Análisis de riesgo y vulnerabilidad climática en la producción agraria
Sonia Quiroga
Objectivo
• Prioritizar las necesidades de la gestión de riesgo entre:– Un rango de cultivos (cereales y leñosos)– Un grupo de localidades con distintos riesgos
climáticos• Bajo:
– Variabilidad climática– Cambio climático
2
Nuestro trabajo...
3
Otras publicaciones...
• A escala global:• Evaluación de los riesgos del cambio climático
basados en funciones de producción– Lobell et al (2008), Science– Parry et al (2004), GEC
4
-60
-40
-20
0
20
0 2 4 6 8
prec
ip c
hang
e (%
)
temp change (C)
-80
-60
-40
-20
0
20
02468
prec
ip c
hang
e (%
)
temp change (C)
CGCM2A1
CGCM2A2
CGCM2B1
CGCM2B2
CSIRO2A1
CSIRO2A2
CSIRO2B1
CSIRO2B2
HadCM3A1
HadCM3A2
HadCM3B1
HadCM3B2
PCMA1
PCMA2
PCMA2
PCMB2
Lineal (CGCM2B1)Lineal (CGCM2B2)Lineal (CSIRO2A1)Lineal (CSIRO2A2)Lineal (CSIRO2B1)Lineal (CSIRO2B2)
-80
-60
-40
-20
0
20
02468
prec
ip c
hang
e (%
)
temp change (C)
CGCM2A1
CGCM2A2
CGCM2B1
CGCM2B2
CSIRO2A1
CSIRO2A2
CSIRO2B1
CSIRO2B2
HadCM3A1
HadCM3A2
HadCM3B1
HadCM3B2
PCMA1
PCMA2
PCMA2
PCMB2
Lineal (CGCM2B1)Lineal (CGCM2B2)Lineal (CSIRO2A1)Lineal (CSIRO2A2)Lineal (CSIRO2B1)Lineal (CSIRO2B2)
Escenarios de cambio climático
Modelo estadístico
6
TIPO DE VARIABLE
VARIABLE NOMBRE DESCRIPCIÓN FUENTE DE DATOS
OUTPUT RENDIMIENTO Rt Productividad del cultivo en un área agroclimática
MAPA
VARIABLES DE GESTIÓN
MECANIZACIÓN Mact CV de la maquinaria agraria MAPA
FERTILIZANTES Fertilizt Total de consumo de fertilizantes
FAO
PESTICIDAS Pestict Total of importación de pesticidas para la agricultura
FAO
RIEGO Irrit Proporción de suelo irrigado sobre el total
MAPA
VARIABLES CLIMÁTICAS
TEMPERATURA Tmeit Temperatura media (i mes) INM
TEMPERATURA Tmaxit Temperatura máxima (i mes) INM
PRECIPITACIÓN Plutit Precipitación total (i mes) INM
HELADAS Frozit Días de helada (i mes) INM
SEQUÍAS Drot Años secos Elaborada a partir de INM
Modelo estadístico
7
t t-1
* * * *
t t t t0 1Mac 1Fertiliz 1Pestic 1Irri
t62i it 3i it 4i it 5i it
lnR = lnR + Mac + Fertiliz + Pestic + Irri +
+ Tme Froz Plut Tmax Dro Imp + Esc+ + + + + +t t t tt t t t t
Rendimientos observados y ajustados para el trigo en Murcia entre 1940-2000
8
Murcia
-3.0
-2.5
-2.0
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
1943
1947
1951
1955
1959
1963
1967
1971
1975
1979
1983
1987
1991
1995
1999
t/h
a Simulated
Observed
Elasticidades
9
Cultivo/Site
Viñedo/ Córdoba Viñedo / La Rioja
Estimación P-value Estimación P-value
Variables lnRt-1 0.2553 (0.0316) Mac 0.0025 (0.0000)
Tmeoct -0.1162 (0.0000) Tmedec -0.0488 (0.0442)
Tmedjf 0.0781 (0.0155) Plutfeb 0.0055 (0.0263)
Plutfeb -0.0043 (0.0000) Plutsep -0.0022 (0.0496)
Plutaug 0.0130 (0.0148) Tmaxmay 0.0748 (0.0000)
Dro -0.2101 (0.0046) Imp76 -0.7094 (0.0005)
Ljung-Box Q1 0.6293 (0.428) 0.2939 (0.588) Q2 2.3256 (0.313) 0.3180 (0.853) Q3 2.3476 (0.503) 0.7825 (0.854) Q4 3.1141 (0.539) 0.8015 (0.938)White test 0.6028 (0.8089) 1.3900 (0.2230)
R2 0.84 0.73
Grandes diferencias regionales% cambio en la productividad media del trigo
(Escenarios de CC. 2080). (Iglesias, Quiroga, Schlickenrieder,2010)
10
-80
-60
-40
-20
0
20
40
0 2 4 6 8
ce
re
al y
ie
ld
ch
an
ge
(%
)
temp change (C)
-80
-60
-40
-20
0
20
40
0 2 4 6 8
ce
re
al y
ie
ld
ch
an
ge
(%
)
temp change (C)
-80
-60
-40
-20
0
20
40
0 2 4 6 8
ce
re
al y
ie
ld
ch
an
ge
(%
)
temp change (C)
-80
-60
-40
-20
0
20
40
0 2 4 6 8
ce
re
al y
ie
ld
ch
an
ge
(%
)
temp change (C)
-80
-60
-40
-20
0
20
40
0 2 4 6 8
citru
s y
ie
ld
ch
an
ge
(%
)
temp change (C)
-80
-60
-40
-20
0
20
40
0 2 4 6 8
citru
s y
ie
ld
ch
an
ge
(%
)
temp change (C)
cereals, Burgos cereals, Logrono cereals, Cordoba cereals, Murcia
citrus, Cordoba citrus, Murcia
grapevine, Logrono grapevine, Cordoba grapevine, Murcia
olives, Logrono olives, Cordoba olives, Murcia
-80
-60
-40
-20
0
20
40
0 2 4 6 8
gra
pe
vin
e y
ie
ld
ch
(%
)
temp change (C)
-80
-60
-40
-20
0
20
40
0 2 4 6 8
gra
pe
vin
e y
ie
ld
ch
(%
)
temp change (C)
-80
-60
-40
-20
0
20
40
0 2 4 6 8
gra
pe
vin
e y
ie
ld
ch
(%
)
temp change (C)
-80
-60
-40
-200
20
40
0 2 4 6 8
gra
pe
vin
e y
ie
ld
ch
(%
)
temp change (C)
-80
-60
-40
-200
20
40
0 2 4 6 8
gra
pe
vin
e y
ie
ld
ch
(%
)
temp change (C)
-80
-60
-40
-200
20
40
0 2 4 6 8
gra
pe
vin
e y
ie
ld
ch
(%
)
temp change (C)
Cambio en TMe (C)
Burgos Logroño Córdoba
Cambio en TMe (C) Cambio en TMe (C) Cambio en TMe (C)
Cam
bio
en P
Me
(%)
Cam
bio
en P
Me
(%)
Cam
bio
en P
Me
(%)
Indice estandarizado de impacto -riesgo
(Standardised impact to risk index) (SIR)
• Se computa como el ratio entre:– La media probabilística de los impactos – La kurtosis de la función de distribución de
los impactos
11
-1
-0.8
-0.6
-0.4
-0.2 0
0.2
0.4
0.6
0.8
0
2
4
6
8
10
12
14
16
18
5,0%0,0%
90,0%98,9%
5,0%1,1%-0,659 0,349
AllCereals BurgosCereals LogroñoCereals MurciaCereals CordobaGrapevine LogroñoGrapevine MurciaGrapevine CordobaOlive LogroñoOlive Murcia
Distribución de los impactos
Cere
al B
urg
os
Cere
al L
ogro
ño
Cere
al M
urc
ia
Cere
al C
ord
oba
Gra
pevi
ne L
ogro
ño
Gra
pevi
ne M
urc
ia
Gra
pevi
ne C
ord
oba
Oliv
e L
ogro
ño
Oliv
e M
urc
ia
Oliv
e C
ord
oba
Citru
s M
urc
ia
Citru
s C
ord
oba
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
T BoxCenterB BoxSeries1
Análisis Montecarlo
• Los patrones observados contienen información sustancial de la importancia relativa del clima y la gestión con respecto a la variabilidad climática
• Inversiones orientadas a mejorar la adaptación de la agricultura al cambio climático deben inevitablemente primar a unas regiones y cultivos sobre otros
• La sequía es un riesgo clave en el Mediterráneo. Una gestión proactiva de la sequía es una medida de adaptación estratégica
14
• Ninguno de los cultivos ofrece una clara ventaja sobre otros en todas las regiones
• Los impactos negativos son más severos en las regiones del sur en España
• Las respuestas de adaptación necesitan ser específicas para cada localidad
15