV. 2011
BWh: árido-desierto caliente BWk: árido-desierto frío BSh: árido- estepa caliente ET: polar-tundra Csa: templado, verano seco y caliente Cwa: templado, con invierno seco y verano caliente Csb: templado, verano seco y cálido Cfa: templado, sin estación seca y verano caliente BSk: árido- estepa fría Cfb: templado, sin estación seca y con verano cálido BWk: árido-desierto frio
PROCESOS ECOLOGICOS = f (BIODIVERSIDAD, CLIMA, …)
PROCESOS ECOLOGICOS = f (BIODIVERSIDAD, CLIMA, …) Colaborador externo: Osvaldo Sala - Arizona State University
BIODIVERSIDAD Y ESTABILIDAD HIPOTESIS #1: BIODIVERSIDAD α ESTABILIDAD i.e. ecosistemas con alta diversidad son más estables que los ecosistemas con baja diversidad (Elton 1958, Tilman1996) PPNA alta biodiversidad baja biodiversidad tiempo
BIODIVERSIDAD Y ESTABILIDAD HIPOTESIS #1: BIODIVERSIDAD α ESTABILIDAD i.e. ecosistemas con alta diversidad son más estables que los ecosistemas con baja diversidad (Elton 1958, Tilman1996) ~ PORTFOLIO EFFECT PPNA alta biodiversidad baja biodiversidad tiempo
BIODIVERSIDAD Y ESTABILIDAD HIPOTESIS #2: PPNA α BIODIVERSIDAD i.e. tasa de funcionamiento de un ecosistema es proporcional al número de especies
BIODIVERSIDAD Y ESTABILIDAD HIPOTESIS #2: PPNA α BIODIVERSIDAD i.e. tasa de funcionamiento de un ecosistema es proporcional al número de especies Es posible estimar series de NPP a partir de la dendrocronologia ?
BIODIVERSIDAD Y ESTABILIDAD:DISEÑO DEL EXPERIMENTO • Seleccionar sitios correspondientes a diferentes tipos de clima; • En cada sitio debe haber un gradiente de diversidad de especies de árboles; • Estimación de la productividad a partir de anillos de los árboles; • Estimación de la variabilidad climática a partir de reanálisis y observaciones
DOES TREE DIVERSITY BUFFERS CLIMATE VARIABILITY? High tree diversity Low tree diversity San Martín Junín Mendoza
MODELADO DINAMICO DE LA VEGETACION Y DEL CLIMA
MODELADO DINAMICO DE LA VEGETACION Y DEL CLIMA Colaborador externo: Patrick Samuelsson - Rossby Centre, Swedish Meteorological and Hydrological Institute
RCA3 COUPLED TO THE DYNAMIC VEGETATION MODEL LPJ-GUESS: RCA-GUESS
RCA3 COUPLED TO THE DYNAMIC VEGETATION MODEL LPJ-GUESS: RCA-GUESS • Tareas: • Simular la vegetación del pasado reciente • Forzar LPJ-GUESS con climatologías observacionales • i) off line forzado por CRU, • ii) acoplado con RCA forzado por reanálisis • Caracterizar las interacciones entre la vegetación y la atmósfera (análisis estadísticos) • Evaluar el rol de las interacciones vegetación-clima en un • contexto de cambio climático • Simular el período 1951-2100 con y sin vegetación dinámica
RCA3 COUPLED TO THE DYNAMIC VEGETATION MODEL LPJ-GUESS: RCA-GUESS • Tareas: • Simular la vegetación del pasado reciente • Forzar LPJ-GUESS con climatologías observacionales • i) off line forzado por CRU, • ii) acoplado con RCA forzado por reanálisis • ** necesitamos datos de NPP para evaluar el modelo** • Caracterizar las interacciones entre la vegetación y la atmósfera (análisis estadísticos) • Evaluar el rol de las interacciones vegetación-clima en un • contexto de cambio climático • Simular el período 1951-2100 con y sin vegetación dinámica
EJEMPLO DE CAMBIOS EN LA VEGETACION SIMULADOS POR UN MODELO DINAMICO DE VEGETACION (UNA VERSION DE LPJ) • Metodología • Se hace corresponder a cada celda una de las 18 categorías de vegetación (bioma) • Se fuerza el modelo de vegetación con un AOGCM y se comparan clima “actual” y “futuro” • Se grafican las áreas en las que cambian los biomas Thomas et al., 2008
EJEMPLO DE CAMBIOS EN LA VEGETACION SIMULADOS POR UN MODELO DINAMICO DE VEGETACION (UNA VERSION DE LPJ) CAMBIOS EN LAI Thomas et al., 2008
VECTOR VIENTO E ISOTACAS EN 200 hPa PRECIP. Y TEMP. EN SANTIAGO DE CHILE
PRECIPITACION Y LINEAS DE CORRIENTE EN 200 hPa PRECIP. Y TEMP. EN MENDOZA
REGRESION ENTRE INDICE SAM Y PRESION EN SUPERFICIE ANOMALIAS 500 hPa, JULIO 1987 (EL NIÑO) Rutllant y Fuenzalida, 1991 Goosse et al., 2010
ANOMALIAS DE SST Z* (200 hPa) Annalisa Cherchi y Andrea Carril
Volumen, complejidad y disponibilidad de datos climáticos de diferentes tipos y provenientes de diferentes fuentes se está incrementando rápidamente: - CMIP5 / IPCC AR5 - Nuevos reanálisis multidecádicos (p.e. 20CR, Compo et al., 2011) - CLARIS LPB (nuevas simulaciones regionales, 1951-2100) - Nuevas simulaciones “de cambio climático” (p.e. IPSL-CM5A-LR con escenario RCP4.5) - Experimentos idealizados con AGCMs con “alta” resolución (p.e. ECHAM4/CMCC) - Nuevos datos observacionales (p.e. Observatorio Nacional de la Degradación de Tierras y Desertificación)
VARIABILIDAD INTERANUAL DE PRESION ERA 40 Atlas
CMIP3 ensemble annual mean biases (IPCC AR4) PRECIP.: Mean of the 21 models minus observations (CMAP) Surf.Air TEMP.: Mean of the 21 models minus observations (HadCRUT2v)
Inferring supply and demand limitation of ET ET is limited by atmospheric demand ET is limited by soil moisture supply Classifying the regions with either T (demand limitation) or P (supply limitation) Jung et al., 2010
Inferring supply and demand limitation of ET ET is limited by soil moisture (soils are relatively dry) ET responds to changing atmospheric demand (if there is sufficient moisture supply) Jung et al., 2010
ENSAMBLE W ENSAMBLE S-W Correlaciones positivas –aqui en amarillo/rojo - indican que SM condiciona la ET
Andes topografía compleja Fuertes gradientes en parámetros climáticos (p.e. temp. y precip.) GCMs y RCMs: resolución demasiado gruesa para representar detalles topográficos (y otros forzantes relacionados con características del terreno y de la vegetación) La simulación de la precipitación en zonas montañosas es poco confiable Los modos naturales de variabilidad climática (p.e. ENSO, SAM) pueden modular los patrones de precipitación en diferentes escalas temporales (los modelos acoplados globales tienen dificultades para capturar estos mecanismos) Existen estudios que muestran que modelos de alta resolución pueden simular los patrones de mesoescala observados (pero son muy caros en modo climático) Nieve+Hielo clave para ciclo hidrológico en zonas montañosas Doble problema en los Andes: calentamiento y disminución de la precipitación Consecuencias p.e. sobre: Escurrimiento (runoff), caudal de ríos timing / volumen Vegetación: puede ser sensible a cambios en el ciclo anual de diferentes factores (T, P, nieve, runoff)
Zonas montañosas templadas Criósfera próxima a su melting point Criosfera sensible a pequeños cambios de temperatura Efectos del calentamiento: En algunas regiones: nevadas lluvias Línea de nieve: a mayor altura (~150 m / 1C) Menor duración de la nieve, especialmente en niveles bajos