1 / 77

Walter E. Baethgen Programa Regional para América Latina y el Caribe

Gestión de Riesgos Climáticos en el Sector Agropecuarios. Walter E. Baethgen Programa Regional para América Latina y el Caribe International Research Institute for Climate and Society (IRI) Universidad de Columbia. INMET, Brasilia, Diciembre 2007.

quant
Download Presentation

Walter E. Baethgen Programa Regional para América Latina y el Caribe

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Gestión de Riesgos Climáticos en el Sector Agropecuarios Walter E. Baethgen Programa Regional para América Latina y el Caribe International Research Institute for Climate and Society (IRI) Universidad de Columbia INMET, Brasilia, Diciembre 2007

  2. Producción o Ingresos (kg/ha, $/ha) La ocurrencia de eventos extremos (sequías, inundaciones, heladas) causan pérdidas muy importantes para los agricultores. En esos casos los agricultores utilizan mecanismos para enfrentar esas pérdidas que sacrifican el “largo plazo” para poder sobrevivir lo inmediato. Por ejemplo: venta de bienes, retirar a sus hijos de la escuela, sobre-explotación de recursos naturales, endeudamiento por no pago de créditos rurales.

  3. La existencia de este tipo de años Hace que el productor no quiera adoptar tecnologías mejoradas que implican un “gasto” (semillas, fertilizantes) Producción o Ingresos (kg/ha, $/ha) Gestión de Riesgos Climáticos Gestionar todo el rango de VARIABILIDAD DIFICULTAD ej., Sequía CRISIS ej., Mitch

  4. Producción o Ingresos (kg/ha, $/ha) Gestión de Riesgos Climáticos Gestionar todo el rango de VARIABILIDAD DIFICULTAD ej., Sequía OPORTUNIDADES PERDIDAS CRISIS ej., Mitch

  5. También Crítico Para Desarrollo: Aversión al Riesgo reduce la adopción de Tecnología Afecta Recursos Naturales “Trampas de Pobreza” Producción o Ingresos (kg/ha, $/ha) Gestionar todo el rango de VARIABILIDAD DIFICULTAD ej., Sequía OPORTUNIDADES PERDIDAS CRISIS ej., Mitch

  6. Margen Bruto para Maíz (US $/ha) Clima 1966 – 2000, Precios 1966 – 2000 Ciclo Corto, Siembra de Setiembre

  7. Margen Bruto para Maíz (US $/ha) Clima 1966 – 2000, Precios 1966 – 2000 Ciclo Corto, Siembra de Setiembre CV = 128% 9 años en 30: resultado ( 0) 60% del Ingreso Total en 6 años Importancia de Gestión de Riesgos en años buenos y malos

  8. 2. Reducir Incertidumbres Proveer Información Relevante (ej., Probabilidad de estación* “buena”, “mala”) *Década Gestión de Riesgos Climáticos 1. Identificar Vulnerabilidades (con Usuarios) • Identificar Tecnologías que reducen la • Vulnerabilidad (Diversificar, almacenaje de • agua, irrigación, etc.) 4. Intervenciones de Políticas / Instituciones para Reducir y/o Transferir los riesgos (créditos dirigidos, seguros)

  9. Gestión de Riesgos Climáticos • Reducir Incertidumbres • Proveer Información Relevante • 2. Identificar Tecnologías que reducen la • Vulnerabilidad (Diversificar, almacenaje de • agua, irrigación, etc.) • 3. Intervenciones para Reducir y/o Transferir • los riesgos (créditos dirigidos, seguros)

  10. Gestión de Riesgos Climáticos • Reducir Incertidumbres • Proveer Información Relevante: • Análisis de lo ocurrido en el PASADO (variabilidad climática, • efecto de tecnologías, variables críticas, momentos • críticos, etc.) • Monitoreo de la situación PRESENTE de variables • relevantes a los riesgos climáticos (clima, vegetación, • agua en el suelo, etc.) • Proporcionar información relevante sobre el FUTURO • (escenarios climáticos a escala de estaciones, de décadas, • de más largo plazo)

  11. TIEMPO, CLIMA y VARIABILIDAD Ejemplo: Cómo es el clima de La Estanzuela (lluvias)?

  12. TIEMPO, CLIMA y VARIABILIDAD Ejemplo: Variabilidad de lluvias de La Estanzuela

  13. TIEMPO, CLIMA y VARIABILIDAD Ejemplo: Lluvias en 12 años en La Estanzuela

  14. TIEMPO, CLIMA y VARIABILIDAD Ejemplo: Lluvias en 12 años en La Estanzuela Es de esperar que en ningún año las lluvias sean parecidas al promedio El Promedio tiene Probabilidad = 0 Alguna Información con Probabilidad > 0?? Pronósticos Climáticos Probabilísticos

  15. El Sistema Climático Procesos diferentes, a escalas diferentes (espacial y temporal)

  16. Variabilidad Climática y Cambio Climático: Lenguaje (“Tiempo” 1 – 10 días) “Variabilidad Climática” • 2-3 meses • 6 meses – 1 año • Década(s) • Varias Décadas • Siglos “Cambio Climático”

  17. Planificación y Toma de Decisiones: Predicciones (“Tiempo” 1 – 10 días) 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 interacciones permiten la Predicción Climática (3-6 meses) “Variabilidad Climática” Variabilidad “Decádica” (decenas de años) Mucha investigación / Se conoce “poco” “Cambio Climático” Calentamiento Global, Cambio Climático: Además de procesos físicos, suposiciones sobre Comportamiento Humano como escenarios de emisiones, tecnologías, deforestación (INCERTIDUMBRE)

  18. TSM y Clima: Esfuerzos Internacionales Observaciones en Océanos:Cobertura en Febrero de 2005 XBT, MOORINGS, ARGO floats

  19. TSM Pacifico y otros GCMs RCMs Pronósticos Probabilísticos Métodos Estadísticos

  20. IRI DYNAMICAL CLIMATE FORECAST SYSTEM 2-tiered OCEAN ATMOSPHERE GLOBAL ATMOSPHERIC MODELS ECPC(Scripps) ECHAM4.5(MPI) CCM3.6(NCAR) NCEP(MRF9) NSIPP(NASA) COLA2 GFDL PERSISTED GLOBAL SST ANOMALY Persisted SST Ensembles 3 Mo. lead 10 POST PROCESSING MULTIMODEL ENSEMBLING 24 24 10 FORECAST SST TROP. PACIFIC (multi-models, dynamical and statistical) TROP. ATL, INDIAN (statistical) EXTRATROPICAL (damped persistence) 12 Forecast SST Ensembles 3/6 Mo. lead 24 24 30 12 30 30

  21. CLIMATE DYNAMICAL DOWNSCALING PREDICTION SYSTEM FOR NORDESTE PREDICTED SST ANOMALIES Tropical Pacific Ocean (LDEO Dynamical Model) (NCEP Dynamical Model)(NCEP Statistical CA Model) Tropical Atlantic Ocean (CPTEC Stat. CCA Model) Tropical Indian Ocean (IRI Statistical CCA Model) Extratropical Oceans (Damped Persistence) • HISTORICAL DATA • Extended Simulations • Observations PERSISTED GLOBAL SST ANOMALIES ECHAM4.5 AGCM (T42) Persisted SSTA ensembles 1 Mo. lead 10 Post Processing Predicted SSTA ensembles 1-4 Mo. lead 10 NCEP RSM97 (60km) AGCM INITIAL CONDITIONS UPDATED ENSEMBLES (10+) WITH OBSERVED SSTs IRI FUNCEME (Chile?) IRI Approach: (1) REGIONAL PARTNERSHIPS

  22. Un paso más: De Clima a Agricultura Combinar Información Climática en productos que sean más útiles para la agricultura Pronósticos de Pronósticos de Lluvia Capacidad Balance Temperaturas Alm. Agua de Agua en el Suelo + = GCM, RCM, Estadísticos Caracterización de Suelos Trabajos conjuntos IRI con INMET, CPTEC, FUNCEME

  23. ONDJF Forecast – produced in October (can be updated monthly) Example: Forecasting streamflow using ECHAM 4.5 in the ONDJF wet season (statistical downscaling, persisted SST, 12 scenarios) Angat reservoir, Philippines

  24. NDVI (Pron. DJF 08) NDVI (Nov 2007) PRONOSTICO ESTACIONAL de LLUVIAS y TEMPERATURAS Balance Agua (Nov 2007) Balance Agua (Pron DJF 08)

  25. COF11 – Forecast Crop Conditions at End of Season Actual Crop Conditions at End of Season Predicciones del Estado de los Cultivos al final de la Estación de Crecimiento Usando el WRSI (Este de África) Slide Cortesía de G. Galu

  26. Importancia de “Tiempo” dentro del Clima Por ejemplo: Información de variabilidad dentro del Pronóstico para un Trimestre (Períodos de días consecutivos sin lluvia) Un paso adicional al Downscaling (mejora resolución temporal)

  27. Monitoreo de Condiciones del Presente (Clima, Vegetación) Reducción de Incertidumbres (Presente)

  28. Monitor NDVI October 1999 Ejemplo Sequía en Uruguay 1999 / 2000 Trabajo de IRI con INIA y Asesores Técnicos (sector público y privado) Forecast OND 1999 (produced October 1999) Forecast JFM 2000 (produced January 2000)

  29. OND 1988 SST December 1988 November 1988 Que había sucedido en 1988 (ultimo año La Niña) March 1989 January 1989 February 1989

  30. 1988/89 Previous La Nina

  31. PRONOSTICO Y MONITOREO SISTD produjo Información al MGAP y al SNE (Evolución de la Sequía) October 1999 November 1999 January 2000 February 2000 December 1999

  32. PRONOSTICO Y MONITOREO SISTD produjo Información al MGAP y al SNE (Priorización) 1 1 October 1999 November 1999 2 1 1 1 3 2 2 2 2 2 3 January 2000 February 2000 December 1999

  33. Cambios en el Volumen de Agua en Reservorio en la sequía de 1999/2000 (Preparado para El Sistema Nacional de Emergencia) Ejemplo en Artigas 19 Enero 23 Marzo

  34. Testimonio del Ing. Agr. Juan Notaro, Ministro de Ganadería, Agricultura y Pesca del Uruguay durante el período de la sequía 1999-2000, en relación a la utilizacióndel Sistema de Información y Soporte para la Toma de Decisiones (SISTD) en el Sector Agropecuario que INIA-IFDC están desarrollando. “La aplicación del trabajo con imágenes satelitales (SISTD INIA-IFDC) nos sirvió para tomar decisiones operativas y políticasdurante el período de sequía . En lo operativo, permitió que inicialmente concentráramos esfuerzos en recorrer los lugares efectivamente indicados como de mayor déficit hídrico y así planificar con PRENADER cuales serían los lugares prioritarios para concentrar sus recursos, tanto económicos como de maquinaria disponible. En la misma línea, el Sistema Nacional de Emergencias movilizó sus equipos y se organizó logísticamente mejor en esas áreas. En lo estrictamentepolítico, nos dio elementos objetivos para justificar la priorización de las acciones, en un momento donde todos los intendentes, políticos y productores pedían equipos en todo el país. En la misma línea, permitió mitigar presiones dándole información precisa y técnicamente transparente a la prensa y la población. En resumen, lo más importante fue la celeridad y la precisión de la información, que nos permitió ser realmente efectivos en la toma de decisiones y al mismo tiempo defender estas decisiones públicamente con solvencia técnica.”

  35. Testimonio del Ing. Agr. Juan Notaro, Ministro de Ganadería, Agricultura y Pesca “Nos sirvió para tomar decisiones operativas y políticasdurante el período de sequía”. “El Sistema Nacional de Emergenciasmovilizó sus equipos y se organizó logísticamente mejor en esas áreas.” “En lo estrictamentepolítico, nos dio elementosobjetivos para justificar la priorización de las acciones,” “En resumen, lo más importante fue la celeridad y la precisión de la información, que nos permitió ser realmente efectivos en la toma de decisiones y al mismo tiempo defender estas decisiones públicamente con solvencia técnica.”

  36. Monitoreo de Clima: Nuevos Productos de Sensoramiento Remoto

  37. Tufa Dinku, IRI Study region Ethiopia Zimbabwe

  38. Satellite data: space/time resolutions used

  39. GPCP-1DD TRMM-3B42 TAMSAT CMORPH Data: 2003-2004

  40. CMORPH vs CAMS OPI “La Estanzuela” “La Estanzuela”

  41. Gestión de Riesgos Climáticos en la Agricultura: Transferir Riesgos: Seguros Walter E. Baethgen Latin America and the Caribbean Regional Program International Research Institute for Climate and Society Columbia University

  42. Gestión de Riesgos Climáticos • Reducir Incertidumbres: • Proveer Información Climática Relevante • (ej., Probabilidad de estación “buena”, “mala”)

  43. 2. Cubrir Situaciones Desfavorables: Rol de Instrumentos Financieros (ej. SEGUROS) Aprovechar Condiciones Buenas estando Cubiertos para las Condiciones Adversas Adopción de Tecnología Seguros Públicos + Privados Seguros para Desastres Emergencias

  44. Sistemas de Información y Soporte para la Toma de Decisiones

  45. Monitoreo de Condiciones Climáticas y Balance de Agua en los Suelos (con mapa DSA) (Actualizado en página Internet de INIA /GRAS) http://www.inia.org.uy/disciplinas/agroclima/index.html

  46. Identificación y Determinación de Areas de Trigo y Cebada (Escala Regional, 1999/2000) 1 km 30 km

More Related