106855 by UNIGIS América Latina

Master Thesis

submitted within the UNIGIS MSc programme presentada para el Programa UNIGIS MSc Department of Geoinformatics – Z_GIS University of Salzburg

Impacto del cambio climático sobre cultivos relevantes de Centroamérica, este de México y el Caribe Impact of climate change on relevant crops for Central America, Eastern Mexico, and the Caribbean by

Carlos Eduardo Navarro Racines 12041707

A thesis submitted in partial fulfilment of the requirements of the degree of Master of Science – MSc Advisor I Supervisor: Leonardo Zurita Arthos PhD

Ciudad de Guatemala, Guatemala, noviembre 4 de 2023

Compromiso de Ciencia

Por medio del presente documento, incluyendo mi firma personal certifico y aseguro que mi tesis es completamente el resultado de mi propio trabajo. He citado todas las fuentes que he usado en mi tesis y en todos los casos he indicado su origen.

Ciudad de Guatemala, noviembre 4 de 2023 _________________________________________________________________________

Agradecimientos Me gustaría expresar mis agradecimientos a mi asesor, Anton Eitzinger, por su apoyo para realizar esta investigación y escribir la presente tesis. También me gustaría agradecer a Karl Atzmanstorfer, Leonardo Zurita Arthos y Laure Collet por servir en mi comité de tesis y brindar comentarios y sugerencias útiles. Agradezco al Centro Internacional de Agricultura Tropical (CIAT) por brindarme las herramientas y los recursos para realizar la presente investigación y al proyecto Tortillas of The Roaster II, ejecutado por el CIAT y el Catholic Relief Service (CRS), por el apoyo técnico y financiero a la presente investigación. Agradezco a mis amigos y familiares por su apoyo durante mi proceso de estudios, en particular a mi esposa Yeniffer Mercado. Finalmente, agradezco sobre todo a Dios, mi Padre, por guiarme a lo largo de mi carrera y ser mi fortaleza en todo tiempo.

Resumen Este estudio analiza las implicaciones del cambio climático sobre sistemas agroalimentarios de importancia para la región de Centroamérica, el este de México y el Caribe. En primer lugar, se generaron escenarios de cambio climático para la región, proyectándose déficits de precipitación en la mayor parte del territorio de manera estacional y anual, e incrementos graduales de temperatura. Posteriormente, un análisis fue conducido para evaluar cómo diversos cultivos de importancia para la seguridad alimentaria (i.e., arroz, frijol, maíz, papa, yuca, chile, tomate) y cultivos comerciales (i.e., banano, plátano, cacao, café, caña de azúcar, aguacate y cítricos) serían afectados a corto, mediano y largo plazo por condiciones cambiantes de clima. La cuantificación de estos impactos, realizada a través del modelo EcoCrop, revela que los cambios en los patrones futuros de temperatura y precipitación a afectarán de manera positiva y negativa las actuales zonas de producción de diversos cultivos de la región. Para la mayoría de los cultivos, los déficits de lluvia sumados a los aumentos de temperatura tendrían un impacto directo a cultivos de secano. Si bien los cambios en la idoneidad de los cultivos para la región muestran una prevalencia de los impactos negativos sobre los positivos, los aumentos de temperatura o cambios en los regímenes de precipitación también podrían crear oportunidades en áreas que actualmente están limitadas por estos factores ambientales. Finalmente, este estudio discute ciertas áreas de investigación sobre adaptación dirigidas a reducir la vulnerabilidad de estos sistemas. Palabras claves: cambio climático, idoneidad climática, modelos de cultivo, Centroamérica

Abstract This study analyzes the implications of climate change on important agri-food systems for Central America, Eastern Mexico, and the Caribbean. First, climate change scenarios were generated for the region, projecting precipitation deficits across most of the territory on a seasonal and annual basis, along with gradual increases in temperature. Subsequently, an analysis was conducted to assess how several crops of importance for food security (i.e., rice, beans, corn, potato, cassava, chili, tomato) and commercial crops (i.e., bananas, plantains, cocoa, coffee, sugar cane, avocado, and citrus) would be affected in the short, medium, and long terms due to changes in climatic conditions. The quantification of these impacts carried out using the EcoCrop model, reveals that changes in future temperature and precipitation patterns will both positively and negatively affect the current production areas of various crops in the region. For most crops, rainfall deficits combined with temperature increases would directly impact rainfed cultivation. While the changes in crop suitability for the region show a prevalence of negative impacts over positive ones, the temperature rises or shifts in precipitation regimes could also create opportunities in areas that are currently constrained by these environmental factors. Finally, this study discusses certain areas of adaptation research aimed at reducing the vulnerability of these systems. Keywords: climate change, climate suitability, crop modeling, Central America

Tabla de Contenido

Resumen ............................................................................................................................ 8 Abstract .............................................................................................................................. 9 1. Introducción .................................................................................................................... 14 1.1.

Antecedentes ........................................................................................................ 14

1.2.

Objetivos del estudio ........................................................................................... 15

1.2.1.

Objetivo general .......................................................................................... 15

1.2.2.

Objetivos específicos ................................................................................... 15

1.3.

Preguntas de investigación .................................................................................. 16

1.4.

Hipótesis .............................................................................................................. 16

1.5.

Justificación ......................................................................................................... 17

1.6.

Alcance ................................................................................................................ 18

2. Revisión de literatura ...................................................................................................... 19 2.1.

Impacto del cambio climático sobre los cultivos................................................. 19

2.2.

Técnicas de modelación clima-cultivo ................................................................ 20

2.2.1.

El modelo EcoCrop ..................................................................................... 20

2.2.2.

Casos de estudio de modelación de nicho ................................................... 22

2.3.

Caracterización del clima histórico ..................................................................... 23

2.4.

Proyecciones de cambio climático ...................................................................... 24

2.4.1.

Escenarios de emisiones .............................................................................. 24

2.4.2.

Modelos Climáticos Globales (GCM) ......................................................... 26

2.4.3.

Downscaling ................................................................................................ 27

3. Metodología .................................................................................................................... 30 3.1.

Área de Estudio ................................................................................................... 32

3.2.

Caracterización de clima histórico ...................................................................... 33

3.3.

Escenarios de cambio climático .......................................................................... 33

3.4.

Impacto del cambio climático sobre los cultivos................................................. 36

3.5.

Incertidumbres ..................................................................................................... 38

3.6.

Códigos de programación .................................................................................... 38

4. Resultados ....................................................................................................................... 40 4.1.

Caracterización del clima histórico ..................................................................... 40

4.2.

Escenarios de cambio climático .......................................................................... 43

4.2.1.

Cambios proyectados ................................................................................... 43

4.2.2.

Precisión de los modelos ............................................................................. 49

4.2.3.

Incertidumbres en las proyecciones de los escenarios climáticos ............... 52

4.3.

Impactos actuales y futuros plausibles del cambio climático en los cultivos ...... 57

4.3.1. Aptitud climática actual ..................................................................................... 57 4.3.2. Cambios en la aptitud climática a futuro ........................................................... 61 4.3.3. Incertidumbres en las proyecciones de idoneidad climática ............................. 86 5. Discusión ........................................................................................................................ 92 5.1.

Proyecciones de cambio climático y estudios previos......................................... 92

5.2.

Cambios en la aptitud climática y estudios previos ............................................. 94

5.3.

Implicaciones para la región ................................................................................ 94

5.4.

EcoCrop y prioridades de investigación en adaptación ....................................... 97

6. Conclusiones ................................................................................................................. 102 Referencias ........................................................................................................................ 107

Glosario ANI

Áreas Impactadas Negativamente

API

Áreas Impactadas Positivamente

ASAC

Agricultura Sostenible Adaptada al Clima

CA4

Centroamérica 4 (Guatemala, Honduras, Nicaragua y El Salvador)

CAC

Consejo Agropecuario Centroamericano

CAMEXCA

Centroamérica, este de México y el Caribe

CATIE

Centro Agronómico Tropical de Investigación y Enseñanza

CCAFS

Programa del CGIAR en Cambio Climático, Agricultura y Seguridad Alimentaria (siglas en inglés)

CEPAL

Comisión Económica para América Latina y el Caribe

CIAT

Centro Internacional de Agricultura Tropical

CIMMYT

Centro Internacional de Mejoramiento de Maíz y Trigo (siglas en inglés)

CMIP

Proyecto de Inter-comparación de Modelos Acoplados (siglas en inglés)

COMISCA

Consejo de Ministros de Salud de Centroamérica

CONAGUA

Comisión Nacional del Agua de México

COSEFIN

Consejo de Ministros de Hacienda o Finanzas de Centroamérica, Panamá y República Dominicana

CRU

Unidad de Investigación del Clima (siglas en inglés)

DANIDA

Agencia Danesa de Desarrollo Internacional (siglas en inglés)

EMC

Error Medio Cuadrático

ESGF

Federación de Redes del Sistema Terrestre (siglas en inglés)

FAO

Organización de la Alimentación y la Agricultura (siglas en inglés)

FEWSNET

Red de Sistemas de Alerta Temprana de Hambrunas (siglas en inglés)

GBif

Servicio de Información sobre Biodiversidad Mundial (siglas en inglés)

GCM

Modelos Climáticos Globales o Modelos de Circulación General (siglas en inglés)

GEI

Gases de Efecto Invernadero

GHCN

Red Global de Climatología Histórica (siglas en inglés)

INSIVUMEH Instituto Nacional de Sismología, Vulcanología, Meteorología e Hidrología de Guatemala IPCC

Panel Intergubernamental de Expertos de Cambio Climático (siglas en inglés)

MAGA

Ministerio de Agricultura, Ganadería y Alimentación de Guatemala

MTA

Mesas Técnicas Agroclimáticas

ONU

Organización de las Naciones Unidas

PROMECAFE Programa Cooperativo Regional para el Desarrollo Tecnológico y Modernización de la Caficultura RCM

Modelos Climáticos Regionales (siglas en inglés)

RCP

Caminos Representativos de Concentración

SADER

Secretaría de Agricultura y Desarrollo Rural de México

SAG

Secretaría de Agricultura y Ganadería de Honduras

SICA

Sistema de la Integración Centroamericana

SIECA

Secretaría de Integración Económica Centroamericana

SPAM

Modelo de Asignación de Producción Espacial (siglas en inglés)

SSP

Caminos Socioeconómicos Compartidos (siglas en inglés)

WMO

Organización Meteorológica Mundial (siglas en inglés)

Lista de Figuras Figura 1. Diagrama del modelo mecanístico EcoCrop en 2 (A) y 3 (B) dimensiones.. ...... 21 Figura 2. Emisiones antropogénicas anuales durante el período 2015–2100. Se muestran las trayectorias de emisiones de dióxido de carbono (CO2) de todos los sectores (en GtCO2/año) por cada escenario SSP.......................................................................... 25 Figura 3. Ilustración del proceso de downscaling con la precipitación total de enero utilizando el GCM GFDL-CM3: (a) línea base climática, (b) datos futuros a 2050 (promedio de 2040-2069), (c) delta o anomalía a 2050, (d) delta o anomalía a 2050 con centroides GCM (puntos) superpuestos, (e) anomalía interpolada de y (f) superficie climática futura de alta resolución. Valores en mm/mes........................... 29 Figura 4. Flujograma de la metodología de la modelación climática y de cultivos. ........... 31 Figura 5. Área de estudio: Centroamérica, este de México y el Caribe (CAMEXCA). ArcGIS Pro 3.1 ........................................................................................................... 32 Figura 6. Mapas de precipitación acumulada mensual histórica (arriba) y temperatura media mensual (abajo) histórica basados en WorldClim v.2.1. Valores en mm/mes y grados Celsius respectivamente. ................................................................................ 41 Figura 7. Mapas de precipitación acumulada (arriba izquierda), temperatura máxima (arriba derecha), media (abajo izquierda) y mínima (abajo derecha) estacional histórica basados en WorldClim v.2.1. Valores en mm y grados Celsius respectivamente. ......................................................................................................... 42 Figura 8. Mapas de precipitación acumulada, temperatura máxima, media y mínima (de izquierda a derecha) anual histórica basados en WorldClim v.2.1. Valores en mm y grados Celsius respectivamente. ................................................................................ 42 Figura 9. Cambios proyectados en precipitación estacional para 2030s, 2050s y 2070s, bajo los escenarios SSP1-2.6 (arriba), SSP2-4.5 (medio) y SSP5-8.5 (abajo). Valores en porcentaje. .................................................................................................................. 45 Figura 10. Cambios proyectados en temperatura máxima estacional para 2030s, 2050s y 2070s, bajo los escenarios SSP1-2.6 (arriba), SSP2-4.5 (medio) y SSP5-8.5 (abajo). Valores en grados Celsius. ......................................................................................... 46 Figura 11. Cambios proyectados en temperatura media estacional para 2030s, 2050s y 2070s, bajo los escenarios SSP1-2.6 (arriba), SSP2-4.5 (medio) y SSP5-8.5 (abajo). Valores en grados Celsius. ......................................................................................... 47 Figura 12. Cambios proyectados en temperatura mínima estacional para 2030s, 2050s y 2070s, bajo los escenarios SSP1-2.6 (arriba), SSP2-4.5 (medio) y SSP5-8.5 (abajo). Valores en grados Celsius. ......................................................................................... 48

Figura 13. Comparación (basado en R2) de la climatología observada (WorldClim v 2.1 [w] y estaciones meteorológicas del GHCN [w]) con la línea base de cada GCM para precipitación acumulada y temperatura media anual y trimestral (JJA, SON) para cada país: Bahamas (BHS), Belice (BLZ), Costa Rica (CRI), Cuba (CUB), República Dominicana (DOM), Guatemala (GTM), Honduras (HND), Haití (HTI), Jamaica (JAM), México (MEX), Nicaragua (NIC), Panamá (PAN), Puerto Rico (PRI), El Salvador (SLV), la región (CMC). ............................................................. 50 Figura 14. Comparación (basado en EMC) de la climatología observada (WorldClim v 2.1 [w] y estaciones meteorológicas del GHCN [w]) con la línea base de cada GCM para precipitación acumulada y temperatura media anual y trimestral (JJA, SON) para cada país: Bahamas (BHS), Belice (BLZ), Costa Rica (CRI), Cuba (CUB), República Dominicana (DOM), Guatemala (GTM), Honduras (HND), Haití (HTI), Jamaica (JAM), México (MEX), Nicaragua (NIC), Panamá (PAN), Puerto Rico (PRI), El Salvador (SLV), la región (CMC). ............................................................. 51 Figura 15. Incertidumbres en la proyección del cambio de precipitación estacional (en %) para tres SSP y tres periodos, considerando la dispersión de 24 GCMs del CMIP6: cambio promedio (línea azul), primer cuartil (25%, límite inferior sombreado) y tercer cuartil (75%, límite sombreado superior). Bahamas (BHS), Belice (BLZ), Costa Rica (CRI), Cuba (CUB), República Dominicana (DOM), Guatemala (GTM), Honduras (HND), Haití (HTI), Jamaica (JAM), México (MEX), Nicaragua (NIC), Panamá (PAN), Puerto Rico (PRI), El Salvador (SLV)............................................. 55 Figura 16. Incertidumbres en la proyección del cambio de temperatura media estacional (en °C) para tres SSP y tres periodos, considerando la dispersión de 24 GCMs del CMIP6: cambio promedio (línea roja), primer cuartil (25%, límite inferior sombreado) y tercer cuartil (75%, límite sombreado superior). Bahamas (BHS), Belice (BLZ), Costa Rica (CRI), Cuba (CUB), República Dominicana (DOM), Guatemala (GTM), Honduras (HND), Haití (HTI), Jamaica (JAM), México (MEX), Nicaragua (NIC), Panamá (PAN), Puerto Rico (PRI), El Salvador (SLV)................ 56 Figura 17. Idoneidad climática actual de los siete cultivos básicos seleccionados: aguacate, banano, cítricos, cacao, café, plátano y caña de azúcar en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop. El rojo representa baja idoneidad y el verde representa una alta idoneidad. ArcGIS Pro 3.1 (https://pro.arcgis.com). .. 59 Figura 18. Idoneidad climática actual de los siete cultivos comerciales seleccionados: aguacate, banano, cítricos, cacao, café, plátano y caña de azúcar en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop. El rojo representa baja idoneidad y el verde representa una alta idoneidad. ArcGIS Pro 3.1 (https://pro.arcgis.com). ............................................................................................. 60 Figura 19. Cambio porcentual en la idoneidad climática futura (arriba) y cambios reclasificados (abajo), para el cultivo de arroz, en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop (promedio de 24 GCMs). ..................... 65 Figura 20. Cambio porcentual en la idoneidad climática futura (arriba) y cambios reclasificados (abajo), para el cultivo de chile, en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop (promedio de 24 GCMs). ..................... 66

Figura 21. Cambio porcentual en la idoneidad climática futura (arriba) y cambios reclasificados (abajo), para el cultivo de frijol, en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop (promedio de 24 GCMs). ..................... 67 Figura 22. Cambio porcentual en la idoneidad climática futura (arriba) y cambios reclasificados (abajo), para el cultivo de maíz, en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop (promedio de 24 GCMs). ..................... 68 Figura 23. Cambio porcentual en la idoneidad climática futura (arriba) y cambios reclasificados (abajo), para el cultivo de papa, en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop (promedio de 24 GCMs). ..................... 69 Figura 24. Cambio porcentual en la idoneidad climática futura (arriba) y cambios reclasificados (abajo), para el cultivo de tomate, en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop (promedio de 24 GCMs). ................ 70 Figura 25. Cambio porcentual en la idoneidad climática futura (arriba) y cambios reclasificados (abajo), para el cultivo de yuca, en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop (promedio de 24 GCMs). ..................... 71 Figura 26. Cambio porcentual en la idoneidad climática futura (arriba) y cambios reclasificados (abajo), para el cultivo de aguacate, en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop (promedio de 24 GCMs). ......... 75 Figura 27. Cambio porcentual en la idoneidad climática futura (arriba) y cambios reclasificados (abajo), para el cultivo de banano, en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop (promedio de 24 GCMs). ................ 76 Figura 28. Cambio porcentual en la idoneidad climática futura (arriba) y cambios reclasificados (abajo), para cultivos cítricos, en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop (promedio de 24 GCMs). ..................... 77 Figura 29. Cambio porcentual en la idoneidad climática futura (arriba) y cambios reclasificados (abajo), para el cultivo de cacao, en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop (promedio de 24 GCMs). ................ 78 Figura 30. Cambio porcentual en la idoneidad climática futura (arriba) y cambios reclasificados (abajo), para el cultivo de café, en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop (promedio de 24 GCMs). ..................... 79 Figura 31. Cambio porcentual en la idoneidad climática futura (arriba) y cambios reclasificados (abajo), para el cultivo de plátano, en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop (promedio de 24 GCMs). ................ 80 Figura 32. Cambio porcentual en la idoneidad climática futura (arriba) y cambios reclasificados (abajo), para el cultivo de caña de azúcar, en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop (promedio de 24 GCMs). ....................................................................................................................... 81 Figura 33. Impactos del cambio climático en diversos cultivos en la región de Centroamérica, este de México y el Caribe en términos de cambio de idoneidad (%;

arriba) y de la proporción de áreas impactadas positiva y negativamente (AIP/AIN; abajo). Los diagramas de caja son combinaciones de cultivos por periodo (2030s blanco, 2050s gris, 2070s gris oscuro) considerando todos los SSP. Líneas gruesas son la mediana; las cajas muestran el primer y tercer cuartil. .................................... 82 Figura 34. Impactos del cambio climático en diversos cultivos en la región de Centroamérica, este de México y el Caribe en términos de cambio de idoneidad (%). Los diagramas de caja son combinaciones de cultivos por país y por periodo (2030s blanco, 2050s gris, 2070s gris oscuro) considerando todos los SSP. Líneas gruesas son la mediana; las cajas muestran el primer y tercer cuartil. La línea punteada corresponde al 0% de cambio de aptitud.................................................................... 84 Figura 35. Impactos del cambio climático en diversos cultivos en la región de Centroamérica, este de México y el Caribe en términos de la proporción de áreas impactadas positiva y negativamente (AIP/AIN). Los diagramas de caja son combinaciones de cultivos por país y por periodo (2030s blanco, 2050s gris, 2070s gris oscuro) considerando todos los SSP. Líneas gruesas son la mediana; las cajas muestran el primer y tercer cuartil. Valores superiores a 1(línea punteada), indican que las áreas impactadas positivamente son más grandes que las áreas impactadas negativamente. ........................................................................................................... 85 Figura 36. Desviación estándar de los cambios en la idoneidad climática basada en las corridas sobre 24 GCMs bajo el escenario SSP5-8.5 y el periodo 2070s, para diversos cultivos en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop. Valores en porcentaje. ........................................................ 87 Figura 37. Promedio de los cambios en la idoneidad climática del primer cuartil (25%) de los 24 GCMs bajo el escenario SSP5-8.5 y el periodo 2070s, para diversos cultivos en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop. Valores en porcentaje. ................................................................................................ 88 Figura 38. Promedio de los cambios en la idoneidad climática del tercer cuartil (25%) de los 24 GCMs bajo el escenario SSP5-8.5 y el periodo 2070s, para diversos cultivos en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop. Valores en porcentaje. ................................................................................................ 89 Figura 39. Número de modelos que están de acuerdo con el cambio de la idoneidad climática futura basada en las corridas sobre 24 GCMs bajo el escenario SSP5-8.5 y el periodo 2070s, para diversos cultivos en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop. ............................................................. 90 Figura 40. Cambios proyectados en la idoneidad climática expresada como un promedio de 24 GCMs y su incertidumbre expresada como la desviación estándar de los GCMs bajo el escenario SSP5-8.5. Los colores corresponden a los periodos futuros y la tipología a los diferentes países de la región de Centroamérica, este de México y el Caribe. ........................................................................................................................ 91

Lista de Tablas Tabla 1. Descripción y referencias los escenarios empleados por el IPCC para el CMIP6 26 Tabla 2. Modelos de Circulación General (GCM) empleados en la generación de los escenarios climáticos y en la modelación de nicho .................................................... 34 Tabla 3. Parámetros climáticos utilizados como entradas para el modelo EcoCrop para determinar el rango de distribución y la idoneidad climática para los cultivos básicos y comerciales en la región de Centro América, México y el Caribe.......................... 39 Tabla 4. Cambios proyectados e incertidumbres en precipitación total (%) y temperatura media anual (°C) con referencia al clima histórico bajo tres escenarios SSP y tres periodos futuros, basados en 24 GCMs...................................................................... 54

1. Introducción 1.1.

Antecedentes

De acuerdo con los últimos reportes del Panel Intergubernamental de Expertos de Cambio Climático (IPCC, 2014a, 2021a) y otros numerosos estudios (Arunanondchai et al., 2018; Challinor y Wheeler, 2008; Challinor et al., 2007; Rippke et al., 2016; Vermeulen et al., 2012), el cambio climático puede ser una amenaza a la seguridad alimentaria futura, al reducir la productividad de la mayor parte de los sistemas agrícolas en el mundo. En Latinoamérica, anomalías climáticas tales como aumentos de temperatura, olas de calor, sequías y eventos de precipitación extremos más frecuentes o prolongados han provocado y provocarán significativas afectaciones en los sistemas alimentarios incluyendo reducciones en la productividad, aumento de la variabilidad interanual de los rendimientos, daños fisiológicos, reducción de las áreas favorables de producción, cambios en la dinámica de plagas y enfermedades, entre otras (IPCC, 2014a; Lobell et al., 2008; Ramírez-Villegas et al., 2012). De manera particular, los agricultores de América Central son altamente vulnerables a las variaciones en las condiciones climáticas, con pérdidas observadas en toda la región de forma prácticamente anual (Gottret et al., 2020). El cambio y variabilidad climática suponen grandes desafíos para la agricultura y los medios de vida basados en actividades agropecuarias en la región, donde la pobreza, la inequidad y la degradación de los recursos naturales se ven agravados por las amenazas climáticas. Según la Organización de las Naciones Unidas (ONU), durante los años 2014 a 2017, Centroamérica enfrentó una sequía de manera continua con una consecuente pérdidas en la producción de granos básicos y frijol en Guatemala, El Salvador, Honduras y Nicaragua, afectando a más de 3.5 millones de personas (Fraga, 2020; ONU, 2018). Los agricultores en la región tienen cada vez mayores retos a la hora de planificar o manejar sus cultivos y esta exposición a riesgos climáticos, sumada a las condiciones de vulnerabilidad y capacidad insuficiente para reducir o responder a sus consecuencias, causan graves desastres y pérdidas. Para continuar promoviendo el desarrollo agrícola en áreas vulnerables, es imperativo gestionar los riesgos asociados a las amenazas climáticas, tal y como lo sugiere el Programa del CGIAR en Cambio Climático, Agricultura y Seguridad Alimentaria

(CCAFS, 2019; Gottret et al., 2020). El manejo de riesgos climáticos constituye uno de los elementos fundamentales para garantizar los medios de vida y seguridad alimentaria de los agricultores en el campo, el incremento de la productividad y la capacidad de adaptación de los sistemas agrícolas al cambio climático en la región centroamericana. Asimismo, representa un aspecto inevitable para la planificación y la toma de decisiones, tanto a nivel parcela como a nivel local o territorial y, tiene como prerrequisito, el poder garantizar el acceso, análisis y uso eficiente de la información agroclimática. Sin embargo, los agricultores, técnicos de campo, tomadores de decisión y otras partes interesadas en la región generalmente tienen acceso limitado a información climática, no tienen capacidades suficientes para comprenderla o no saben relacionar esta información con el impacto que los cambios en el clima pueden generar a nivel local (CCAFS, 2019; Giraldo-Méndez et al., 2021; Martínez-Barón et al., 2021). Esto impide la traducción de la información en conocimiento procesable y, por lo tanto, en acción. Contribuir a que los agricultores más vulnerables puedan adaptarse a los cambios en el clima que se proyectan hacia futuro y a los impactos que traerán sobre los sistemas de producción y los indicadores socioeconómicos tales como ingresos económicos, género y seguridad alimentaria resulta de vital importancia.

1.2.

Objetivos del estudio

1.2.1. Objetivo general Cuantificar los efectos del cambio climático futuro, a corto, mediano y largo plazo, sobre la aptitud y distribución de los cultivos en la región de Centro América, este de México y el Caribe.

1.2.2. Objetivos específicos -

Derivar un set de parámetros agroclimáticos óptimos para algunos de los cultivos de mayor importancia para la seguridad alimentaria y la generación de ingresos en la región (i.e., arroz, frijol, maíz, papa, yuca, chile, tomate, banano, plátano, cacao, café, caña de azúcar, aguacate y cítricos) a fin de calibrar el modelo de nicho para las condiciones actuales, a partir de revisión del estado del arte, enfoques estadísticos y la consulta a expertos.

Evaluar los cambios en las condiciones de precipitación y temperatura a futuro en la región empleando proyecciones de alta resolución (5 Km2) que surgen a partir del proceso de desescalamiento (downscaling) de las salidas de Modelos Climáticos Globales (GCM, siglas en inglés) del Panel Intergubernamental de Expertos de Cambio Climático (IPCC).

Cuantificar la incertidumbre asociada a la modelación de clima (el downscaling de GCMs y la selección de escenarios de cambio climático) y la modelación de nicho de los cultivos.

1.3.

Preguntas de investigación

Las preguntas de investigación guiando el presente estudio se enuncian a continuación: -

¿Como el cambio climático futuro puede afectar la aptitud y la distribución geográfica de los principales cultivos de importancia para la seguridad alimentaria en Centroamérica, este de México y el Caribe?

¿En qué zonas los sistemas de producción de los principales cultivos de importancia para la seguridad alimentaria en la región deben ser adaptados, dónde deben ser diversificados o dónde pueden establecerse nuevas áreas de producción?

¿Cuál es la incertidumbre asociada a la cuantificación de los impactos del cambio climático futuro sobre los principales cultivos de importancia para la seguridad alimentaria en la región?

1.4.

Hipótesis

Los cambios en el clima a futuro afectarán significativamente la aptitud y la distribución geográfica de los principales cultivos de importancia para la seguridad alimentaria y la generación de ingresos en Centroamérica, este de México y el Caribe. La magnitud de los riesgos asociados a estos cambios en el clima es diferenciada y pueden identificarse zonas donde los sistemas de producción deben ser adaptados a futuro (spots de adaptación), zonas dónde los cultivos ya no serán una opción productiva y por tanto deben ser diversificados (hot-spots) y, zonas dónde potencialmente podrían establecerse nuevas áreas de producción pero que generarían zonas de migración y riesgo de deforestación (spots de presión).

1.5.

Justificación

Este trabajo responde a una gran preocupación sobre el entendimiento de cómo el cambio climático afectará la agricultura a futuro y cómo cuantificar estos impactos. Cualquier sistema agrícola responde a cambios de factores antropogénicos (e.g., dinámicas poblacionales, cambios culturales), bióticos (e.g., plagas y enfermedades) y abióticos (e.g., clima, suelos). De entre todos estos factores el clima es el factor menos predecible y comúnmente el que más afecta los cultivos, haciendo que los sistemas sean muy vulnerables. Se necesita comprender cómo los cambios en condiciones de precipitación, temperatura y otras variables afectarán a los cultivos para poder construir estrategias de adaptación efectiva y disminuir el impacto potencial en los sistemas productivos de la región. Las técnicas de modelación de cultivos son herramientas que ayudan a determinar cómo se comportarán los cultivos bajo condiciones específicas de suelo, manejo y clima (e.g, bajo efectos del clima futuro). Esta información es necesaria para que los sistemas productivos prosperen frente al riesgo climático. Existe una amplia gama de modelos de cultivos, desde aquellos que poseen capacidad explicativa de la fisiología del cultivo (mecanísticos) hasta aquellos basados en datos observacionales sin involucrar procesos fisiológicos (empíricos, descriptivos). El modelado empírico permite resolver las complejas relaciones que existen entre el clima y los sistemas de cultivos, al representar la idoneidad climática de una selección amplia de cultivos, su idoneidad en asociaciones/cultivos intercalados o rotación de cultivos/sistemas mixtos. Los nichos de los cultivos pueden cambiar a futuro, y perder rango geográfico de distribución y, por tanto, se necesita conocer la capacidad de los sistemas para absorber estas perturbaciones. A la fecha, algunos estudios han evaluado la exposición de diversos cultivos a futuro modelando cambios de aptitud, sin embargo, la mayoría de éstos se han conducido de manera global, presentan una baja resolución espaciotemporal y/o no tienen en cuenta parámetros específicos de los cultivos de la región. En este contexto, anticipar cómo las condiciones climáticas proyectadas podrían afectar la aptitud climática y la distribución espacial de los principales cultivos de manera detallada para la región, será de gran importancia para apoyar la toma de decisiones en adaptación ante variaciones en las condiciones climáticas. El modelamiento presentado aquí, proporcionarán una base para el desarrollo de una gestión agronómica inteligente para el clima a corto, mediano y largo

plazo para los agricultores y tomadores de decisión de la región de Centro América, este de México y el Caribe.

1.6.

Alcance

El presente estudio permitirá evaluar el cambio potencial en aptitud y distribución geográfica a alta resolución (5 Km2) de los cultivos más importantes para la seguridad alimentaria y la generación de ingresos derivados de actividad agrícola (i.e., arroz, frijol, maíz, papa, yuca, chile, tomate, banano, plátano, cacao, café, caña de azúcar, aguacate y cítricos) a futuro en Centro América, este de México y el Caribe, que se espera como consecuencia del cambio climático (i.e., cambios en precipitación y temperatura a futuro). Empleará las proyecciones más recientes de cambio climático del IPCC y técnicas de modelación de nicho (i.e., modelo EcoCrop). Como resultado se generará un aporte al conocimiento del impacto del cambio climático a corto (2030s), mediano (2050s) y largo plazo (2070s) sobre los cultivos de relevancia para la región, que puede ser usado por investigadores, técnicos de campo y tomadores de decisión para evaluar riesgos en agricultura a nivel municipal, departamental, nacional o regional y ayudar al diseño de opciones de adaptación efectivas ante el cambio climático.

2. Revisión de literatura 2.1.

Impacto del cambio climático sobre los cultivos

Hacia mediados del siglo XXI, se proyecta que la temperatura a nivel mundial se incremente entre 3-5°C y los patrones de precipitación cambien (IPCC, 2013). Para Centroamérica, México y el Caribe, una de las regiones del mundo con mayores impactos por choques climáticos (Bouroncle et al., 2017; Giorgi, 2006), dicho calentamiento sería del orden de 1.5-3°C en comparación con el pasado reciente según datos de la Comisión Económica para América Latina y el Caribe y el Consejo Agropecuario Centroamericano (CEPAL y CAC, 2020). Reducciones en la precipitación media se proyectan en gran parte de México, norte de Guatemala, la costa atlántica de Honduras, oriente de Cuba, sur de Haití y la mayor parte de la República Dominicana y, un aumento en otras partes de la región (CEPAL y CAC, 2020; Imbach et al., 2012), junto con aumentos de la precipitación extrema (IPCC, 2013). La agricultura sin duda es uno de los sectores más vulnerables a los cambios en las condiciones de clima, con efectos devastadores si no se tienen en cuenta procesos de adaptación guiada. Varios autores reportan que el cambio climático impactará en la productividad de diversos cultivos en las próximas décadas (Challinor, 2009; Challinor y Wheeler, 2008; Lobell et al., 2008). En Centroamérica y el Caribe, se proyectan significativas pérdidas de rendimiento en los cultivos como maíz, frijol, arroz y trigo (Baethgen, 1997; Gourdji et al., 2015; Lobell et al., 2008; Prager et al., 2020; Schmidt et al., 2012), al igual que pérdidas de aptitud climática (también denominada idoneidad o adaptabilidad) en cultivos como café, plátano y frijol (Bouroncle et al., 2017; CEPAL y CAC, 2014; CEPAL et al., 2015; Hannah et al., 2017; Parker et al., 2019). Estos cultivos de subsistencia y comerciales son altamente sensibles a los cambios y variaciones en las condiciones climáticas. Los efectos del cambio climático sobre los cultivos resultarán en retos importantes para los agricultores en términos de planificación, manejo de sus cultivos y la seguridad alimentaria (Beltrán-Tolosa et al., 2020; Eitzinger et al., 2012). Se requiere, por tanto, una adaptación progresiva de los sistemas alimentarios actuales, a fin de continuar con una producción sostenible y amigable con el ambiente, en un panorama de mayor aumento poblacional y

menor disponibilidad de recursos a futuro (Ramírez-Villegas et al., 2012; Rippke et al., 2016). Anticipar cómo las condiciones climáticas proyectadas podrían afectar el rendimiento, la idoneidad y la distribución espacial (nichos) de los principales cultivos de la región será de gran importancia para apoyar la toma de decisiones en adaptación (Ramírez-Villegas et al., 2013; Rippke et al., 2016).

2.2.

Técnicas de modelación clima-cultivo

Las estimaciones del impacto del cambio climático sobre los cultivos en el futuro se realizan generalmente a través de técnicas de modelación (Hoogenboom et al., 2019; Osborne et al., 2007; Ramírez-Villegas et al., 2017). A pesar de la gran variedad de modelos existentes al presente, no existe un consenso sobre la magnitud de los impactos del cambio climático los cultivos y todavía hay cientos de estos de relevancia regional que han sido poco investigados (Ramírez-Villegas et al., 2013). Para estos cultivos resulta útil emplear índices de aptitud que ayuden a evaluar dónde los cultivos pueden desarrollarse actualmente o en el futuro con base a diversos factores ambientales, principalmente el clima (Beltrán-Tolosa et al., 2020; Eitzinger et al., 2012; Peter et al., 2020; RamírezVillegas et al., 2013).

2.2.1. El modelo EcoCrop Existen algunas técnicas para evaluar cambios en cultivos a través de índices de aptitud. Uno de los modelos más sencillos y más ampliamente utilizado es EcoCrop (BeltránTolosa et al., 2020; Eitzinger et al., 2012; Jarvis et al., 2012; Ramírez-Villegas et al., 2013). EcoCrop es un modelo originalmente implementado por Hijmans et al. (2001) y es nombrado así debido a que se fundamenta en la base de datos EcoCrop de la Organización de la Alimentación y la Agricultura (FAO, 2000). El modelo evalúa si existen condiciones climáticas adecuadas dentro del ciclo de un cultivo determinado y calcula la aptitud climática de la interacción resultante entre precipitación y temperatura (Figura 1). Además de los datos de clima, el modelo requiere un set de parámetros agroclimáticos (rangos ecológicos), tales como precipitación y temperatura óptimas y marginales de desarrollo, duración de la temporada de crecimiento y la temperatura de muerte del cultivo (RamírezVillegas et al., 2013).

B Rmax

Precipitación (mm)

Condiciones marginales Ropmax

Condiciones óptimas

Ropmin

Rmin

Condiciones no idóneas (muerte) Tkill

Tmin

Topmin

Topmax

Tmax

Temperatura (°C)

Figura 1. Diagrama del modelo mecanístico EcoCrop en 2 (A) y 3 (B) dimensiones. Modificado de Ramírez-Villegas et al. (2013).

Los parámetros específicos utilizados por EcoCrop son los siguientes: -

Duración de la temporada de crecimiento (GS)

Temperatura de muerte (Tkill)

Temperatura absoluta mínima y máxima (Tmin y Tmax)

Temperatura óptima mínima y máxima (Topmin y Topmax)

Precipitación absoluta mínima y máxima (Rmin y Rmax)

Precipitación mínima y máxima óptima (Ropmin y Ropmax)

Dichos parámetros se pueden derivar (proceso conocido como “calibración”) de manera estadística evaluando la distribución geográfica de la especie, a partir de revisión de literatura y/o con base a criterio de experto (Beltrán-Tolosa et al., 2020; Jarvis et al., 2012; Ramírez-Villegas et al., 2013). Ramírez-Villegas et al. (2013) presentan un método de calibración de los parámetros de EcoCrop, basado en puntos de presencia del cultivo, sus correspondientes valores de clima histórico y la asignación de umbrales de la curva de distribución de la moda de los valores de clima. Una vez encontrados los parámetros estadísticamente correctos se corre el modelo para condiciones históricas y se evalúan las predicciones del modelo con respecto a puntos de presencia reportados de la especie (e.g., FAO-STAT, Agro-MAPS, Country-STAT, etc). Puede emplearse de igual forma una inspección visual para evaluar la distribución del cultivo conforme a un set de parámetros establecidos. El modelo puede correrse sobre escenarios futuros para evaluar el impacto del cambio climático sobre los nichos de cultivo (Beltrán-Tolosa et al., 2020; Jarvis et al., 2012; Ramírez-Villegas et al., 2013).

2.2.2. Casos de estudio de modelación de nicho Algunos estudios han empleado la técnica de modelación de nicho basada en EcoCrop con resultados promisorios. Ramírez-Villegas et al. (2013) calibraron y emplearon el modelo para evaluar cambios de aptitud de sorgo en África y las planicies Indo-Gangéticas. Jarvis et al. (2012) examinaron los impactos del cambio climático en la adaptabilidad de la yuca en África y lo compararon otros cultivos básicos, encontrando que la yuca podría ser un alimento sustituto para garantizar la seguridad alimentaria a futuro en la región. Rippke et al. (2016) desarrollaron un marco de incertidumbre temporal basado en EcoCrop para saber cuándo y dónde algunos cultivos clave en África subsahariana se vuelve inviables a futuro. Otros casos de estudio de modelación de nicho tienen como enfoque regiones en Latinoamérica. Beltrán-Tolosa et al. (2020) cuantificaron el nivel de exposición de la yuca, el maíz y el plátano en regiones amazónicas resaltando estrategias adaptativas y rentables en agricultura para mejorar la resiliencia a futuro de estos cultivos. Eitzinger et al. (2012) evaluaron el impacto del cambio climático en los medios de vida de pequeños productores locales en Colombia a través de análisis de aptitud en cultivos como mango, papaya, maíz y plátano. Hannah et al. (2017) cuantificaron la exposición actual y futura (2030s) de

cultivos de café, frijol, maíz, arroz de secano, sorgo, plátano y yuca basado en datos del IPCC, con lo cual construyeron para un ranking de capacidad adaptativa y vulnerabilidad de pequeños agricultores en Centroamérica. Schmidt et al. (2012) usaron EcoCrop para identificar áreas aptas de frijol a futuro en Centroamérica. Gourdji et al. (2015) analizaron los efectos del cambio climático a corto plazo sobre la productividad de cultivos claves de América Latina y el Caribe a través de técnicas de modelación de basadas en nichos y en procesos.

2.3.

Caracterización del clima histórico

Las técnicas de modelación clima-cultivo tienen como prerrequisito el uso de información espacial de clima, tanto histórica como futura como insumos. La caracterización de las condiciones climáticas de una zona particular se realiza a partir del cálculo de la estadística del tiempo atmosférico en un periodo de tiempo prolongado. En climatología, comúnmente se emplean el término “normales climatológicas” que hace referencia al valor promedio de un elemento climático (e.g., precipitación acumulada o temperatura media mensual) durante un lapso de al menos 30 años según la Organización Meteorológica Mundial (WMO, 2012). Usar las normales climatológicas permite evaluar las condiciones del clima histórico, comparar las observaciones presentes o recientes, y en particular fundamentar muchos conjuntos de datos basados en anomalías (e.g. los escenarios de cambio climático). Como el clima varía naturalmente de un año a otro utilizar los valores medios de al menos 30 años permite definir, por ejemplo, la magnitud de una ola de calor o una tormenta en comparación al contexto histórico. Con relación a los escenarios de clima futuro, el IPCC propone un procedimiento para establecer una referencia estándar para evaluar los impactos del cambio climático (IPCC, 2013), que va en acuerdo con el lineamiento de la Organización Meteorológica Mundial descrito anteriormente. El reciente aumento de las concentraciones atmosféricas de gases de efecto invernadero (particularmente en las últimas tres décadas) está cambiando el clima de la tierra mucho más rápido, por consiguiente, es necesario calcular normales utilizando periodos de 30 años recientes (Williams, 2014), tales como 1971-2000, 19812010 o 1991-2020.

La información primaria para la representación de los patrones climáticos de referencia de una zona es el registro de estaciones meteorológicas. Dicha información puede provenir de redes locales, nacionales, regionales e incluso globales. A mayor densidad de estaciones y confiablidad de los datos, mejor será la representación del clima de la zona. Una vez se cuente con información de estaciones, los patrones históricos de las variables climatológicas se generan a partir de la interpolación espacial de promedios mensuales multianuales de la información de las estaciones (vea por ejemplo Hijmans et al., 2005). Para las condiciones climáticas históricas se tiene disponible de manera abierta y gratuita los datos de WorldClim (Fick y Hijmans, 2017; Hijmans et al., 2005). WorldClim es un set de datos climáticos globales interpolados espacialmente a una resolución espacial de ~1 km2 (muy adecuada para obtener detalles regionales y locales) para variables como precipitación y temperatura mensual, en el periodo 1960-1990 para la versión 1 y 19702000 para la versión 2. De manera análoga, otras fuentes de datos de clima históricos de alta resolución disponibles son Climate Reserach Unit v.4.05 (CRU; Harris et al., 2020), TerraClimate (Abatzoglou et al., 2018), algunos sets de datos derivados de satélite y reanálisis climáticos (Ma et al., 2009; Ruane et al., 2015; Schneider et al., 2014).

2.4.

Proyecciones de cambio climático

2.4.1. Escenarios de emisiones Nunca se sabrá exactamente como las emisiones antropogénicas cambiarán el futuro, sin embargo, el IPCC viene desarrollando desde hace más de tres décadas familias de escenarios climáticos (Lambert y Boer, 2001). Un escenario es un resultado plausible y consistente que ha sido construido para explicar las consecuencias potenciales de la influencia de las emisiones humanas de gases de efecto invernadero sobre el clima (Jones et al., 2004). Es, por tanto, una representación de futuras emisiones de sustancias que son activamente radioactivas (e.g., gases de efecto invernadero) que van en función de supuestos o hipótesis acerca de factores externos, tales como demografía, desarrollo socioeconómico y cambio tecnológico a futuro (IPCC, 2007). Desde 1988 el IPCC ha venido presentando reportes de evaluación en los que incluyen análisis de las bases físicas del clima, mitigación, impacto, adaptación y vulnerabilidad de

diversos sectores ante el cambio climático (IPCC, 1990, 1995, 2001, 2007, 2014b). Para el Sexto Reporte de Evaluación (AR6, siglas en inglés; IPCC, 2021a, 2022) un conjunto de cinco nuevos escenarios de emisiones ilustrativos fue desarrollados para explorar la respuesta climática ante el posible desarrollo futuro de los impulsores antropogénicos del cambio climático (e.g., las concentraciones de Gases de Efecto Invernadero (GEI), los cambios en el uso de la tierra, y los contaminantes del aire en el futuro. Este conjunto de escenarios genera un marco para las proyecciones del modelamiento de los cambios en el sistema climático como se mostrará más adelante. El nuevo marco combina los llamados Caminos Socioeconómicos Compartidos (SSP, siglas en inglés) y los Caminos Representativos de Concentración (RCP, siglas en inglés). Esta combinación da lugar a escenarios con altas o muy altas emisiones de GEI y CO2 (SSP3-7.0 y SSP5-8.5), escenarios con emisiones intermedias (SSP2-4.5) y escenarios con bajas emisiones declinando hasta el cero neto a mitad de siglo (SSP1-1.9 y SSP1-2.6). Cada escenario está referido como SSPx-y, donde “SSPx” describe un Camino Socioeconómico Compartido y “y” el nivel aproximado de forzamiento radiativo (en W m–2) resultante del escenario en el año 2100 (O’Neill et al., 2016). Las diferencias de emisiones proyectadas de CO2 para cada escenario se muestran en la Figura 2 y algunas características relevantes en la Tabla 1.

Figura 2. Emisiones antropogénicas anuales durante el período 2015–2100. Se muestran las trayectorias de emisiones de dióxido de carbono (CO2) de todos los sectores (en GtCO2/año) por cada escenario SSP. Modificado de IPCC (2021b).

Tabla 1. Descripción y referencias los escenarios empleados por el IPCC para el CMIP6 Escenario

Aumento de temperatura a largo plazo (°C)*

SSP1-1.9

1.4

SSP1-2.6

1.8

SSP2-4.5

2.7

SSP3-7.0

3.6

SSP5-8.5

4.4

Referencia Principal

Descripción de los SSP** Sostenibilidad – Tomando el Camino Verde (bajos desafíos para la mitigación y adaptación): El mundo cambia de manera gradual, pero generalizada, hacia un camino más sostenible, enfatizando un desarrollo más inclusivo que respete los límites ambientales percibidos. Mitad del Camino (desafíos medios para la mitigación y la adaptación): El mundo sigue un camino en el que las tendencias sociales, económicas y tecnológicas no se apartan mucho de los patrones históricos. Rivalidad regional - Un camino rocoso (altos desafíos para la mitigación y la adaptación): Una baja prioridad internacional para abordar las preocupaciones ambientales conduce a una fuerte degradación ambiental en algunas regiones. Los países se concentran en alcanzar los objetivos de seguridad energética y alimentaria. Desarrollo de combustibles fósiles - tomando la carretera (altos desafíos para la mitigación, bajos desafíos para la adaptación): Este mundo confía cada vez más en los mercados competitivos, la innovación y las sociedades participativas para producir un rápido progreso tecnológico y el desarrollo del capital humano como el camino hacia el desarrollo sostenible.

van Vuuren et al. (2017) Fricko et al. (2017)

Fujimori et al. (2017)

Kriegler et al. (2017)

* Diferencias de temperatura en relación con la temperatura superficial global promedio del período 1850-1900. ** Tomado de Riahi et al. (2017)

2.4.2. Modelos Climáticos Globales (GCM) Para estimar los efectos que las emisiones establecidas por los escenarios tienen sobre el clima global, se emplean los Modelos Climáticos Globales o Modelos de Circulación General (GCM, siglas en inglés). Los GCMs describen importantes elementos y procesos en la atmósfera, los océanos y la superficie de la tierra (Arnell et al., 2004; Meinshausen et al., 2011; Riahi et al., 2007). Son algoritmos que simulan los procesos terrestres a escala mundial, basado de una serie de fuerzas motrices (e.g., población, economía, tecnología, energía, uso del suelo, agricultura). La mayoría de los GCMs simulan amplias características de clima y pueden mostrar los cambios de gran escala observados en el pasado reciente, de manera que puede ser usado con cierta confianza para dar proyecciones de la respuesta de clima a la actual y futura actividad humana. Los componentes principales de los modelos globales son: atmósfera, océano, suelo y hielo de mar, los cuales han sido gradualmente integrados y acoplados.

Los datos de los GCM son casi la única herramienta al presente para proyectar las condiciones climáticas futuras (Ramírez-Villegas y Jarvis, 2010). Idealmente, la generación de escenarios de cambio climático se debe realizar utilizando las salidas de una amplia gama de modelos climáticos con el fin de representar las incertidumbres que conlleva el uso de diferentes escenarios de emisiones, estructuras de los modelos, esquemas de parametrización y variabilidad climática (Lobell y Burke, 2010; Schlenker y Lobell, 2010). La selección de los escenarios y los modelos siempre representa un desafío científico, principalmente debido a la dificultad de entender y cuantificar las incertidumbres las cuales están relacionadas con los factores de cambio (i.e. las fuentes y los sumideros de gases antropogénicos de efecto invernadero y aerosoles) y la respuesta del sistema climático a estos factores (Mote et al., 2011). Todo ello provoca un amplio rango de dispersión entre escenarios de emisiones e incertidumbre entre los modelos. El Proyecto de inter-comparación de modelos acoplados (CMIP, siglas en inglés; Taylor et al., 2012) en su fase 6 (CMIP6) ha puesto a disposición la última serie de simulaciones de GCM correspondientes al informe de evaluación AR6 a través del portal en línea del Earth System Grid Federation (ESGF, 2022). CMIP6 proporciona proyecciones climáticas para una gran cantidad de modelos de los cuatro Caminos Socioeconómicos Compartidos (SSP).

2.4.3. Downscaling A pesar del considerable esfuerzo realizado por los centros de modelización del clima, las salidas de los GCM son todavía demasiado gruesas. Cada variable de salida de un GCM se ejecuta en un determinado escenario de emisiones, en una resolución espacial de 3 a 5 grados (70–400 km), que no resultan aptas para evaluar los impactos sobre la biodiversidad, servicios ambientales, los sistemas agrícolas, distribución de las especies, la planificación de la conservación, entre otros (Navarro-Racines et al., 2020; Qian et al., 2015; Ramírez-Villegas y Jarvis, 2010; Tabor y Williams, 2010). Sin datos de alta resolución, la modelación de cultivos, recurso hídrico y biodiversidad se vería considerablemente afectada. Para satisfacer la necesidad de datos de alta resolución, los científicos han desarrollado varios métodos de desescalamiento o regionalización (comúnmente conocidos en inglés

como downscaling) que van desde métodos estadísticos como suavizado e interpolación de las anomalías y redes neuronales (Hay et al., 2000; Navarro-Racines et al., 2020; Wilby et al., 2004), hasta dinámicos, como el modelado climático regional (Jones et al., 2004). Cada método de downscaling tiene sus fortalezas y debilidades en la aplicación. El downscaling estadístico es menos exigente desde el punto de vista computacional y puede aplicarse fácilmente, pero requiere superficies de alta calidad del pasado histórico (línea base climática) para establecer una relación estadística sólida entre las variables de gran escala y las variables locales (Tang et al., 2016). Los métodos estadísticos proporcionan una forma más rápida para el desarrollo de superficies de alta resolución para estudios regionales de evaluación de impacto en cambio climático (Ramírez-Villegas y Challinor, 2012; Ramírez-Villegas y Jarvis, 2010). Por su resolución espacial y cobertura, resulta conveniente usar de datos con desescalamiento estadístico para modelaciones de nicho de cultivos (Navarro-Racines et al., 2020). El downscaling dinámico implica el uso de modelos numéricos regionales basados en la física del clima, pero es computacionalmente costoso (Rummukainen, 2010), además de que no todos los GCMs han sido adecuados como condiciones de frontera para su aplicación en Modelos Climáticos Regionales (RCM, siglas en inglés). Debido a ello pocos GCM pueden emplearse, dificultando así los análisis de incertidumbre. Un método ampliamente conocido de downscaling estadístico es el “método delta” (Navarro-Racines et al., 2020; Ramírez-Villegas y Jarvis, 2010). Es una forma simple de corrección de sesgo en la que un factor de cambio o “delta” se deriva del GCM y luego se agrega a las observaciones (línea base climática). Proporcionar una representación de alta resolución y con corrección de sesgo del clima promedio de una zona. El factor de cambio se define como la diferencia entre la media a largo plazo (30 años) de una variable climática en el futuro y el período histórico. Datos derivados del método delta, se han empleado en más de 300 publicaciones científicas a la fecha (Navarro-Racines et al., 2020). Los pasos empleados para el proceso de generación de superficies de downscaling con el método delta se describen a continuación: a) cálculo de promedios de 30 años para simulaciones actuales y 4 períodos futuros;

b) cálculo de anomalías como o la diferencia absoluta entre los valores actuales y futuros de las temperaturas (mínima y máxima) y diferencias relativas en precipitación; c) suavización de las anomalías a partir de una interpolación de los centroides de las anomalías de los GCMs; d) adición de las anomalías al clima de referencia obteniendo superficies futuras de alta resolución. Estos pasos se ejemplifican en la Figura 3.

Figura 3. Ilustración del proceso de downscaling con la precipitación total de enero utilizando el GCM GFDL-CM3: (a) línea base climática, (b) datos futuros a 2050 (promedio de 2040-2069), (c) delta o anomalía a 2050, (d) delta o anomalía a 2050 con centroides GCM (puntos) superpuestos, (e) anomalía interpolada de y (f) superficie climática futura de alta resolución. Valores en mm/mes. Tomado de Navarro-Racines et al. (2020).

3. Metodología En la Figura 4 se muestra un flujograma de la metodología. Se empleó un enfoque de modelación climática para la generación de escenarios climáticos para la región de Centroamérica, este México y el Caribe y una modelación empírica de cultivos (EcoCrop) para determinar el impacto directo del cambio climático en la aptitud climática para la producción de cultivos en la región. Los enfoques de modelación clima-cultivo, como el empleado en el presente estudio, son muy útiles para evaluar la intensidad y la magnitud de los riesgos asociados a los cambios en las condiciones climáticas sobre los cultivos, y sirven de base para la identificación de estrategias adaptativas. En particular, se escogió el enfoque de modelación clima-cultivo descrito en esta sección por las siguientes razones: i) se generaron capas de clima de alta resolución que brindan el suficiente detalle del impacto del cambio climático sobre los cultivos a escalas nacionales o departamentales y que pueden ser fácilmente integradas en el modelo EcoCrop; ii) si bien existen enfoques de modelación de cultivos más complejos, EcoCrop es un modelo de zonificación agroecológica simple, útil para análisis a escala nacional, regional, continental y global para evaluaciones en los que el nivel de detalle requerido no es demasiado alto; iii) los parámetros de la mayor parte de los cultivos aquí evaluados han sido ya calibrados por expertos facilitando las ejecuciones del modelo; iv) el uso de EcoCrop permite analizar un número amplio de cultivos y diferentes respuestas estreses climáticos; y, v) EcoCrop ha sido ampliamente utilizado en otros estudios de evaluación del impacto del cambio climático sobre los cultivos (ver Sección 2.2.2). La metodología desarrollada se fundamenta en datos de clima de alta resolución (~5 Km), tanto históricos como futuros, que se usan como entradas al modelo de cultivo. Como se mencionó anteriormente, estos son datos son necesarios para poder evaluar los sistemas agrícolas ante los impactos del cambio climático, particularmente a escalas nacionales y subnacionales (i.e., departamentos o estados y municipios). Empleando los datos históricos y futuros se cuantificaron las anomalías climáticas, es decir, los cambios en las magnitudes de precipitación y temperatura a futuro que permitieron describir los escenarios de cambio climático para la región. Las salidas de los GCMs en el periodo histórico se compararon con datos de observaciones (i.e., WorldClim y estaciones meteorológicas) para evaluar la habilidad de los modelos para reproducir las condiciones climáticas actuales.

Para el presente estudio se seleccionaron 14 cultivos en total, 7 cultivos de importancia para la seguridad alimentaria (i.e., arroz, frijol, maíz, papa, yuca, chile, tomate) y 7 cultivos relevantes para la generación de ingresos (i.e., banano, plátano, cacao, café, caña de azúcar, aguacate y cítricos). La metodología incluye la obtención de un set de parámetros agroclimáticos óptimos a fin de calibrar el modelo de nicho para las condiciones actuales (i.e., comparando con observaciones del área física de cada cultivo), para luego correr el modelo en condiciones futuras y cuantificar el cambio en la aptitud climática y los cambios en la distribución geográfica de los nichos de los cultivos.

Figura 4. Flujograma de la metodología de la modelación climática y de cultivo.

3.1.

Área de Estudio

Se considera para el presente estudio el territorio de Centroamérica, este de México y el Caribe (referida algunas veces como CAMEXCA). Políticamente se divide en el este de México, los 7 países de América Central, Costa Rica, Guatemala, Belice, Honduras, El Salvador, Nicaragua y Panamá; y los 5 países de las Antillas Mayores, Cuba, Haití, Jamaica, República Dominicana y Puerto Rico, además de las Bahamas (Figura 5). Solo se considera el este de México al ser una zona con características ambientales similares a los otros países. La región abarca desde los 102.2° O a 65.0° O de Longitud y desde los 5.5° N a 25.02° n de Latitud (Figura 5). Si bien la región CAMEXCA no contribuye significativamente a la emisión de gases de efecto invernadero a nivel mundial, es altamente vulnerable a los efectos generados por el cambio climático, que incluyen: el incremento de las temperaturas extremas, el aumento del nivel del mar, el aumento de las lluvias y las sequías en otros sitios y, una mayor frecuencia de eventos climáticos extremos como huracanes, inundaciones y olas de calor (National Intelligence Council, 2010). El efecto combinado de estos fenómenos está afectando y potencialmente afectará los patrones de crecimiento de los cultivos, su fisiología y su distribución geográfica.

Figura 5. Área de estudio: Centroamérica, este de México y el Caribe (CAMEXCA). ArcGIS Pro 3.1 (https://pro.arcgis.com)

3.2.

Caracterización de clima histórico

Existen diversos productos interpolados (en grillas) fundamentados en estaciones meteorológicas que pueden ser empleados para la caracterización del clima histórico, tal y como se mostró en la Sección 2.3. Para el presente estudio se seleccionó el set de datos abiertos de WorldClim en su versión 2.1 (Fick y Hijmans, 2017; Hijmans, Cameron, Parra, Jones, Jarvis, et al., 2005). WorldClim es un set de datos climáticos globales interpolados espacialmente a una resolución espacial de hasta 30 arco-segundos (~1 km en el Ecuador), que permite obtener suficiente detalle (regional y local) para variables como precipitación y temperatura mensual. WorldClim v.2.1 representa una media aritmética de 30 años en el periodo 1970-2000. WorldClim usa la altitud como covariable para estimar los efectos de la topografía sobre el clima, al igual que la latitud y la altitud. Se descargaron datos del portal de WorldClim1, para las variables precipitación acumulada mensual, temperatura máxima y temperatura mínima mensual a 2.5 minutos (~5 Km en el Ecuador) en formato GeoTiff2 a nivel global continental, las cuáles fueron luego cortadas a la región interés a través de herramientas de geoprocesamiento de ArgGIS ejecutadas en bucle a través de un código de programación en Python v.2.73 (ver Sección 3.6 para mayores detalles sobre códigos de programación).

3.3.

Escenarios de cambio climático

Para la generación de escenarios se consideraron tres horizontes de tiempo: corto, mediano y largo plazo. Cada horizonte corresponde al promedio de 20 años futuros, determinados de la siguiente manera: 2021-2040 (2030s), 2041-2060 (2050s) y 2061-2080 (2070s). A medida que se considera un periodo más lejano en el tiempo la incertidumbre en las proyecciones climáticas es mayor (baja convergencia) con respecto al modelo de cambio medio para un escenario dado. De igual forma, no hay forma de validar que el rendimiento de un modelo o escenario para reproducir las condiciones climáticas futuras sea mejor o peor que otro. Por tal motivo, se emplearon tres escenarios SSP contrastantes (SSP1-2.6, SSP2-4.5 y SSP5-8.5), además de un amplio número de GCM (24 en total), tal y como se

https://worldclim.org/data/worldclim21.html https://www.ogc.org/standards/geotiff 3 https://www.python.org/download/releases/2.7/ 1 2

aprecia en la Tabla 2. Las salidas de estos modelos para cada escenario fueron los datos de entrada para la generación de las proyecciones de cambio climático. Tabla 2. Modelos de Circulación General (GCM) empleados en la generación de los escenarios climáticos y en la modelación de nicho Número 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

20 21

22 23 24

Modelo

Centro de modelación / País

Resolución horizontal (lat x lon)

Referencia

Australian Research Council Centre of Excellence for 1.25 × 1.875° Bi et al. (2020) Climate System Science / 1.25 × 1.875° Ziehn et al. (2020) Australia BCC-CSM2-MR Beijing Climate Centre, China 1.125 × 1.125 Wu et al. (2019) Canadian Centre for Climate Swart et al. (2019) CanESM5 Modelling and Analysis / 2.8 × 2.8° Swart et al. (2019) CanESM5-CANOE Canadá Euro-Mediterranean Centre CMCC-ESM2 on Climate Change coupled 0.9 × 1.25° Cherchi et al. (2019) climate model / Italia Centre National de CNRM–CM6–1 Recherches Météorologiques 1.4 × 1.4° Voldoire et al. (2019) CNRM–CM6–1-HR – Centre Européen de 0.5 × 0.5° Voldoire et al. (2019) CNRM–ESM2–1 Recherche et de Formation 1.4 × 1.4° Séférian et al. (2019) Avancée en Calcul / Francia EC-Earth3-Veg EC-Earth Consortium / 0.7 × 0.7° Döscher et al. (2022) EC-Earth3-Veg-LR Europa 0.7 × 0.7° Döscher et al. (2022) First Institute of FIO-ESM-2-0 Oceanography Earth System 1.25 × 0.9° Bao et al. (2020) Model / China GISS-E2-1-G Goddard Institute for Space 1.25 × 1.25° Kelley et al. (2020) GISS-E2-1-H Studies (NASA-GISS) / USA 1.25 × 1.25° Kelley et al. (2020) HadGEM3–GC31–LL Met Office Hadley Centre / 1.25 × 1.875°4 Roberts et al. (2019) UKESM1–0–LL UK 1.25 × 1.875° Sellar et al. (2019) INM-CM4-8 Institute for Numerical 1.5 × 2° Volodin et al. (2018) INM-CM5-0 Mathematics / Rusia 1.5 × 2° Volodin et al. (2018) Institute Pierre Simon IPSL-CM6A-LR 1.26 × 2.5° Boucher et al. (2020) Laplace (IPSL) / Francia Japan Agency for MarineEarth Science and Technology, Atmosphere and Ocean Research Institute, The MIROC6 1.4 × 1.4° Tatebe et al. (2019) University of Tokyo, National MIROC–ES2L 2.8 × 2.8° Hajima et al. (2020) Institute for Environmental Studies, RIKEN Center for Computational Science / Japón Max Planck Institute for MPI-ESM1-2-HR 0.9375 × 0.9375° Müller et al. (2018) Meteorology (MPI-M) / MPI-ESM1-2-LR 1.875 × 1.875° Gutjahr et al. (2019) Alemania Meteorological Research MRI-ESM2-0 1.125 × 1.125° Yukimoto et al. (2019) Institute / Japón ACCESS-CM2 ACCESS-ESM1-5

Como se indicó previamente, los datos de los GCM son casi la única herramienta al presente para proyectar las condiciones climáticas futuras, sin embargo, su resolución espacial limita su uso en la cuantificación del impacto del cambio climático sobre actividades de nicho como la agricultura. Para solventar esta limitación existen en la actualidad proyecciones de alta resolución de las simulaciones de CMIP6 para diversos escenarios SSP, basadas en técnicas de downscaling y corrección se sesgo. En el presente estudio, se utilizaron proyecciones de alta resolución generadas con el método delta y obtenidas del portal de WorldClim4. La base de datos abierta y gratuita de WorldClim provee proyecciones futuras de clima de alta resolución a nivel global continental a diferentes horizontes de tiempo. Este tipo de datos (i.e., superficies raster de alta resolución) son muy convenientes para análisis y modelos espaciales, particularmente, en la cuantificación de impactos sobre el sector ambiental y agrícola (Beltrán-Tolosa et al., 2020; Eitzinger et al., 2012; Navarro-Racines et al., 2020; Ramírez-Villegas y Challinor, 2012; Ramírez-Villegas y Jarvis, 2010; Schmidt et al., 2012). El método delta, con el que se desarrolló la base de datos futura de WorldClim, se basa en la suma de los cambios en los climas (deltas o anomalías, calculados a partir de la información de GCMs) y el clima de referencia tal y como se explicó en la sección 2.4.3. El método supone que los cambios en los climas sólo son relevantes a escala gruesa, y que las relaciones entre las variables se mantienen hacia el futuro (Navarro-Racines et al., 2020). Se descargaron datos con una resolución espacial de 2.5 minutos (~5 Km en el Ecuador) para las variables de precipitación acumulada mensual, temperatura máxima y temperatura mínima mensual en formato GeoTiff a nivel global continental. Estas grillas fueron luego cortadas a la región de interés a través de herramientas de geoprocesamiento de ArgGIS ejecutadas en bucle a través de un código de programación en lenguaje R5. Posteriormente, se calcularon las anomalías o diferencias entre las proyecciones climáticas futuras y las condiciones de línea base, empleando diferencias absolutas para temperaturas (ecuación 1) y cambios relativos para precipitación (ecuación 2).

4 5

https://www.worldclim.org/data/cmip6/cmip6climate.html https://www.r-project.org/

Ec. 1

Ec.2

donde, ΔXi es la anomalía, XCi el promedio de la variable en las condiciones históricas y, XFi el promedio de la variable en el futuro para cada GCM en el mes i. Finalmente, se calcularon promedios, la desviación estándar y el rango considerando todos los GCM por cada escenario SSP (comúnmente conocidos como ensamblajes), obteniendo el valor del cambio medio de cada variable climática por mes y una medida de incertidumbre (ver Sección 3.5). Para evaluar cuán bien los GCMs representan las condiciones de observadas en el clima se realizó un análisis de comparación de las salidas de los GCMs en el periodo histórico y los datos de observaciones de WorldClim v2.1 y estaciones meteorológicas de la Red Global de Climatología Histórica (GHCN, siglas en inglés; Peterson et al., 1998) en el periodo 1970-2000. Estos procedimientos se ejecutaron través de códigos de programación en lenguaje R (ver Sección 3.6 para mayores detalles sobre códigos de programación).

3.4.

Impacto del cambio climático sobre los cultivos

El impacto del cambio climático futuro sobre algunos cultivos de interés para la seguridad alimentaria (i.e., arroz, frijol, maíz, papa, yuca, chile, tomate) y para la generación de ingresos (i.e., banano, plátano, cacao, café, caña de azúcar, aguacate y cítricos) en la región de Centro América, este de México y el Caribe se cuantificó empleando el modelo EcoCrop (Hijmans et al., 2001). Aunque existen otros modelos de nicho al presente, EcoCrop es un modelo de zonificación agroecológica simple pero robusto que calcula el nicho potencial de un cultivo en un área en particular, con base en los parámetros climáticos (temperatura y lluvia) marginales y óptimos del cultivo (Ramírez-Villegas et al., 2013). El modelo es lo suficientemente flexible para trabajar con datos espaciales de alta resolución y, es compatible con R y otros lenguajes de programación, para ejecutar corridas tomando como base una amplia gama de escenarios y modelos climáticos.

EcoCrop calcula la probabilidad de aptitud climática actual y futura (en una escala de 0 a 100) en función de la temperatura y la precipitación de forma independiente, así como una probabilidad general dada por la combinación de las probabilidades de temperatura y precipitación. La probabilidad actual está dada por la ejecución de EcoCrop usando las capas climáticas de WorldClim v.2.1 y la probabilidad futura por su ejecución con cada una de las salidas de los 24 GCM por cada SSP y período. Parámetros específicos de cada cultivo son necesarios en EcoCrop para definir la precipitación y la temperatura óptima y los límites de crecimiento, y los rangos de posibles duraciones en días. Para definir estos parámetros, el procedimiento de calibración incluye la adopción inicial de valores seleccionados tras una revisión de la literatura (ver Tabla 3). En segundo lugar, los mapas de aptitud generados utilizando el conjunto inicial de parámetros, se comparan visualmente con la distribución del área física para cada cultivo de la base de datos del Modelo de Asignación de Producción Espacial (SPAM, siglas en inglés; Yu et al., 2020) y la base de datos de Monfreda et al. (2008), además de datos de presencias de la base de datos del Servicio de Información sobre Biodiversidad Mundial (GBif, siglas en inglés) para algunos de estos cultivos (GBIF.Org, 2022a, 2022b, 2022c, 2022d, 2023b, 2023f, 2023a, 2023e, 2023c, 2023d). Tras estas verificaciones se obtuvieron los parámetros agroclimáticos finales para cada uno de los cultivos de interés (Tabla 3). El cambio de idoneidad climática general para cada cultivo se estimó por la diferencia entre las probabilidades futuras y actuales obtenida de cada corrida por cada GCM y luego promediada considerando todos los GCM por escenario SSP. Asimismo, se estimó la relación de Áreas Impactadas Positiva y Negativamente (API/ANI), que es la relación de áreas aptas ganadas a áreas aptas perdidas para cada cultivo y región. Cabe mencionar que la aptitud en este documento se refiere a la aptitud climática, es decir, los valores porcentuales que se muestran en los mapas y gráficos de cajas que resumen los resultados de la modelación, se refieren a la probabilidad de que el cultivo crezca bien. EcoCrop está implementado en un código de programación en lenguaje R (ver Sección 3.6 para mayores detalles sobre códigos de programación).

3.5.

Incertidumbres

Existe una “cascada” de incertidumbres en estimación de la aptitud climática de los cultivos. Esta cascada va desde la incertidumbre en las futuras emisiones de gases de efecto invernadero hasta una variedad de respuestas de los GCM a las emisiones dadas por los escenarios (Hawkins et al., 2012). En primer lugar, se evaluó la incertidumbre relacionada con el clima futuro mediante el cálculo de la desviación estándar y el rango de las proyecciones de temperatura media anual y precipitación total, considerando la dispersión de SSP y GCM. En segundo lugar, debido a que se ejecutó EcoCrop con los datos de cada uno de los 24 GCM en los 3 escenarios SSP, se estimó la incertidumbre de futuras predicciones de aptitud climática de cultivos mediante el cálculo de dos medidas estadísticas: la desviación estándar de los resultados de la modelación considerando todos los GCM para el escenario de más altas emisiones (i.e., SSP5-8.5), y el número de estimaciones de EcoCrop para los datos GCM separados que predijeron cambios en la misma dirección que la media de los 24 GCM para cada pixel sobre el mismo escenario.

3.6.

Códigos de programación

Los códigos de programación empleados para generar los escenarios de cambio climático a partir de los datos de alta resolución de clima, así como los códigos para ejecutar EcoCrop para Centroamérica, este de México y el Caribe se encuentran disponibles en el siguiente repositorio de GitHub: https://github.com/CIAT-DAPA/cc-crop-impacts-central-america. Los procedimientos se realizan principalmente ejecutando rutinas de R (versión 4.0.4) y Python (versión 2.7) ejecutando herramientas ArcInfo Workstation.

Tabla 3. Parámetros climáticos utilizados como entradas para el modelo EcoCrop para determinar el rango de distribución y la idoneidad climática para los cultivos básicos y comerciales en la región de Centro América, México y el Caribe. Cultivo

Nombre científico

Gmin Gmax Tkmp Tmin Topmin Topmax Tmax Rmin Ropmin Ropmax Rmax Referencias

Aguacate

Persea americana

365

140

250

300

400

300

500

2000

2500 FAO (2021)

Arroz

Oryza sativa

170

130

224

320

340

600

720

1400

3200 Eitzinger et al. (2012)

Banano

Musa acuminata

365

150

240

270

350

700

1000

1300

5000

Cacao

Theobroma cacao

180

365

150

200

300

380 1000

1250

2500

2800 Rhiney et al. (2016)

Café

Coffea arabica

210

330

150

190

220

290

900

1100

2000

3000

Caña de azúcar

Saccharum officinarum

365

-10

170

240

280

380

800

843

1439

2500 Gourdji et al. (2015)

Chile

Capsicum annuum

120

180

300

400

600

1500

2000 FAO (2021)

Cítricos

Citrus (género)

180

365

-10

130

200

300

320

300

600

1200

4000 FAO (2021)

Frijol

Phaseolus vulgaris

170

135

175

231

256

200

363

450

710 Beebe et al. (2011)

Maíz

Zea mays

365

120

180

300

400

600

1200

1800

Papa

Solanum tuberosum

120

124

178

240

150

251

326

785 Schafleitner et al. (2011)

Plátano

Plantago major

365

190

200

284

310

480

1062

4182

5742 Bouroncle et al. (2017)

Tomate

Solanum lycopersicum

140

150

210

240

300

400

600

1300

1800 Rhiney et al. (2018)

Yuca

Manihot esculenta

180

365

150

220

320

450

300

800

2200

2800

Algunos de estos parámetros fueron ligeramente modificados por criterio de expertos

Temporada de crecimiento anual mínima y máxima en días (Gmin y Gmax) Temperatura de muerte (Tkill en °C) Temperatura absoluta mínima y máxima (Tmin y Tmax en °C) Temperatura óptima mínima y máxima (Topmin y Topmax en °C) Precipitación absoluta mínima y máxima (Rmin y Rmax en mm) Precipitación mínima y máxima óptima (Ropmin y Ropmax en mm)

Ramírez, Jarvis, Bergh, Staver y Turner (2011) Monfreda, Ramankutty y Foley (2008)

Monfreda, Ramankutty y Foley (2008)

Ceballos, Ramírez, Bellotti, Jarvis y Alvarez (2011)

4. Resultados 4.1.

Caracterización del clima histórico

Con el objetivo de caracterizar el clima histórico para la región de Centroamérica, este de México y el Caribe, se extrajeron superficies climáticas mensuales a 2.5 minutos (~5 km de resolución en el Ecuador), de precipitación acumulada mensual, temperatura máxima, mínima y media mensual, del set de datos WorldClim v.2.1. Para observar los patrones climáticos históricos presentes en la zona, se generaron mapas de precipitación acumulada y temperatura a nivel mensual (Figura 6), trimestral (Figura 7) y anual (Figura 8). Los agregados trimestrales fueron Diciembre–Enero–Febrero (DEF), Marzo–Abril–Mayo (MAM), Junio–Julio–Agosto (JJA) y Septiembre–Octubre–Noviembre (SON), que comúnmente marcan el inicio o finalización de las temporadas de lluvia, así como los ciclos de producción para los cultivos en los países de la región. Los mapas generados muestran la distribución típica de las lluvias de la región, principalmente monomodal. La temporada de lluvias inicia en mayo y culmina entre octubre y noviembre en la mayoría de los países de Centroamérica, aunque se presentan algunas lluvias en diciembre en zonas limítrofes al Océano Atlántico de Nicaragua, Honduras, Costa Rica y Panamá. En JJA y SON, las lluvias son generalizadas con mayores volúmenes en zonas boscosas (e.g., sur de Petén en Guatemala y este de Nicaragua). Los trimestres DEF y MAM muestran sequía estacional en la mayor parte de la región. En las zonas montañosas y del litoral pacífico durante la estación lluviosa se presenta una disminución en la precipitación en un período conocido como “canícula” o “veranillo”, el cual se puede identificar en los acumulados de lluvia de los meses de julio y agosto, particularmente en la zona conocida como corredor seco. Debido a la posición geográfica tropical de la región, la cantidad de sol recibida durante el año es prácticamente la misma, lo que provoca que la temperatura sea homogénea entre meses, con un ligero incremento hacia los meses con mayor precipitación. Algunas variaciones se presentan en la región, influenciadas por su altitud. Al comienzo de la estación seca, los frentes fríos provenientes del norte suelen llegar durante toda la temporada hasta los meses de marzo o abril. En consecuencia, la temperatura es más baja

en el trimestre DEF y aumenta en el resto de los meses. Las temperaturas medias más bajas se presentan en este mismo periodo, mientras que las más calientes en el trimestre de JJA. La resolución espacial de 5 km2, mostrada aquí, permite capturar la variedad ambiental que se puede perder a bajas resoluciones, particularmente en las montañas.

Figura 6. Mapas de precipitación acumulada mensual histórica (arriba) y temperatura media mensual (abajo) histórica basados en WorldClim v.2.1. Valores en mm/mes y grados Celsius respectivamente.

Figura 7. Mapas de precipitación acumulada (arriba izquierda), temperatura máxima (arriba derecha), media (abajo izquierda) y mínima (abajo derecha) estacional histórica basados en WorldClim v.2.1. Valores en mm y grados Celsius respectivamente.

Figura 8. Mapas de precipitación acumulada, temperatura máxima, media y mínima (de izquierda a derecha) anual histórica basados en WorldClim v.2.1. Valores en mm y grados Celsius respectivamente.

4.2.

Escenarios de cambio climático

4.2.1. Cambios proyectados Las Figura 9 a Figura 12 muestran los cambios proyectados en el clima de la región de Centroamérica, este de México y el Caribe para precipitación, temperatura máxima, media y mínima, basado en las salidas de 24 GCMs a alta resolución y considerando tres periodos futuros, cinco temporadas (cuatro trimestres y condiciones anuales) y tres escenarios SSPs. Dado que el forzamiento radiativo es muy similar en todos escenarios futuros en el periodo más cercano (i.e., 2030s), los cambios proyectados en temperaturas y precipitación no son muy sensibles a la elección de los SSP; caso contrario en periodos de tiempo más lejanos (i.e., 2050s, 2070s) donde los cambios son más significativos en función de cada SSP. A continuación, se describe el panorama general de las proyecciones de cambio climático. Se proyectan déficits de precipitación estacional en la mayor parte del territorio en los trimestres DEF, MAM y JJA, y para el promedio anual, bajo los escenarios intermedio y pesimista (SSP2-4.5 y SSP5-8.5 respectivamente). Para SON se proyectan déficits de precipitación en los países del CA4 (Centroamérica 4: Guatemala, Honduras, Nicaragua y El Salvador), junto con gran parte del Caribe, y mayor precipitación en zonas del este de México y este de Panamá, bajo los mismos escenarios. El escenario optimista (SSP1-2.6), muestra ligeros aumentos de precipitación proyectados hacia el este de México, Caribe norte y Panamá, además de un déficit ligero en los países de CA4. El trimestre más húmedo del año (JJA), presenta los mayores déficits de precipitación en comparación con la normal climatológica 1970-2000, a corto, mediano y largo plazo, en todos los escenarios. Los cambios en precipitación fluctúan entre -30% y +20% con mayores déficits en Honduras, Nicaragua, Haití y República Dominicana. La tendencia de cambio es similar a través de todos los periodos futuros, pero con mayores contrastes (positivos y negativos) hacia periodos más lejanos en el tiempo. De la misma manera, la tendencia de cambio es similar entre escenarios, siendo el escenario (SSP5-8.5) el que muestra la proyección hacia el déficit de la precipitación más marcada. Por otra parte, se proyectan aumentos de temperatura para todos los escenarios y temporadas. Los cambios en temperatura máxima son hasta de +2.5°C, +3.5°C y +5.0°C para los escenarios SSP1-2.6, SSP2-4.5 y SSP5-8.5 respectivamente. Para temperatura

mínima los cambios se proyectan hasta de un máximo de +2.0°C, +3.0°C y +4.0°C bajo los mismos escenarios. Como se aprecia, las proyecciones indican un aumento más rápido de la temperatura máxima que de la mínima. Esta discrepancia sugiere la ocurrencia de mayor grados día (diferencia entre temperatura máxima y mínima) a lo largo del año y en consecuencia mayores tasas de evapotranspiración y áreas de aridez más extensas. Los aumentos de temperatura se acentúan hacia el trimestre más húmedo del año (JJA). Pese a que la distribución del cambio de las temperaturas máxima, media y mínima son relativamente homogéneos en toda la región, los cambios son mayores hacia el litoral Pacífico, en países del norte de Centroamérica (i.e., Honduras y Guatemala) y el este de México, incluyendo gran parte de las zonas corredor seco. Los cambios son menores en zonas de litoral Atlántico de países como Panamá, Costa Rica y Honduras. En el caribe los cambios son relativamente intermedios.

Figura 9. Cambios proyectados en precipitación estacional para 2030s, 2050s y 2070s, bajo los escenarios SSP1-2.6 (arriba), SSP2-4.5 (medio) y SSP5-8.5 (abajo). Valores en porcentaje.

Figura 10. Cambios proyectados en temperatura máxima estacional para 2030s, 2050s y 2070s, bajo los escenarios SSP1-2.6 (arriba), SSP2-4.5 (medio) y SSP58.5 (abajo). Valores en grados Celsius.

Figura 11. Cambios proyectados en temperatura media estacional para 2030s, 2050s y 2070s, bajo los escenarios SSP1-2.6 (arriba), SSP2-4.5 (medio) y SSP58.5 (abajo). Valores en grados Celsius.

Figura 12. Cambios proyectados en temperatura mínima estacional para 2030s, 2050s y 2070s, bajo los escenarios SSP1-2.6 (arriba), SSP2-4.5 (medio) y SSP58.5 (abajo). Valores en grados Celsius.

4.2.2. Precisión de los modelos Para evaluar cuán bien los GCMs representan las condiciones de observadas en el clima se realizó un análisis de comparación de las salidas de los GCMs en el periodo histórico y los datos de observaciones de WorldClim v2.1 y estaciones meteorológicas del GHCN en el periodo 1970-2000. Se contemplaron los trimestres con mayores cambios en las anomalías de las variables climáticas (JJA y SON), al igual que las condiciones anuales. Los resultados se muestran en la Figura 13 evaluando el coeficiente de correlación R2 y la Figura 14 el Error Medio Cuadrático (EMC). Para muy pocos GCMs la correlación es menor a 0.5 en precipitación trimestral o anual y, en ninguno para temperatura. Jamaica, México y la región CAMEXCA, muestran las correlaciones más bajas a lo largo de todos los GCM, en particular cuando se comparan las salidas de cada GCM con datos meteorológicos. La correlación tiende a ser mayor en el trimestre JJA, sobre todo en la comparación grilla-grilla con WorldClim. En temperatura el rendimiento se mantiene por encima del 98% de correlación en todos los modelos. Aunque no hay grandes diferencias entre GCMs, los dos con más bajo rendimiento en precipitación son los modelos estadounidenses GISS E2-1, seguidos por el modelo francés CNRM– ESM2–1. El EMC es bajo en todas las temporadas, salvo a nivel anual donde hay una marcada diferencia entre las observaciones de la línea base y las salidas de los modelos en precipitación total. Aun así, el EMC no supera los 1,000 mm anuales en la mayoría de los países. Así mismo en la temporada JJA, el error es relativamente mayor en precipitación, siendo este el trimestre más lluvioso del año. Si bien los análisis de correlación indican que hay unos modelos más fuertemente correlacionados que otros, no muestran con claridad que haya un acuerdo entre modelos. De igual forma, el hecho de que las salidas de un modelo no tengan buen rendimiento en línea base, no es indicativo de una buena o mala proyección futura. Autores como Almazroui et al. (2021) sugieren que si se realiza un subconjunto de modelos la media del conjunto de los modelos seleccionados no presenta diferencias significativas en los cambios proyectados cuando se compara con la media del conjunto de todos los modelos. Debido a estas razones, se consideró todo el rango de GCMs disponibles para la generación de los escenarios climáticos y la cuantificación de impactos en los cultivos con EcoCrop, sin un ensamblaje de modelos seleccionados.

JJA BHS BLZ CRI CUB DOM GTM HND HTI JAM MEX NIC PAN PRI SLV CMC e w e w e w e w e w e w e w e w e w e w e w e w e w e w e w access_cm2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 access_esm1-5 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 bcc_csm2-mr 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 canesm5 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 canesm5_canoe 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 cmcc_esm2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 cnrm_cm6-1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 cnrm_cm6-1-hr 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 cnrm_esm2-1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 ec_earth3-veg 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 ec_earth3-veg-lr 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 fio_esm-2-0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 giss_e2-1-g 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 giss_e2-1-h 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 hadgem3_gc31-ll 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 inm_cm4-8 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 inm_cm5-0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 ipsl_cm6a-lr 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 miroc_es2l 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 miroc6 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 mpi_esm1-2-hr 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 mpi_esm1-2-lr 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 mri_esm2-0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 ukesm1_0-ll 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 access_cm2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 access_esm1-5 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 bcc_csm2-mr 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 canesm5 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 canesm5_canoe 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 cmcc_esm2 cnrm_cm6-1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 cnrm_cm6-1-hr 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 cnrm_esm2-1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 ec_earth3-veg 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 ec_earth3-veg-lr 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 fio_esm-2-0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 giss_e2-1-g 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 giss_e2-1-h 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 hadgem3_gc31-ll 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 inm_cm4-8 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 inm_cm5-0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 ipsl_cm6a-lr 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 miroc_es2l 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 miroc6 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 mpi_esm1-2-hr 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 mpi_esm1-2-lr 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 mri_esm2-0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 ukesm1_0-ll 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

Temperatura Media

Precipitación Acumulada

MODEL

< 0.50

0.50 - 0.60

SON BHS BLZ CRI CUB DOM GTM HND HTI JAM MEX NIC PAN PRI SLV CMC e w e w e w e w e w e w e w e w e w e w e w e w e w e w e w 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 0 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 0 1 1 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 0 1 1 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 0 1 1 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 0 1 1 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 0 1 1 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 0 1 1 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 0 1 1 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 0 1 1 1 1 1 0 1 1 1 0 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 0 1 1 1 1 1 0 1 1 1 0 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 0 1 0 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0.60 - 0.70

0.70 - 0.80

0.90 - 0.95

0.80 - 0.90

ANUAL BHS BLZ CRI CUB DOM GTM HND HTI JAM MEX NIC PAN PRI SLV CMC e w e w e w e w e w e w e w e w e w e w e w e w e w e w e w 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 0 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 0 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 0 1 1 1 0 1 1 1 0 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 0 1 1 1 0 1 1 1 0 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 0 1 1 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 0 1 1 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 0 1 0 1 1 1 0 1 1 1 0 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 0 1 0 1 1 1 0 1 1 1 0 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 0 1 0 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 0 1 1 1 1 1 0 1 1 1 0 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 0 1 1 1 1 1 0 1 1 1 0 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 0 1 1 1 0 1 1 1 0 1 1 1 0 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 0 1 1 1 0 1 1 1 0 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 0 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

0.95 - 0.98

0.98 - 1.00

Figura 13. Comparación (basado en R ) de la climatología observada (WorldClim v 2.1 [w] y estaciones meteorológicas del GHCN [w]) con la línea base de cada GCM para precipitación acumulada y temperatura media anual y trimestral (JJA, SON) para cada país: Bahamas (BHS), Belice (BLZ), Costa Rica (CRI), Cuba (CUB), República Dominicana (DOM), Guatemala (GTM), Honduras (HND), Haití (HTI), Jamaica (JAM), México (MEX), Nicaragua (NIC), Panamá (PAN), Puerto Rico (PRI), El Salvador (SLV), la región (CMC).

JJA BHS BLZ CRI CUB DOM GTM HND HTI JAM MEX NIC PAN PRI SLV CMC e w e w e w e w e w e w e w e w e w e w e w e w e w e w e w access_cm2 50 ## ## ## ## 42 ## 75 ## 49 ## ## ## ## ## ## ## ## ## ## ## ## ## 41 ## ## ## access_esm1-5 51 ## ## ## ## 75 ## 92 ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## bcc_csm2-mr 59 ## ## ## ## 88 ## 94 ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## canesm5 77 ## ## ## ## 82 ## 59 ## 42 ## ## ## ## ## ## ## ## ## ## ## ## ## 78 ## ## ## canesm5_canoe 77 ## ## ## ## 82 ## 59 ## 42 ## ## ## ## ## ## ## ## ## ## ## ## ## 78 ## ## ## cmcc_esm2 55 ## ## ## ## 67 ## 63 ## 94 ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## cnrm_cm6-1 38 93 ## ## ## 52 ## 65 ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## 52 ## 65 ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## cnrm_cm6-1-hr 38 93 cnrm_esm2-1 33 ## ## ## ## 64 ## 81 ## ## ## ## ## ## ## ## ## ## ## ## 57 ## ## ## ## ## ## ec_earth3-veg 69 ## ## ## ## 90 ## 94 ## ## ## ## ## ## ## ## ## ## ## ## 69 ## ## ## ## ## ## ec_earth3-veg-lr 69 ## ## ## ## 90 ## 94 ## ## ## ## ## ## ## ## ## ## ## ## 69 ## ## ## ## ## ## fio_esm-2-0 65 ## ## ## ## 71 ## 67 ## 72 ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## giss_e2-1-g 49 ## ## ## ## 64 ## 84 ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## giss_e2-1-h 49 ## ## ## ## 64 ## 84 ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## hadgem3_gc31-ll 34 54 ## ## ## 70 ## 71 ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## inm_cm4-8 53 ## ## ## ## 91 ## 92 ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## inm_cm5-0 63 ## ## ## ## 97 ## 90 ## ## ## ## ## ## ## ## ## ## ## ## 89 ## ## ## ## ## ## ipsl_cm6a-lr 53 ## ## ## ## 57 ## 68 ## 76 ## ## ## ## ## ## ## ## ## ## ## ## ## 95 ## ## ## miroc_es2l 56 ## ## ## ## 85 ## ## ## ## ## ## ## ## ## ## ## ## ## ## 54 ## ## ## ## ## ## miroc6 56 ## ## ## ## 85 ## ## ## ## ## ## ## ## ## ## ## ## ## ## 54 ## ## ## ## ## ## mpi_esm1-2-hr 50 ## ## ## ## 58 ## 79 ## 99 ## ## ## ## ## ## ## ## ## ## 86 ## ## 61 ## ## ## mpi_esm1-2-lr 62 ## ## ## ## 75 ## 67 ## ## ## ## ## ## ## ## ## ## ## ## 69 ## ## ## ## ## ## mri_esm2-0 43 ## ## ## ## 69 ## 61 ## 76 ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ukesm1_0-ll 30 51 ## ## ## 61 ## 72 ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## ## access_cm2 1 2 1 3 4 1 1 1 4 4 4 2 3 4 3 3 4 4 1 2 2 4 2 3 5 3 4 access_esm1-5 1 1 2 3 4 2 2 1 4 6 5 3 4 4 3 3 4 5 2 3 2 4 2 5 5 3 4 4 3 3 4 5 2 3 2 4 2 4 6 3 4 bcc_csm2-mr 1 0 2 4 5 2 2 2 4 6 5 3 4 canesm5 1 1 1 4 5 1 1 1 4 5 5 3 4 4 3 3 4 4 2 2 3 4 2 4 5 3 4 canesm5_canoe 1 1 1 4 5 1 1 1 4 5 5 3 4 4 3 3 4 4 2 2 3 4 2 4 5 3 4 cmcc_esm2 1 0 2 3 4 2 2 1 4 5 5 2 4 5 3 3 4 5 2 3 2 3 2 4 5 3 4 cnrm_cm6-1 2 2 2 2 4 2 2 2 4 3 5 3 4 4 3 3 4 5 2 3 2 3 2 4 5 3 4 2 4 5 3 4 cnrm_cm6-1-hr 2 2 2 2 4 2 2 2 4 3 5 3 4 4 3 3 4 5 2 3 2 3 cnrm_esm2-1 1 2 2 2 4 1 1 2 4 3 4 3 3 4 3 3 4 5 2 2 2 3 2 4 5 3 3 ec_earth3-veg 2 2 2 2 4 1 2 2 4 3 4 3 3 4 3 3 4 4 2 2 2 3 2 3 5 3 3 ec_earth3-veg-lr 2 2 2 2 4 1 2 2 4 3 4 3 3 4 3 3 4 4 2 2 2 3 2 3 5 3 3 fio_esm-2-0 1 1 1 3 4 1 2 1 4 4 4 2 3 4 3 3 3 4 2 2 1 3 2 3 5 3 4 giss_e2-1-g 1 1 1 4 5 1 1 2 4 5 4 3 4 4 3 3 4 4 2 3 3 4 2 5 6 3 4 giss_e2-1-h 1 1 1 4 5 1 1 2 4 5 4 3 4 4 3 3 4 4 2 3 3 4 2 5 6 3 4 hadgem3_gc31-ll 1 1 1 3 4 2 2 1 4 5 4 3 3 4 3 3 4 4 1 2 2 3 2 4 5 3 4 inm_cm4-8 3 3 2 3 4 1 2 2 4 7 5 3 4 4 3 3 4 5 2 3 2 3 2 5 6 4 4 inm_cm5-0 3 3 2 3 4 2 2 2 4 7 5 3 4 4 3 3 4 5 2 3 2 3 2 5 6 4 4 ipsl_cm6a-lr 2 2 1 3 4 1 2 2 4 4 4 3 3 3 3 3 4 4 2 2 1 3 2 3 4 3 4 miroc_es2l 1 1 2 4 5 2 2 2 4 7 5 3 4 4 3 4 4 5 2 3 2 4 2 5 6 4 4 miroc6 1 1 2 4 5 2 2 2 4 7 5 3 4 4 3 4 4 5 2 3 2 4 2 5 6 4 4 mpi_esm1-2-hr 1 0 2 2 4 2 2 1 4 3 4 2 3 4 3 3 4 5 2 3 1 3 2 4 5 3 4 4 3 3 4 4 2 3 2 4 2 4 5 3 4 mpi_esm1-2-lr 1 1 1 3 5 1 1 1 4 4 4 3 4 mri_esm2-0 1 0 1 3 4 1 2 1 4 4 4 2 3 4 3 3 3 4 1 2 2 3 2 4 5 3 4 ukesm1_0-ll 1 1 2 3 4 2 2 1 4 5 4 2 3 4 3 3 4 4 1 2 1 3 2 4 5 3 4

Temperatura Media

Precipitación Acumulada

MODEL

SON BHS BLZ CRI CUB DOM GTM HND HTI JAM MEX NIC PAN PRI SLV CMC e w e w e w e w e w e w e w e w e w e w e w e w e w e w e w 25 ## ## ## ## 25 ## ## ## 25 ## ## ## ## ## ## 59 ## ## ## 16 ## ## 18 ## 91 ## 54 73 ## ## ## 25 ## ## ## 51 ## ## ## ## ## ## 64 ## ## ## ## ## ## 25 ## ## ## 23 58 ## ## ## 26 ## ## ## 36 ## ## ## ## ## ## 54 ## ## ## 94 ## ## 16 ## 94 ## 56 ## ## ## ## 21 ## 92 ## 47 ## ## ## ## ## ## 68 ## ## ## 32 ## ## 23 ## 95 ## 56 ## ## ## ## 21 ## 92 ## 47 ## ## ## ## ## ## 68 ## ## ## 32 ## ## 23 ## 95 ## 54 47 ## ## ## 15 87 92 ## 39 ## ## ## ## ## ## ## ## ## ## 98 ## ## 49 ## ## ## 15 74 ## ## ## 28 ## 86 ## 57 ## ## ## ## ## ## 72 ## ## ## 57 ## ## 36 ## 80 ## 15 74 ## ## ## 28 ## 86 ## 57 ## ## ## ## ## ## 72 ## ## ## 57 ## ## 36 ## 80 ## 24 72 ## ## ## 28 ## 82 ## 76 ## ## ## ## ## ## 71 ## ## ## 11 ## ## 72 ## 82 ## 23 62 ## ## ## 18 ## 79 ## 35 ## ## ## ## ## ## 54 ## ## ## 68 ## ## 17 ## 87 ## 23 62 ## ## ## 18 ## 79 ## 35 ## ## ## ## ## ## 54 ## ## ## 68 ## ## 17 ## 87 ## 54 40 ## ## ## 17 80 ## ## 49 ## ## ## ## ## ## 87 ## ## ## ## ## ## 54 ## 95 ## ## ## ## 17 95 93 ## 33 ## ## ## ## ## ## 79 ## ## ## ## ## ## 26 ## 90 ## 28 40 28 40 ## ## ## 17 95 93 ## 33 ## ## ## ## ## ## 79 ## ## ## ## ## ## 26 ## 90 ## 29 ## ## ## ## 27 ## 94 ## 28 ## ## ## ## ## ## 60 ## ## ## 39 ## ## 18 ## 88 ## 37 45 ## ## ## 15 ## 98 ## 37 ## ## ## ## ## ## 75 ## ## ## 30 ## ## 37 ## 88 ## 38 81 ## ## ## 12 ## ## ## 40 ## ## ## ## ## ## 75 ## ## ## 45 ## ## 54 ## 87 ## 22 80 ## ## ## 25 97 94 ## 53 ## ## ## ## ## ## 81 ## ## ## ## ## ## 58 ## 86 ## 41 40 ## ## ## 12 ## ## ## 57 ## ## ## ## ## ## 76 ## ## ## 90 ## ## 16 ## ## ## 41 40 ## ## ## 12 ## ## ## 57 ## ## ## ## ## ## 76 ## ## ## 90 ## ## 16 ## ## ## 46 ## ## ## ## 41 ## 97 ## 58 ## ## ## ## ## ## 64 ## ## ## 39 ## ## 38 ## 92 ## 45 ## ## ## ## 45 ## ## ## 58 ## ## ## ## ## ## 60 ## ## ## 48 ## ## 24 ## ## ## 31 42 ## ## ## 15 86 ## ## 41 ## ## ## ## ## ## 61 ## ## ## 58 ## ## 22 ## 90 ## 25 ## ## ## ## 22 99 91 ## 31 ## ## ## ## ## ## 61 ## ## ## 53 ## ## 23 ## 86 ## 1 1 1 3 5 1 1 1 4 4 4 2 3 4 4 3 4 4 2 2 2 4 2 4 5 3 4 2 1 2 4 5 3 3 2 4 6 5 4 4 4 4 4 4 5 3 3 2 4 2 5 6 4 4 3 2 2 4 5 2 3 2 4 5 5 3 4 4 5 4 4 4 2 3 3 4 4 4 5 3 4 2 1 1 4 6 2 2 2 4 5 5 3 4 4 4 4 4 4 2 3 3 5 3 4 5 3 4 2 1 1 4 6 2 2 2 4 5 5 3 4 4 4 4 4 4 2 3 3 5 3 4 5 3 4 2 1 2 3 5 2 2 2 4 5 5 2 4 5 4 4 4 4 2 3 2 4 2 4 5 3 4 1 2 2 2 4 2 2 3 4 3 5 4 3 4 3 2 5 5 2 3 3 3 2 4 5 3 4 1 2 2 2 4 2 2 3 4 3 5 4 3 4 3 2 5 5 2 3 3 3 2 4 5 3 4 0 1 1 2 4 1 1 2 4 3 4 3 3 4 3 3 4 4 2 2 2 3 2 4 5 3 3 0 1 1 2 4 1 1 2 4 4 4 3 3 3 3 3 4 4 2 2 2 3 2 4 5 3 3 0 1 1 2 4 1 1 2 4 4 4 3 3 3 3 3 4 4 2 2 2 3 2 4 5 3 3 2 0 1 3 4 2 2 1 4 4 4 2 3 4 4 3 4 4 2 2 2 3 2 4 5 3 4 0 0 2 3 5 1 1 2 4 4 4 3 4 4 4 3 4 4 2 3 2 4 2 4 5 3 4 0 0 2 3 5 1 1 2 4 4 4 3 4 4 4 3 4 4 2 3 2 4 2 4 5 3 4 1 0 1 3 4 1 2 1 4 4 4 3 3 4 4 3 4 4 2 2 2 3 2 4 5 3 4 1 1 2 3 4 1 2 2 4 5 5 3 3 3 4 2 3 4 2 2 2 3 2 4 5 3 4 1 2 2 3 4 1 2 2 4 5 5 3 3 3 4 2 3 4 3 2 2 3 2 4 5 3 4 1 0 1 3 4 1 1 1 4 4 4 3 3 3 4 3 4 4 2 2 1 3 2 4 5 3 3 1 0 2 4 5 2 2 2 4 8 6 4 5 5 4 4 4 5 3 3 3 4 2 6 7 4 4 1 0 2 4 5 2 2 2 4 8 6 4 5 5 4 4 4 5 3 3 3 4 2 6 7 4 4 2 1 3 2 4 2 3 2 4 3 4 3 3 4 4 4 4 4 2 3 1 3 3 4 5 3 4 1 1 2 3 5 2 2 1 4 5 4 3 4 4 4 3 4 4 2 2 2 3 2 4 5 3 4 1 1 2 3 5 2 2 1 4 5 4 3 3 4 4 4 3 4 2 2 2 4 3 4 5 3 4 1 0 2 3 4 2 2 1 4 4 4 3 3 4 4 4 4 4 2 2 2 3 2 4 5 3 4

Precipitación > 2000

ANUAL BHS BLZ CRI CUB DOM GTM HND HTI JAM MEX NIC PAN PRI SLV CMC e w e w e w e w e w e w e w e w e w e w e w e w e w e w e w 31 ## ## ## ## 24 ## 72 ## 27 ## 99 ## ## 33 ## 42 ## ## ## 11 ## ## 14 ## 75 ## 38 ## ## ## ## 22 ## 77 ## 44 ## ## ## ## 36 ## 46 ## ## ## 57 ## ## 17 ## 87 ## 15 ## ## ## ## 20 ## 85 ## 41 ## ## ## ## 33 ## 39 ## ## ## 31 ## ## 15 ## 89 ## 48 ## ## ## ## 40 ## 73 ## 41 ## ## ## ## 31 ## 46 ## ## ## 48 ## ## 24 ## 88 ## 48 ## ## ## ## 40 ## 73 ## 41 ## ## ## ## 31 ## 46 ## ## ## 48 ## ## 24 ## 88 ## 48 ## ## ## ## 32 ## 69 ## 41 ## 87 ## ## 58 ## 87 ## ## ## 46 ## ## 33 ## 89 ## 12 ## ## ## ## 22 ## 63 ## 45 ## 83 ## ## 30 ## 53 ## ## ## ## ## ## 24 ## 62 ## 12 ## ## ## ## 22 ## 63 ## 45 ## 83 ## ## 30 ## 53 ## ## ## ## ## ## 24 ## 62 ## 13 ## ## ## ## 18 ## 68 ## 56 ## ## ## ## 35 ## 52 ## ## ## 85 ## ## 49 ## 67 ## 17 ## ## ## ## 26 ## 61 ## 30 ## ## ## ## 30 ## 36 ## ## ## 11 ## ## 12 ## 78 ## 17 ## ## ## ## 26 ## 61 ## 30 ## ## ## ## 30 ## 36 ## ## ## 11 ## ## 12 ## 78 ## 66 ## ## ## ## 42 ## 81 ## 41 ## 88 ## ## 75 ## 70 ## ## ## 58 ## ## 34 ## 85 ## 56 ## ## ## ## 45 ## 73 ## 30 ## ## ## ## 30 ## 67 ## ## ## 41 ## ## 30 ## 89 ## 56 ## ## ## ## 45 ## 73 ## 30 ## ## ## ## 30 ## 67 ## ## ## 41 ## ## 30 ## 89 ## 16 ## ## ## ## 30 ## 75 ## 27 ## ## ## ## 30 ## 44 ## ## ## 46 ## ## 14 ## 77 ## 34 ## ## ## ## 32 ## 65 ## 36 ## 96 ## ## 25 ## 58 ## ## ## ## ## ## 27 ## 75 ## 19 ## ## ## ## 23 ## 65 ## 31 ## ## ## ## 25 ## 50 ## ## ## 59 ## ## 29 ## 74 ## 17 ## ## ## ## 17 ## 79 ## 37 ## ## ## ## 35 ## 57 ## ## ## 16 ## ## 33 ## 78 ## 52 ## ## ## ## 58 ## 79 ## 47 ## ## ## ## 28 ## 68 ## ## ## 27 ## ## 18 ## 98 ## 52 ## ## ## ## 58 ## 79 ## 47 ## ## ## ## 28 ## 68 ## ## ## 27 ## ## 18 ## 98 ## 23 ## ## ## ## 33 ## 77 ## 47 ## ## ## ## 46 ## 47 ## ## ## 38 ## ## 16 ## 81 ## 60 ## ## ## ## 72 ## 78 ## 45 ## ## ## ## 47 ## 45 ## ## ## 36 ## ## 18 ## 95 ## ## 12 ## 84 ## 25 ## ## ## ## 24 ## 80 ## 36 ## ## ## ## 32 ## 44 ## ## ## 43 ## 28 ## ## ## ## 33 ## 71 ## 27 ## 85 ## ## 30 ## 44 ## ## ## 61 ## ## 14 ## 75 ## 0 1 1 4 5 1 1 2 4 4 4 3 3 4 3 3 4 4 2 2 2 4 2 4 5 3 4 2 0 2 4 5 3 3 2 4 7 5 4 4 4 4 4 4 5 2 3 2 4 2 5 6 4 4 3 1 1 4 5 2 2 2 4 5 5 3 4 4 4 4 4 4 2 3 3 4 3 4 5 3 4 2 0 1 4 5 2 2 2 4 5 5 3 4 4 3 3 4 4 2 3 3 4 2 4 5 3 4 2 0 1 4 5 2 2 2 4 5 5 3 4 4 3 3 4 4 2 3 3 4 2 4 5 3 4 2 0 1 3 5 2 2 2 4 4 5 3 3 4 3 3 4 4 2 3 2 3 2 4 5 3 4 1 2 2 2 5 2 2 2 4 3 5 4 4 4 3 3 5 5 3 3 3 3 2 4 5 3 4 1 2 2 2 5 2 2 2 4 3 5 4 4 4 3 3 5 5 3 3 3 3 2 4 5 3 4 0 1 1 3 4 1 1 2 4 3 4 4 3 4 3 3 4 4 2 2 2 3 2 5 5 3 3 0 1 2 2 4 1 1 2 4 4 4 4 3 4 3 3 4 4 2 2 2 3 2 4 5 3 3 0 1 2 2 4 1 1 2 4 4 4 4 3 4 3 3 4 4 2 2 2 3 2 4 5 3 3 1 0 1 3 4 2 2 2 4 4 4 3 3 4 3 3 4 4 2 2 2 3 2 4 5 3 4 1 1 1 3 5 1 1 2 4 4 4 3 3 4 3 3 4 4 2 2 2 4 2 4 5 3 3 1 1 1 3 5 1 1 2 4 4 4 3 3 4 3 3 4 4 2 2 2 4 2 4 5 3 3 0 0 1 3 4 1 2 1 4 4 4 3 3 4 3 3 4 4 2 2 2 3 2 4 5 3 4 0 1 1 3 4 1 2 2 4 5 5 4 4 3 3 3 3 4 3 3 2 3 2 4 5 3 4 0 2 1 3 4 1 2 2 4 5 5 4 4 3 3 3 3 4 3 3 2 3 2 4 5 3 4 2 4 5 3 3 1 1 1 3 4 2 1 1 4 4 4 3 3 3 3 3 4 4 2 2 1 3 1 0 2 5 5 2 2 2 4 8 6 4 5 5 3 4 4 5 3 3 3 4 2 6 6 4 4 1 0 2 5 5 2 2 2 4 8 6 4 5 5 3 4 4 5 3 3 3 4 2 6 6 4 4 2 1 2 3 4 2 2 2 4 3 4 3 3 4 3 4 4 4 2 3 2 3 3 4 5 3 4 2 0 1 3 4 2 2 2 4 5 4 3 4 4 3 3 4 4 2 2 2 4 2 4 5 3 4 1 0 2 3 4 2 2 2 4 4 4 3 3 4 3 3 4 4 2 2 2 4 3 4 5 3 4 0 0 1 3 4 2 2 1 4 4 4 3 3 4 3 3 4 4 2 2 2 3 2 4 5 3 4

Temperatura 1400-2000

1000-1400

600-1000

400-600

200-400

100-200

0-100

7-8

6-7

5-6

4-5

3-4

2-3

1-2

0-1

Figura 14. Comparación (basado en EMC) de la climatología observada (WorldClim v 2.1 [w] y estaciones meteorológicas del GHCN [w]) con la línea base de cada GCM para precipitación acumulada y temperatura media anual y trimestral (JJA, SON) para cada país: Bahamas (BHS), Belice (BLZ), Costa Rica (CRI), Cuba (CUB), República Dominicana (DOM), Guatemala (GTM), Honduras (HND), Haití (HTI), Jamaica (JAM), México (MEX), Nicaragua (NIC), Panamá (PAN), Puerto Rico (PRI), El Salvador (SLV), la región (CMC).

4.2.3. Incertidumbres en las proyecciones de los escenarios climáticos Al presente, existen muchos vacíos en la representación del sistema climático. Los GCMs no proporcionan estimaciones realistas de las condiciones climáticas en un sitio en particular, sino que proporcionan proyecciones a gran escala. Para que las proyecciones de clima puedan usarse en estudios de impacto (e.g., en agricultura o biodiversidad), se deben tener presente las incertidumbres y las dispersiones que deben cuantificarse de manera sólida (Navarro-Racines et al., 2020; Ramírez-Villegas y Challinor, 2012), entendiendo que siempre se toman decisiones en un contexto de incertidumbre. En la representación de las condiciones futuras de clima, existen diferentes fuentes de incertidumbre, incluyendo las asociadas a la elección de los GCMs, los horizontes de tiempo y/o los escenarios SSP. En el presente estudio, se cuantificaron las diferentes incertidumbres, incluyendo las asociadas a la dispersión de los GCMs considerando un rango amplio de modelos (24 en total) con los que se calculó el cambio medio, la desviación estándar, el primer y tercer cuartil para precipitación y temperatura media a nivel anual y estacional, considerando diferentes escenarios SSP y periodos de tiempo. En la Tabla 4 y en las Figuras Figura 15 y Figura 16 se proporciona una descripción detallada de la incertidumbre asociada con la precipitación y la temperatura media proyectada en los 14 países evaluados. La mayor parte de los países de la región están de acuerdo con la señal de cambio promedio en la precipitación anual, aunque la desviación estándar entre modelos a nivel resulta ser significativamente alta (Tabla 4). Para precipitación estacional, el cambio medio fluctúa entre cambios ligeros positivos y negativos bajo el escenario SSP 1-2.6. Algunos modelos muestran mayores reducciones leves-moderadas de precipitación (primer cuartil) e incrementos leves (tercer cuartil), sin embargo, hay mayor tendencia hacia el déficit. Bajo escenarios de mayores emisiones (SSP 2-4.5 y SSP 5-8.5) se observa una notable tendencia hacia el déficit de precipitación a futuro, que se acentúa sobre los horizontes de mediano y largo plazo. La dispersión entre GCM es mayor en función del tiempo y las emisiones de los escenarios SSPs (Figura 15), particularmente hacia el trimestre JJA. Bajo el escenario más pesimista las reducciones en precipitación alcanzan hasta el 19% anual en 2050 y 25% en 2070.

En el caso de temperatura media anual, la desviación estándar entre GCM se mantiene debajo de los ~0.5°C, ~0.6 °C y ~0.9 bajo los escenarios SSP 1-2.6, 2-4.5 y 5-8.5 respectivamente, mostrando una amplia confidencia en las proyecciones (Tabla 4). Bajo el escenario SSP 5-8.5, que presenta las mayores anomalías, el primer cuartil del cambio de temperatura media anual muestra incrementos más leves de temperatura (entre 1.2 y 3.1 °C en función del tiempo) y el tercer cuartil los cambios más abruptos (entre 1.6 y 4.2°C; Figura 16). Como era de esperarse, a mayor forzamiento radiativo y mayor lejanía en el tiempo, mayor es el aumento de temperatura media a nivel estacional y anual. Independientemente del escenario, la incertidumbre aumenta a través del tiempo, acentuándose hacia finales de siglo (áreas sombreadas de la Figura 16). Según Ortega et al. (2021), hay una mejora en la proyección de las cantidades de precipitación en los GCMs del CMIP6 con respecto a la generación anterior, que normalmente subestimaban la precipitación. Sin embargo, tanto en CMIP5 como en CMIP6, los modelos despliegan sesgos sistemáticos (Navarro-Racines et al., 2020; Ortega et al., 2021). Asimismo, la media del conjunto de una amplia gama de GCMs no presenta diferencias significativas en los cambios proyectados basados en un subconjunto de modelos (Almazroui et al., 2021; Ortega et al., 2021). En el presente estudio se muestra que, aunque la dispersión entre GCM en la representación de la precipitación anual y estacional, hay confidencia en la dirección de cambio medio a futuro. Tras los hallazgos del presente estudio, y lo encontrado por diversos autores, hay un acuerdo en que los modelos proyectan condiciones más cálidas en la mayor parte de la región del CAMEXCA, en particular, hacia fines del siglo XXI en comparación con el clima histórico (Almazroui et al., 2021; CEPAL y CAC, 2020; Gourdji et al., 2015; Imbach et al., 2018; Ortega et al., 2021; Reyer et al., 2017; Vichot-Llano et al., 2021). Las salidas de los GCMs muestran discrepancias en cambios de precipitación media (ligeros aumentos, pero también descensos), pero hay un acuerdo notable hacia el déficit proyectado por las salidas de los modelos hacia horizontes de tiempo de mediano y largo plazo (Almazroui et al., 2021; Campbell et al., 2011; CEPAL y CAC, 2020; ColoradoRuiz et al., 2018; Gourdji et al., 2015; Imbach et al., 2018; Karmalkar et al., 2011; Ortega et al., 2021; Reyer et al., 2017). Estas condiciones pueden afectar significativamente los ecosistemas, los sistemas agroalimentarios y la biodiversidad en una de las regiones con mayor biodiversidad del mundo (Ortega et al., 2021).

Tabla 4. Cambios proyectados e incertidumbres en precipitación total (%) y temperatura media anual (°C) con referencia al clima histórico bajo tres escenarios SSP y tres periodos futuros, basados en 24 GCMs Escenario

Histórico

SSP1-2.6

Precipitación total

1980s

P25 P75 SD

SSP2-4.5

2050s P25 P75 SD

P25 P75 SD

2050s

2070s

0.03 -0.01 0.05 0.08

0.03 -0.01 0.05 0.07

0.02 -0.02 0.04 0.07

0.02 -0.02 0.04 0.08

0.02 -0.03 0.05 0.09

0.02 -0.02 0.05 0.08

0.01 -0.04 0.04 0.08

-0.02 -0.07 0.01 0.09

-0.01 -0.06 0.01 0.08 0.02 -0.02 0.07 0.07

-0.02 -0.06 0.00 0.07 0.01 -0.03 0.06 0.07

-0.01 -0.04 0.00 0.07 0.02 -0.03 0.05 0.07

-0.04 -0.09 -0.01 0.08 0.00 -0.04 0.04 0.09

-0.06 -0.11 -0.02 0.08 -0.02 -0.06 0.04 0.10

-0.03 -0.07 -0.01 0.09 0.00 -0.05 0.05 0.08

-0.08 -0.14 -0.03 0.09 -0.05 -0.11 0.01 0.10

-0.13 -0.20 -0.05 0.13 -0.10 -0.18 -0.02 0.16

CUB

1336.0

0.01 -0.02 0.02 0.07

0.01 -0.02 0.03 0.07

0.01 -0.02 0.02 0.06

0.00 -0.03 0.01 0.07

-0.01 -0.06 0.02 0.08

0.01 -0.03 0.03 0.07

-0.03 -0.07 0.01 0.07

-0.06 -0.12 -0.03 0.08

DOM

1375.3

-0.01 -0.04 0.01 0.06

-0.01 -0.05 0.01 0.06

-0.02 -0.05 0.00 0.06

-0.01 -0.04 0.01 0.06

-0.04 -0.09 -0.01 0.07

-0.06 -0.11 -0.03 0.07

-0.02 -0.06 0.01 0.08

-0.08 -0.12 -0.04 0.08

-0.13 -0.21 -0.07 0.09

GTM HND

2270.1 1717.5

0.00 -0.03 0.01 0.06 0.01 -0.04 0.03 0.07

-0.01 -0.05 0.01 0.07 -0.01 -0.06 0.02 0.07

-0.02 -0.05 0.01 0.06 -0.02 -0.07 0.02 0.08

-0.01 -0.03 0.01 0.05 -0.01 -0.05 0.02 0.06

-0.03 -0.08 0.00 0.08 -0.04 -0.11 0.01 0.09

-0.05 -0.09 -0.01 0.07 -0.06 -0.12 -0.01 0.09

-0.02 -0.06 0.00 0.07 -0.03 -0.08 0.01 0.08

-0.07 -0.13 -0.02 0.08 -0.08 -0.17 -0.02 0.10

-0.12 -0.18 -0.04 0.12 -0.15 -0.23 -0.04 0.15

HTI

1470.8

0.00 -0.04 0.01 0.07

0.00 -0.04 0.01 0.06

-0.01 -0.04 0.00 0.06

0.00 -0.03 0.02 0.06

-0.03 -0.07 0.00 0.07

-0.05 -0.10 -0.02 0.08

-0.02 -0.04 0.01 0.08

-0.06 -0.09 -0.03 0.08

-0.11 -0.18 -0.06 0.09

JAM

1734.8

0.02 -0.01 0.03 0.06

0.02 -0.01 0.04 0.06

0.02 -0.01 0.03 0.06

0.03 0.00 0.04 0.06

0.00 -0.03 0.02 0.07

0.00 -0.05 0.03 0.07

0.01 -0.03 0.03 0.07

-0.02 -0.06 0.01 0.07

-0.06 -0.13 -0.01 0.10

NIC PAN

2168.2 2638.7

0.01 -0.04 0.05 0.08 0.05 0.01 0.07 0.08

0.00 -0.06 0.05 0.08 0.06 0.02 0.09 0.07

-0.02 -0.07 0.04 0.08 0.06 0.01 0.09 0.08

0.00 -0.05 0.03 0.07 0.05 0.01 0.07 0.08

-0.04 -0.11 0.01 0.10 0.05 0.01 0.08 0.09

-0.06 -0.13 0.00 0.10 0.05 0.00 0.10 0.10

-0.03 -0.09 0.02 0.09 0.04 -0.01 0.07 0.09

-0.10 -0.19 -0.02 0.11 0.03 -0.03 0.08 0.11

-0.16 -0.25 -0.04 0.17 0.01 -0.07 0.10 0.15

PRI

1739.7

-0.01 -0.05 0.02 0.07

-0.01 -0.06 0.01 0.07

-0.02 -0.07 -0.01 0.08

-0.01 -0.05 0.03 0.07

-0.04 -0.10 -0.01 0.08

-0.06 -0.13 -0.02 0.08

-0.02 -0.07 0.02 0.08

-0.08 -0.13 -0.03 0.09

-0.14 -0.22 -0.05 0.11

SLV

1827.6

0.01 -0.03 0.02 0.08

0.00 -0.05 0.03 0.07

-0.01 -0.06 0.04 0.08

-0.01 -0.04 0.01 0.06

-0.03 -0.09 0.00 0.09

-0.05 -0.10 -0.01 0.09

-0.03 -0.08 0.00 0.08

-0.08 -0.16 -0.02 0.09

-0.14 -0.22 -0.04 0.14

MEX

1406.6 25.3

0.01 -0.03 0.02 0.07

0.00 -0.03 0.02 0.07

0.00 -0.04 0.02 0.07

0.00 -0.03 0.01 0.07

-0.01 -0.05 0.01 0.07

-0.03 -0.07 0.00 0.07

-0.01 -0.05 0.01 0.07

-0.05 -0.09 -0.01 0.07

-0.09 -0.14 -0.03 0.09

25.1

1.04 0.87 1.19 0.26

1.36 1.14 1.63 0.34

1.46 1.16 1.86 0.41

1.09 0.86 1.30 0.28

1.59 1.32 1.77 0.38

1.97 1.60 2.26 0.47

1.16 0.96 1.30 0.29

1.89 1.59 2.10 0.45

2.80 2.31 3.08 0.60

1.20 0.99 1.34 0.29

1.58 1.37 1.89 0.44

1.70 1.43 2.15 0.50

1.25 1.06 1.42 0.31

1.89 1.67 2.17 0.47

2.35 2.11 2.61 0.60

1.35 1.11 1.48 0.34

2.30 2.00 2.48 0.57

3.47 3.00 3.81 0.85

1.06 0.84 1.22 0.28

1.41 1.12 1.73 0.40

1.52 1.16 1.90 0.45

1.12 0.90 1.30 0.29

1.69 1.38 1.94 0.43

2.13 1.72 2.47 0.55

1.20 1.00 1.32 0.31

2.09 1.70 2.35 0.53

3.17 2.65 3.65 0.77

1.10 0.88 1.34 0.27 1.11 0.91 1.33 0.28

1.45 1.20 1.82 0.37 1.47 1.22 1.77 0.40

1.55 1.23 1.95 0.43 1.59 1.25 1.94 0.45

1.15 0.94 1.34 0.28 1.18 0.96 1.38 0.28

1.71 1.45 2.04 0.40 1.75 1.53 2.05 0.42

2.12 1.82 2.52 0.50 2.20 1.90 2.60 0.53

1.24 1.01 1.44 0.30 1.25 0.99 1.46 0.31

2.06 1.75 2.42 0.48 2.11 1.75 2.46 0.50

3.08 2.59 3.60 0.66 3.15 2.57 3.69 0.70

1.27 1.06 1.41 0.29

1.67 1.37 1.96 0.46

1.81 1.45 2.20 0.54

1.31 1.09 1.50 0.33

2.01 1.68 2.28 0.50

2.51 2.10 2.82 0.63

1.44 1.21 1.57 0.37

2.49 2.05 2.72 0.64

3.79 3.13 4.19 0.93

1.17 0.97 1.37 0.28

1.56 1.24 1.86 0.44

1.69 1.35 2.04 0.51

1.23 1.03 1.42 0.31

1.89 1.63 2.14 0.45

2.37 2.05 2.74 0.57

1.34 1.13 1.51 0.34

2.35 1.94 2.67 0.58

3.57 2.94 4.17 0.83

1.12 0.90 1.35 0.27 1.02 0.86 1.20 0.24

1.48 1.22 1.79 0.39 1.36 1.16 1.66 0.33

1.60 1.26 1.96 0.44 1.46 1.19 1.82 0.38

1.17 0.94 1.35 0.29 1.08 0.87 1.29 0.26

1.76 1.44 2.02 0.42 1.59 1.35 1.85 0.36

2.21 1.84 2.57 0.54 1.99 1.68 2.33 0.46

1.27 1.01 1.45 0.31 1.14 0.95 1.29 0.27

2.14 1.79 2.43 0.50 1.91 1.63 2.19 0.42

3.18 2.60 3.64 0.71 2.84 2.50 3.23 0.58

1.13 0.91 1.34 0.28

1.50 1.18 1.82 0.43

1.63 1.27 1.97 0.49

1.19 1.00 1.37 0.29

1.83 1.54 2.09 0.43

2.30 1.91 2.69 0.56

1.30 1.09 1.49 0.32

2.28 1.87 2.60 0.55

3.43 2.83 4.02 0.81

1.04 0.82 1.23 0.27

1.37 1.11 1.67 0.38

1.47 1.10 1.83 0.42

1.09 0.87 1.33 0.28

1.63 1.31 1.93 0.40

2.05 1.61 2.41 0.52

1.16 0.96 1.30 0.29

1.98 1.60 2.28 0.48

2.98 2.37 3.42 0.69

0.98 0.85 1.16 0.26 1.18 0.96 1.33 0.28

1.30 1.11 1.57 0.31 1.56 1.20 1.83 0.44

1.40 1.18 1.74 0.34 1.70 1.33 2.03 0.52

1.04 0.88 1.22 0.25 1.24 1.03 1.45 0.31

1.51 1.32 1.80 0.34 1.90 1.58 2.12 0.46

1.89 1.66 2.27 0.44 2.39 1.98 2.68 0.56

1.08 0.96 1.22 0.29 1.37 1.15 1.48 0.35

1.80 1.54 2.10 0.41 2.40 1.96 2.64 0.59

2.66 2.34 2.96 0.53 3.65 2.90 4.18 0.85

1.26 1.07 1.42 0.26

1.65 1.41 1.94 0.39

1.77 1.47 2.11 0.47

1.31 1.12 1.53 0.28

1.97 1.72 2.22 0.41

2.46 2.14 2.77 0.53

1.41 1.21 1.54 0.31

2.40 2.06 2.61 0.50

3.64 3.13 4.03 0.72

HTI JAM NIC PAN PRI SLV MEX

23.0 23.6 24.2 24.2 25.1 25.1 24.4 24.5 23.6



P25 P75 SD

0.00 -0.04 0.02 0.07 0.03 -0.02 0.06 0.07

HND



P25 P75 SD

0.03 -0.01 0.05 0.08

GTM



P25 P75 SD

2041.3 2891.7

24.1



2030s

1108.0

CUB DOM



2070s

BLZ CRI

23.6 25.1



SSP5-8.5

2050s

BHS

CRI



2030s



BLZ



2070s



BHS

Temperatura media anual

2030s

Bahamas (BHS), Belice (BLZ), Costa Rica (CRI), Cuba (CUB), República Dominicana (DOM), Guatemala (GTM), Honduras (HND), Haití (HTI), Jamaica (JAM), México (MEX), Nicaragua (NIC), Panamá (PAN), Puerto Rico (PRI), El Salvador (SLV); Promedio (), percentil 25 (P25), percentil 75 (P75), desviación estándar (SD).

Figura 15. Incertidumbres en la proyección del cambio de precipitación estacional (en %) para tres SSP y tres periodos, considerando la dispersión de 24 GCMs del CMIP6: cambio promedio (línea azul), primer cuartil (25%, límite inferior sombreado) y tercer cuartil (75%, límite sombreado superior). Bahamas (BHS), Belice (BLZ), Costa Rica (CRI), Cuba (CUB), República Dominicana (DOM), Guatemala (GTM), Honduras (HND), Haití (HTI), Jamaica (JAM), México (MEX), Nicaragua (NIC), Panamá (PAN), Puerto Rico (PRI), El Salvador (SLV).

Figura 16. Incertidumbres en la proyección del cambio de temperatura media estacional (en °C) para tres SSP y tres periodos, considerando la dispersión de 24 GCMs del CMIP6: cambio promedio (línea roja), primer cuartil (25%, límite inferior sombreado) y tercer cuartil (75%, límite sombreado superior). Bahamas (BHS), Belice (BLZ), Costa Rica (CRI), Cuba (CUB), República Dominicana (DOM), Guatemala (GTM), Honduras (HND), Haití (HTI), Jamaica (JAM), México (MEX), Nicaragua (NIC), Panamá (PAN), Puerto Rico (PRI), El Salvador (SLV).

4.3.

Impactos actuales y futuros plausibles del cambio climático en los cultivos

4.3.1. Aptitud climática actual La idoneidad climática actual sobre algunos de los principales cultivos de seguridad alimentaria (i.e., arroz, chile, frijol, maíz, papa, tomate y yuca) y comerciales (i.e., aguacate, banano, cacao, café, cítricos, plátano y caña de azúcar), fue cuantificada empleando el modelo EcoCrop (Hijmans et al., 2001), con base en los parámetros climáticos (temperatura y lluvia) marginales y óptimos de cada cultivo (Tabla 3). Los resultados se muestran en las Figura 17 y Figura 18. Los análisis espaciales muestran que, para condiciones actuales (empleando los datos climáticos de la línea base de WorldClim), cultivos de seguridad alimentaria como arroz, chile y yuca tienen un muy alto porcentaje de idoneidad climática (>90%) tanto a nivel continental como a nivel insular en gran parte de la región de estudio (Figura 17). La idoneidad climática de estos cultivos tiende a ser mayor en zonas húmedas tropicales y a disminuir hacia zonas más altas, tales como la Sierra Madre de Guatemala y Honduras, y la Sierra de los Cuchumatanes o las cordilleras de Guanacaste y Talamanca en Costa Rica. Otros cultivos de seguridad alimentaria que se desarrollan mejor bajo condiciones de temperaturas relativamente bajas, como maíz, frijol, tomate o papa, muestran mayor idoneidad en zonas templadas con inviernos no muy húmedos y veranos cálidos, y/o zonas de mayor altitud, como altiplanos, mesetas o cadenas de sierras montañosas (Figura 17). Los cultivos comerciales que despliegan una mayor idoneidad (>90%) según los resultados con EcoCrop son los cítricos, cacao y plátano. Al igual que algunos cultivos de seguridad alimentaria, éstos se desarrollan bien en zonas húmedas tropicales húmedas y en la mayor parte de zonas bajas con temperaturas relativamente mayores en la zona de estudio (Figura 18). Algunos de estos cultivos son altamente exigentes en cuanto a cantidades de precipitación. Cultivos como aguacate y banano, también se desarrollan bien bajo las condiciones climáticas de estas zonas, pero su aptitud es menor (60-90%). En contraste, cultivos como el café, son solo aptos en zonas de mayor altitud (800-2000 m.s.n.m.) de temperaturas frías. El cultivo de caña de azúcar es apto solo en zonas planas de temperaturas altas.

Las modelaciones de las áreas idóneas con EcoCrop se compararon visualmente con la distribución del área física cosechada para cada cultivo de la base de datos SPAM (Yu et al., 2020) y el set de datos descrito en Monfreda et al. (2008), además de datos de ocurrencias existentes en la base de datos de GBif (GBIF.Org, 2022a, 2022b, 2022c, 2022d, 2023b, 2023f, 2023a, 2023e, 2023c, 2023d). En la mayor parte de los cultivos analizados, las áreas estimadas por EcoCrop son relativamente consistentes con las áreas de cultivo reales de los datos de presencias (Figura 17 y Figura 18). Los cultivos que presentan una mayor coincidencia entre la idoneidad con EcoCrop y la distribución del área cosechada o puntos de presencia son aguacate, arroz, café, caña de azúcar, chile, cítricos, frijol, maíz y yuca. Cacao y banano presentaron una correspondencia media y en cultivos como papa, tomate y plátano no se contaban con una cantidad significativa de puntos de presencia o de distribución de área cosechada. Aunque en general hay una alta correspondencia, en algunos casos los conjuntos de datos de presencias muestran algunas áreas cosechadas que no son climáticamente adecuadas según EcoCrop. La falta de correspondencia puede deberse a varias razones incluidas la duración del ciclo del cultivo, la calidad de los datos de SPAM, Monfreda et al. (2008) o GBif, la medida en que la distribución observada del cultivo sigue el nicho potencial del cultivo y no la representatividad actual, restricciones o reglamentaciones nacionales que limitan la producción en ciertas áreas (e.g., áreas protegidas) y/o limitaciones intrínsecas del modelo EcoCrop.

Figura 17. Idoneidad climática actual de los siete cultivos básicos seleccionados: aguacate, banano, cítricos, cacao, café, plátano y caña de azúcar en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop. El rojo representa baja idoneidad y el verde representa una alta idoneidad. ArcGIS Pro 3.1 (https://pro.arcgis.com).

Figura 18. Idoneidad climática actual de los siete cultivos comerciales seleccionados: aguacate, banano, cítricos, cacao, café, plátano y caña de azúcar en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop. El rojo representa baja idoneidad y el verde representa una alta idoneidad. ArcGIS Pro 3.1 (https://pro.arcgis.com).

4.3.2. Cambios en la aptitud climática a futuro Cambios significativos en los patrones de precipitación y en la temperatura, aún desde el corto plazo (2030s), son proyectados para la región de Centroamérica, el este de México y el Caribe (ver Sección 4.2.1). La distribuciones mensuales, estacionales y anuales de la precipitación y la temperatura influyen directamente con el crecimiento de los cultivos y su aptitud agroclimática. El cambio climático, afectará de manera positiva o negativa, las actuales zonas de producción de diversos cultivos de la región. Con base en el modelo EcoCrop, los cambios proyectados en la idoneidad climática de cultivos de importancia para la seguridad alimentaria son mostrados en las Figura 19 a Figura 25 y, para cultivos con valor comercial en las Figura 26 a Figura 32. A pesar de que los aumentos de temperatura proyectados para la región brindan oportunidades a las áreas que actualmente están limitadas por las temperaturas mínimas, podrían afectar negativamente las zonas de producción de los diversos cultivos con condiciones más cálidas que sus rangos óptimos. Cambios leves de temperatura podrían incluso provocar la desaparición de los cultivos en ciertas zonas de la región. Cambios en las precipitaciones a futuro provocarían efectos diferenciados en los sistemas productivos de la región. Aumentos de precipitación podría beneficiar a aquellas áreas actualmente limitadas por la escasez de precipitaciones (e.g., zonas del este de México y este de Panamá). Por el contrario, los déficits de precipitación proyectados en gran parte de Guatemala, Honduras, Nicaragua, El Salvador y el Caribe, podrían constituirse en un factor limitante en zonas de producción actualmente presionadas por bajas precipitaciones. En el caso del arroz (secano), a diferencia de otros cultivos como se verá más adelante, podría verse beneficiado en muchas de sus áreas de crecimiento a lo largo de la región, en particular en áreas como el este de México, la franja transversal del norte y el altiplano en Guatemala, la región occidental de Honduras, centro norte de Nicaragua, zonas de elevación media de Costa Rica y Panamá (Figura 19). El arroz puede verse favorecido por los incrementos en radiación y temperaturas más cálidas que afectan comúnmente a otro tipo de cultivos (Gourdji et al., 2015), exhibiendo resiliencia ante condiciones de cambio climático (Prager et al., 2020). La península de Yucatán y algunas otras zonas bajas de América Central continental y el Caribe, son las únicas que despliegan baja idoneidad a futuro, aunque el cultivo podría subsistir de manera marginal (Figura 19).

Comparado con otras leguminosas, el frijol es poco adaptable a condiciones cambiantes en el clima, en particular a las pocas lluvias o a las altas temperaturas. Los análisis espaciales con EcoCrop reflejan esta situación. Si bien las condiciones de clima actual permiten una distribución amplia del cultivo en la región de CAMEXCA, a futuro se evidencia una drástica reducción (Figura 21). La mayor disminución de las zonas cultivables podría ocurrir en los márgenes de las zonas más limitadas por las altas temperatura que se vuelven menos adecuados a medida que aumentan las temperaturas a futuro, por ejemplo, en gran parte de los países de Mesoamérica, sureste de México, República Dominicana y Haití. De igual forma, en zonas que actualmente reciben pocas lluvias y que a futuro podrían ser más secas, también se vería limitado el desarrollo de cultivo. Aún ante cambios modestos de precipitación y temperatura, proyectados bajo los escenarios SSPs de menores emisiones y a horizontes de tiempo menos lejanos, los cambios negativos de aptitud serían muy significativos. Solo en algunas regiones montañosas de países como Guatemala, México y Costa Rica, que se verían favorecidas por aumentos graduales de temperatura, el cultivo podría ser hasta un 30% más idóneo. En condiciones actuales el maíz presenta una idoneidad climática medianamente óptima en regiones con altitud mayor a los 600 m.s.n.m., en la región CAMEXCA. Los escenarios futuros proyectan una pérdida de área de aptitud climática para el maíz generalizada para toda la región, hasta un 30% menos en zonas de montaña y de más del 30% en zonas de ladera (Figura 22). Esto se traduce en que, zonas donde actualmente crece el maíz de manera medianamente óptima, comúnmente con variedades tradicionales sembradas por pequeños agricultores de bajos recursos, cambiarían hacia zonas marginales de crecimiento, afectando directamente la seguridad alimentaria de las familias rurales. Incluso en países como México, catalogado como amplio productor de maíz a nivel mundial, se proyecta una reducción drástica de las áreas aptas para producción. Después de México, Honduras es el país más afectado por una drástica reducción de la idoneidad en maíz, reflejada desde el horizonte de tiempo de 2030s y acentuándose hacia 2070s, bajo todos los escenarios. Las modelaciones sobre papa muestran un ligero incremento de idoneidad en algunas áreas montañosas del este de México, el altiplano occidental de Guatemala y Costa Rica, debido a los incrementos de las temperaturas mínimas en áreas muy frías (Figura 23), siendo estas la mayor limitante del crecimiento del cultivo (Schafleitner et al., 2011). Sin embargo, el

efecto combinado del aumento de las temperaturas y el déficit de precipitación a futuro proyectado en gran parte de la región llevaría a reducciones significativas en la idoneidad climáticas en la mayor parte de las zonas de producción papera del este de México, Guatemala, Honduras, El Salvador, Nicaragua y El Caribe, que se acentúan hacia finales de siglo y bajo escenarios de altas emisiones tal y como sucede con la mayor parte de los cultivos estudiados. En la actualidad, la papa crece de manera óptima en zonas de alta montaña (>1400 m.s.n.m.), de manera medianamente óptima en zonas de altitud media (600-1400 m.s.n.m.) y de manera marginal en piedemontes (<600 m.s.n.m.). Dichas zonas cambiarían su aptitud a medianamente óptima, marginal y no aptas respectivamente desde mediados de siglo XXI. Los análisis espaciales del cambio de idoneidad del cultivo de la yuca muestran que, para los diferentes escenarios SSP y periodos de tiempo, muy pocas áreas perderían aptitud climática (Figura 25). Solamente en la Península de Yucatán y el oeste de República Dominicana se proyectan algunos cambios negativos de aptitud y solo se evidencian en escenarios de altas emisiones y a finales de siglo. Por el contrario, los análisis espaciales revelan que algunas áreas ganarían hasta un 20% de aptitud en 2030s y hasta 40% hacia 2070s, normalmente hacia zonas de mayor altitud (Figura 25). Gran parte de las áreas actualmente aptas, particularmente zonas bajas, permanecerían invariables. Estos resultados coinciden con la plasticidad y capacidad de crecimiento de la yuca en un amplio rango de condiciones, desde zonas semiáridas hasta zonas lluviosas (Beltrán-Tolosa et al., 2020). Diversos estudios muestran que la yuca posee cualidades que le permiten tener alto potencial de adaptación al cambio climático, debido a su resiliencia a altas temperaturas (Ceballos et al., 2011; Fernandes et al., 2017; Jarvis et al., 2012). Además, la evidencia científica muestra que las temperaturas por encima del óptimo (> 32°C) aumentan tasas fotosintéticas (Cock et al., 1979; El-Sharkawy et al., 1984) y, por lo tanto, se adaptaría bien al cambio climático progresivo. Las bajas temperaturas (<22°C), por el contrario, inhiben el crecimiento de las plantas y reducen la tasa de producción de hojas, la biomasa y el rendimiento de raíces (Jarvis et al., 2012). La yuca no tiene un período crítico en su ciclo de crecimiento una vez que se ha establecido, lo que contrasta con cultivos como los granos básicos como maíz que presentan pérdidas de frecuentes en cosecha por estrés hídrico en sus etapas fenológicas. Por lo tanto, la yuca no es sólo tolerante a la sequía sino

también a patrones erráticos de lluvia (Jarvis et al., 2012). Por lo tanto, es razonable esperar que, bajo un clima cambiante de temperaturas más altas y patrones de precipitación variables como los proyectados en la región de CAMEXCA, estas características favorables del cultivo faciliten su adaptación a futuro. Cultivos de porte arbustivo como el chile o el tomate modelados en este estudio, presentan una muy alta idoneidad actual (Figura 17). Para el chile, a futuro se proyecta a seguir teniendo ambientes favorables para su crecimiento (Figura 20), debido a los climas cálidos donde se desarrolla óptimamente y las altitudes (desde el nivel del mar hasta los 2,500 m.s.n.m). Para tomate se proyecta una drástica disminución de aptitud climática (Figura 24) en zonas bajas (<1,000 m.s.n.m.), sobre todos los horizontes de tiempo y escenarios, tanto en zonas continentales como insulares. Esto puede deberse a un efecto combinado del aumento de temperatura en zonas cálidas que actualmente son aptas pero que se tornarían más cálidas a futuro y el estrés de agua por el incremento de la sequía (Cammarano et al., 2022). Mejoras genéticas podrían ayudar al cultivo a adaptarse mejor en diferentes zonas de la región a futuro. A pesar del panorama de disminución en la adaptabilidad del tomate a futuro, a partir de los aumentos de temperatura a futuro, zonas de montaña podrían tornarse en ambientes climáticamente muy idóneos para el desarrollo del cultivo.

Figura 19. Cambio porcentual en la idoneidad climática futura (arriba) y cambios reclasificados (abajo), para el cultivo de arroz, en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop (promedio de 24 GCMs).

Figura 20. Cambio porcentual en la idoneidad climática futura (arriba) y cambios reclasificados (abajo), para el cultivo de chile, en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop (promedio de 24 GCMs).

Figura 22. Cambio porcentual en la idoneidad climática futura (arriba) y cambios reclasificados (abajo), para el cultivo de maíz, en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop (promedio de 24 GCMs).

Figura 23. Cambio porcentual en la idoneidad climática futura (arriba) y cambios reclasificados (abajo), para el cultivo de papa, en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop (promedio de 24 GCMs).

Figura 24. Cambio porcentual en la idoneidad climática futura (arriba) y cambios reclasificados (abajo), para el cultivo de tomate, en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop (promedio de 24 GCMs).

Figura 25. Cambio porcentual en la idoneidad climática futura (arriba) y cambios reclasificados (abajo), para el cultivo de yuca, en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop (promedio de 24 GCMs).

La idoneidad climática de sistemas productivos de banano y plátano podría verse significativamente reducidas a futuro en zonas de baja altitud cómo el nordeste de México, el norte y la costa pacífica de Guatemala, la costa pacífica de El Salvador, Nicaragua, Panamá y Costa Rica (Figura 27 y Figura 31). Pese a la similitud existente entre el cultivo de banano y plátano en cuanto a fisiología y requerimientos climáticos, el plátano sería particularmente afectado de manera negativa en estas zonas (Figura 31). En efecto, estas zonas bajas (<800 m.s.n.m.) que cuentan con altas temperaturas durante todo el año (Figura 6), podrían experimentar períodos de excesivas altas temperaturas junto con reducciones de precipitación, que afectan la floración y el llenado de fruto (RamírezVillegas et al., 2011). Los aumentos en temperatura y la consecuente pérdida de aptitud son graduales, acentuándose hacia mediados y finales de siglo (2050s y 2070s respectivamente; Figura 10 Figura 12), dando una ventana de oportunidad a la adaptación. Algunos países de la región como Costa Rica o Guatemala son grandes exportadores de banano (segundo y tercer exportador más grande de Latinoamérica respectivamente; FAO, 2022), lo que limitaría la sustitución del cultivo en zonas menos aptas a futuro. Siendo la temperatura el principal factor regulador del desarrollo de los cultivos de banano y plátano (Intagri S.C., 2023), a mayores altitudes se espera una mejor idoneidad a futuro de las musáceas. Zonas como al suroeste de México, los valles de oriente de Guatemala, la región montañosa central de Honduras, el centro norte de Nicaragua, y el centro y costa Atlántica de Costa Rica (Figura 27 y Figura 31), podrían ser más aptas. Aunque en estas zonas el clima proyectado a futuro podría favorecer el aumento de la producción de banano y plátano (40% y 30% de mayor idoneidad respectivamente), requerirían la expansión de la frontera agrícola y adopción de nuevas prácticas y tecnologías. Como lo denota Bunn et al. (2019) se evidencia en la aptitud actual modelada en el presente estudio (Figura 18), existen dos corredores de idoneidad para la producción de cacao en Centroamérica: el primero, iniciando desde el sureste de México y continuando por el norte de Guatemala y Honduras; el segundo, por la costa pacífica atravesando Guatemala, El Salvador, Nicaragua, Costa Rica y parte de Panamá. Hacia futuro se proyecta una reducción significativa de las áreas idóneas para el cacao en ambos corredores (Figura 29), ligeramente acentuada hacia la costa pacífica. Algunas de las reducciones más relevantes se presentarían en Yucatán, centro de Honduras y norte de Nicaragua, Cuba y República Dominicana (>30%). En otras los cambios negativos no

serían tan drásticos, pero estarían en el orden del 0-30% de pérdida de aptitud. No obstante, algunas regiones de ladera del este de México, Guatemala, Honduras y Costa Rica podrían verse favorecidas en idoneidad climática, por el aumento progresivo de la temperatura (incluso más del 30% de cambio de aptitud). Este contraste entre diferentes grados de cambios de aptitud a futuro, sugieren la adopción de diferentes estrategias para mantener las plantaciones de cacao, que pueden ir desde esfuerzos mínimos a moderados (adaptación incremental a sistémica), o bien, en zonas en donde deje de ser rentable el cultivo, trascender hacia otros tipos de cultivos. De manera similar al cacao, el café es un cultivo altamente sensible a cambios en las condiciones climáticas. Pese a que Centro América es una de las regiones más prolíficas para la producción de café en el mundo, a futuro se esperan unos impactos muy negativos sobre la idoneidad del cultivo en toda la región, salvo en condiciones de mayor altitud a las zonas de producción actual que se volverían más aptas (Figura 30). Temperaturas más altas a futuro harían que las zonas aptas para café de la actualidad (refiriéndose a Coffea arabica en este estudio), normalmente ubicadas entre los 400 y los 2,000 m.s.n.m., se muevan a zonas más altas. Como lo denota Ovalle-Rivera et al. (2015), algunos países como Nicaragua, El Salvador, e incluso el Caribe, que no tienen altas montañas, serían los más afectados por estos movimientos altitudinales. Algunos otros países como Guatemala, el este de México, Honduras y Costa Rica ganarían idoneidad climática en elevaciones por encima de los 1,500 m.s.n.m., lo que podría compensar en parte las pérdidas de aptitud en las zonas menos elevadas. Comúnmente estas zonas están cubiertas de bosques de altura por lo que a futuro aumentarían las presiones sobre zonas protegidas y los recursos ecosistémicos en general de estos países. A pesar de que el cambio negativo de aptitud sería generalizado para la región de estudio, Centroamérica enfrentaría las mayores pérdidas de aptitud, hasta del 40% en 2070s en Nicaragua, El Salvador y Honduras. En México y Guatemala, se presentarían también significativas reducciones en la idoneidad (entre el 30-40% en escenarios de más altas emisiones y/o horizontes de tiempo más lejanos), combinadas con aumentos de aptitud en zonas de alta montaña (Figura 30). Las perspectivas para café a futuro no son nada alentadoras en general, ciertamente una “taza amarga” para la región (Bunn et al., 2015). Al igual que el cacao, diferentes grados de adaptación se necesitan para la región, dependiendo al gradiente de impacto del cambio climático.

La mayor parte de las áreas planas de la región CAMEXCA tienen una aptitud óptima para el desarrollo de caña de azúcar, por ejemplo, en la bocacosta de Guatemala, la costa pacífica de Nicaragua y el este de México, la península de Yucatán y gran parte de las islas de Cuba, República Dominicana y Haití (Figura 18). A futuro la caña de azúcar muestra aumentos y disminuciones de idoneidad en la región del este de México, Centroamérica y el Caribe (Figura 32). Los aumentos en el área idónea son evidentes en Honduras, sureste de Guatemala, las zonas bajas de Nicaragua, El Salvador y zonas bajas del Caribe a excepción de Cuba. Las pérdidas de idoneidad climática para este cultivo se encuentran en áreas con tendencia al déficit de precipitación, por ejemplo, la península de Yucatán y la costa pacífica de México, Cuba, bocacosta en Guatemala, y el oeste de Nicaragua. Si bien estas áreas estarían fuertemente impactadas a futuro, hay un área importante que conservan o aumentan la idoneidad climática en la región de estudio, debido a la variación local en las precipitaciones futuras y a un aumento de la idoneidad por mayor temperatura. Para Centroamérica Lobell et al. (2008) también reportan impactos positivos para caña de azúcar en Centroamérica y el Caribe. Finalmente, para árboles frutales como aguacate y cítricos, si bien presentan una alta idoneidad actual (Figura 18), los efectos del clima futuro sobre su aptitud son diferenciados, desplegando ambientes idóneos y mucho más idóneos para aguacate (Figura 26) y menos idóneos para cítricos (Figura 28). Zonas más aptas a futuro para aguacate incluyen la península de Yucatán, los valles orientales de Guatemala, El Salvador, la región central de Honduras, la zona montañosa de Nicaragua y gran parte del Caribe. El aguacate puede ser particularmente más apto a futuro en ciertas zonas por el aumento del rango de temperatura diurna (diferencias entre la temperatura máxima y mínima, que tienden a ser mayores a futuro), que aumenta las posibilidades de apertura de las flores y, en consecuencia, mayor potencial de polinización y fructificación (Howden et al., 2005). Sin embargo, las áreas aptas para las plantaciones de aguacate podrían ver disminuciones por un efecto combinado del aumento de temperatura y noches más cálidas, que estresan la planta en periodos de floración. En el caso de los cítricos zonas menos aptas a futuro incluirían el este de México, el norte y sur de Guatemala, costa pacífica de Costa Rica y gran parte de Panamá. Las altas temperaturas afectan a las plantas de cítricos, aumentando la transpiración y la fotosíntesis, desestabilizando sus membranas celulares e incrementando el daño oxidativo (Balfagón et al., 2022).

Figura 26. Cambio porcentual en la idoneidad climática futura (arriba) y cambios reclasificados (abajo), para el cultivo de aguacate, en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop (promedio de 24 GCMs).

Figura 27. Cambio porcentual en la idoneidad climática futura (arriba) y cambios reclasificados (abajo), para el cultivo de banano, en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop (promedio de 24 GCMs).

Figura 28. Cambio porcentual en la idoneidad climática futura (arriba) y cambios reclasificados (abajo), para cultivos cítricos, en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop (promedio de 24 GCMs).

Figura 29. Cambio porcentual en la idoneidad climática futura (arriba) y cambios reclasificados (abajo), para el cultivo de cacao, en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop (promedio de 24 GCMs).

Figura 30. Cambio porcentual en la idoneidad climática futura (arriba) y cambios reclasificados (abajo), para el cultivo de café, en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop (promedio de 24 GCMs).

Figura 31. Cambio porcentual en la idoneidad climática futura (arriba) y cambios reclasificados (abajo), para el cultivo de plátano, en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop (promedio de 24 GCMs).

Figura 32. Cambio porcentual en la idoneidad climática futura (arriba) y cambios reclasificados (abajo), para el cultivo de caña de azúcar, en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop (promedio de 24 GCMs).

La Figura 33 muestra diagramas de cajas del cambio de idoneidad porcentual para cada cultivo a nivel de región y, las Figura 34 y Figura 35, por países. En general son más los impactos negativos que positivos en el cambio de idoneidad de los cultivos en la región. Los cambios de idoneidad para la región oscilan entre +15% y -60% (primer cuartil a 2030s y tercer cuartil a 2070s; Figura 33), considerando todos los escenarios SSP y periodos. Los cultivos con mayores pérdidas de idoneidad proyectadas son plátano (-12 a 60%), frijol (-17 a -47%), café (-9 a -35%) y tomate (-10 a 37%). Cultivos que despliegan una pérdida de idoneidad moderada incluyen papa (-9 a -32%), maíz (-7 a -25%) y banana (-4 a -22%). Cultivos con cambios negativos, pero que también despliegan algunos cambios positivos de aptitud son cítricos (+2 a -12%), chile (+1 a -5%), cacao (+2 a -11%), arroz (+2 a -2%), caña de azúcar (+5 a -2%), yuca (+2 a +5%) y aguacate (+7 a +15%), siendo estos tres últimos los que mantienen o tendrían mayores ganancias porcentuales de aptitud en algunas zonas de la región. Dado a que la idoneidad es calculada como un efecto combinado entre la precipitación y la temperatura según el modelo EcoCrop, puede que en algunas zonas existan aumentos de la idoneidad por temperatura sin un cambio en la idoneidad de la precipitación (y viceversa), lo que tiene como efecto un aumento de la idoneidad general.

Figura 33. Impactos del cambio climático en diversos cultivos en la región de Centroamérica, este de México y el Caribe en términos de cambio de idoneidad (%; arriba) y de la proporción de áreas impactadas positiva y negativamente (AIP/AIN; abajo). Los diagramas de caja son combinaciones de cultivos por periodo (2030s blanco, 2050s gris, 2070s gris oscuro) considerando todos los SSP. Líneas gruesas son la mediana; las cajas muestran el primer y tercer cuartil.

La proporción de las áreas impactadas positivamente sobre las impactadas negativamente (AIP/AIN; Figura 33), es inferior a 1 en cultivos como banana, café, frijol, maíz, papa, plátano y tomate, indicando que las áreas impactadas negativamente son más grandes que las áreas impactadas positivamente a lo largo de la región. En cacao, chile y cítricos, las áreas impactadas positivamente son mayores hacia 2030s, pero hacia 2050s y 2070s, las áreas impactadas negativamente son mayores, mostrando una pérdida de aptitud gradual. Como se indicó previamente, los cultivos más resilientes en la región son aguacate, arroz y yuca, manteniendo o ganando áreas de aptitud favorable hacia futuro. Sin embargo, conforme avanza el tiempo, hacia mediados y finales del siglo XXI, la proporción de áreas impactadas positiva y negativamente se va reduciendo, indicando pérdida de aptitud gradual. Aunque las tendencias de cambio de aptitud son relativamente similares a través de los países de la región de Centroamérica, México y el Caribe, se proyecta que los países del Caribe serían particularmente impactados de forma negativa en cuanto a idoneidad climática para diversos cultivos, incluyendo Cuba, República Dominicana, Haití, Jamaica y Puerto Rico (Figura 34). En cuanto a países de Mesoamérica y México, los impactos negativos sobre idoneidad también son altos, aunque menos severos que en el Caribe, y con una ligera tendencia a ser mayores a medida que aumenta la latitud. Los cambios generales de aptitud son menos severos hacia periodos más cercanos en el tiempo y se intensifican hacia horizontes de tiempo más lejanos en todos los países. Entre todos los cultivos aquí analizados, el plátano presenta la mayor dispersión en los valores de cambio de idoneidad climática, tanto a nivel de región como a través de todos los países (Figura 33 y Figura 34), indicando que existirían áreas con ligeras pérdidas de aptitud climática y áreas con pérdidas mayores. Cultivos que presentan tanto ganancias como pérdidas son aguacate, arroz, banano, cacao, caña de azúcar, chile, cítricos y yuca, en gran parte de los países. Dichos cambios sugieren que existirán zonas al interior de los países de la región, donde estos cultivos ya no serían una opción viable de producción (áreas fuertemente reducidas en aptitud), donde los cultivos podrían subsistir con la implementación de medidas de adaptación (cambios moderadamente negativos de aptitud) o donde los cultivos podrían subsistir donde antes no era posible (ganancias significativas de aptitud). Sin embargo, son más los cultivos y países que donde las áreas positivamente impactadas son menores que las negativamente impactadas (Figura 35).

Figura 34. Impactos del cambio climático en diversos cultivos en la región de Centroamérica, este de México y el Caribe en términos de cambio de idoneidad (%). Los diagramas de caja son combinaciones de cultivos por país y por periodo (2030s blanco, 2050s gris, 2070s gris oscuro) considerando todos los SSP. Líneas gruesas son la mediana; las cajas muestran el primer y tercer cuartil. La línea punteada corresponde al 0% de cambio de aptitud.

Figura 35. Impactos del cambio climático en diversos cultivos en la región de Centroamérica, este de México y el Caribe en términos de la proporción de áreas impactadas positiva y negativamente (AIP/AIN). Los diagramas de caja son combinaciones de cultivos por país y por periodo (2030s blanco, 2050s gris, 2070s gris oscuro) considerando todos los SSP. Líneas gruesas son la mediana; las cajas muestran el primer y tercer cuartil. Valores superiores a 1(línea punteada), indican que las áreas impactadas positivamente son más grandes que las áreas impactadas negativamente.

4.3.3. Incertidumbres en las proyecciones de idoneidad climática El análisis de incertidumbre para los valores proyectados de idoneidad climática futura muestra una desviación estándar (SD) que va desde 0 a 50% que varía conforme a la distribución geográfica de los cultivos (Figura 36). Para el aguacate, por ejemplo, la incertidumbre asociada a la proyección de la idoneidad climática es alta en hacia el este de la región de Mesoamérica y en cultivos como cítricos y arroz es alta hacia la península de Yucatán. Cacao también muestra una dispersión alta en zonas de Mesoamérica y el Caribe. La alta incertidumbre en estas proyecciones también se puede observar en la diferencia entre los GCM “pesimistas” (i.e., el cuartil más bajo; Figura 37) y las proyecciones “optimistas” (i.e., el cuartil más alto; Figura 38). Las diferencias entre estas proyecciones son significativas en cultivos como cítricos, arroz, caña de azúcar, frijol y plátano, donde los modelos despliegan unas fuertes reducciones en idoneidad bajo la proyección pesimista pero fuertes aumentos bajo la proyección optimista. A pesar de la incertidumbre descrita, aún bajo el escenario de mayores emisiones (SSP58.5) y el horizonte de tiempo más lejano (2070s), la desviación estándar en las proyecciones de idoneidad no es significativamente alta para la mayor parte de los cultivos y los países, normalmente por debajo del 20% considerando los 24 GCMs analizados, lo cual sugiere que las proyecciones son aceptables. La mayor parte de dichos modelos están de acuerdo con la dirección de cambio positiva o negativa en la idoneidad climática (Figura 39). De igual forma, pese a que las concentraciones de gases de efecto invernadero son similares en los años 2030s, después de mediados de siglo, las diferencias entre los periodos son más pronunciadas y la incertidumbre es mayor, bajo el mismo escenario de emisiones (Figura 40). Para arroz, banana, café, chile, cítricos, maíz, papa, tomate y yuca, la confianza en las proyecciones de idoneidad es mayor considerando todos los escenarios, modelos, periodos y países (SD < 10%) que, para los demás cultivos, aunque los valores de estos últimos son aceptables (SD < 30%, con pocas excepciones). Los análisis también muestran una confianza considerablemente alta en las áreas impactadas positivamente (SD < 10%; Figura 40), sin embargo, hay menos certeza cuando los impactos previstos son negativos, particularmente en cultivos como aguacate, cacao, caña de azúcar, tomate y otros. Como se analizó previamente, el cultivo de plátano es el que presenta mayor variabilidad en las proyecciones de idoneidad, aunque los modelos muestran un buen acuerdo (SD <20%).

Figura 36. Desviación estándar de los cambios en la idoneidad climática basada en las corridas sobre 24 GCMs bajo el escenario SSP5-8.5 y el periodo 2070s, para diversos cultivos en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop. Valores en porcentaje.

Figura 37. Promedio de los cambios en la idoneidad climática del primer cuartil (25%) de los 24 GCMs bajo el escenario SSP5-8.5 y el periodo 2070s, para diversos cultivos en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop. Valores en porcentaje.

Figura 38. Promedio de los cambios en la idoneidad climática del tercer cuartil (25%) de los 24 GCMs bajo el escenario SSP5-8.5 y el periodo 2070s, para diversos cultivos en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop. Valores en porcentaje.

Figura 39. Número de modelos que están de acuerdo con el cambio de la idoneidad climática futura basada en las corridas sobre 24 GCMs bajo el escenario SSP5-8.5 y el periodo 2070s, para diversos cultivos en la región de Centroamérica, este de México y el Caribe modelada con EcoCrop.

Figura 40. Cambios proyectados en la idoneidad climática expresada como un promedio de 24 GCMs y su incertidumbre expresada como la desviación estándar de los GCMs bajo el escenario SSP5-8.5. Los colores corresponden a los periodos futuros y la tipología a los diferentes países de la región de Centroamérica, este de México y el Caribe.

5. Discusión El objetivo de este estudio fue analizar las implicaciones del cambio climático sobre sistemas agroalimentarios de importancia para la región de Centroamérica, México y el Caribe. Las modelaciones con el modelo EcoCrop mostradas aquí ayudaron a resolver la pregunta de investigación principal, acerca de cómo el cambio climático puede afectar la aptitud y la distribución geográfica de los cultivos de seguridad alimentaria y comerciales a corto, mediano y largo plazo. La cuantificación de estos impactos, a través del modelo EcoCrop, muestran que cambios en los patrones de temperatura y precipitación a futuro afectará de manera positiva y negativa, las actuales zonas de producción de diversos cultivos de la región. En particular, los déficits de precipitación estacional proyectados para la mayor parte del territorio de la región sumados a los aumentos de temperatura tendrían un impacto directo a cultivos de secano debido al aumento del estrés hídrico. No obstante, como se mostró anteriormente, los cambios son diferenciados y se pueden identificar zonas donde los cultivos deben ser adaptados, dónde deben ser diversificados o dónde pueden establecerse nuevas áreas de producción resolviendo la segunda pregunta de investigación guiando el presente estudio. Finalmente, se han analizado y cuantificado las fuentes de incertidumbre asociadas a la modelación de clima-cultivo, lo cuál resolvió la tercera y última pregunta de investigación guiando el estudio.

5.1.

Proyecciones de cambio climático y estudios previos

Pese a que gran parte de estudios que han generado proyecciones de cambios climático para la región de Centroamérica, Mesoamérica y/o el Caribe, consideran un conjunto más reducido de GCM o se fundamentan en escenarios anteriores al CMIP6, las señales y las magnitudes de cambios a futuro, concuerdan con los cambios proyectados en precipitación y temperatura mostrados en el presente estudio. Reyer et al. (2017) proyectan cambios en temperatura media de 3.5 a 4°C en DEF bajo un escenario pesimista (RCP 8.5 del CMIP5, concordante con SSP5-8.5 del CMIP6) hacia finales de siglo y una sequía sustancial que excede el 10-20% de precipitación anual y el 40-50% en el trimestre JJA en el Caribe y Centroamérica, valores similares a los cambios trimestrales en temperatura media y precipitación que se aprecian en la Figura 9 y Figura 11). Los resultados de Ortega et al. (2021) concuerdan con la disminución de las precipitaciones hacia finales del siglo XXI, aunque presentan mayor déficit hacia DEF y no en JJA como se proyecta en el presente

estudio (Figura 9). De igual forma, Ortega et al. (2021) proyectan cambios fuertes de temperatura en la región norte de Centroamérica, aunque sugieren que el cambio sería mayor en SON y no en JJA como se indica en el presente estudio (Figura 11). Sin embargo, concuerdan en que los cambios anuales proyectados indican una ligera tendencia a la disminución de las precipitaciones, basado en datos de CMIP6, y un claro aumento de la temperatura a lo largo del siglo XXI. Almazroui et al. (2021) encontró que el calentamiento en el Caribe es relativamente bajo en comparación con gran parte de las condiciones continentales Mesoamérica (entre + 1,2°C y +3,7 °C para SSP5-8.5). En las proyecciones mostradas en el presente estudio también se puede apreciar un cambio relativamente menor en las anomalías de temperatura (Figura 10 a Figura 12). Almazroui et al. (2021) también encontraron una señal de disminución de precipitación hacia finales de siglo para Centroamérica del 10 % al 40 % en el escenario SSP5-8.5. De igual forma, observaron que hay mayor variación en los cambios de precipitación en JJA y SON, que en el trimestre MAM. Como se halló en el presente estudio, SON es la única temporada del año que exhibe anomalías de precipitaciones positivas hacia finales de siglo (Figura 9), lo que refleja la posibilidad de un retraso en la desaparición de la temporada de precipitaciones de verano. En general, los cambios de precipitación proyectados a lo largo de la región de Centroamérica, este de México y el Caribe, están de acuerdo con las proyecciones de estudios anteriores de una disminución de la precipitación futura en la mayor parte de la región, sin importar utilizando el escenario climático empleado (Almazroui et al., 2021; Campbell et al., 2011; CEPAL y CAC, 2020; Colorado-Ruiz et al., 2018; Gourdji et al., 2015; Imbach et al., 2018; Karmalkar et al., 2011; Ortega et al., 2021; Reyer et al., 2017). En relación con los cambios de temperatura, diversos estudios coinciden en un aumento relativamente mayor hacia la zona norte de la región centroamericana y el este de México, y menores hacia el Caribe (Almazroui et al., 2021; CEPAL y CAC, 2020; Gourdji et al., 2015; Imbach et al., 2018; Ortega et al., 2021; Reyer et al., 2017; Vichot-Llano et al., 2021). Los cambios en temperatura van en función de la magnitud del forzamiento radiativo con el aumento más fuerte bajo el escenario SSP5-8.5 y el aumento más leve bajo SSP1-2.6.

Finalmente, aunque aquí se evalúan los cambios proyectados a gran escala, los escenarios basados en las salidas de GCM con downscaling ayudan a identificar procesos a pequeña escala influyen en la distribución de estos cambios a escala local, particularmente en regiones con topografía compleja (Navarro-Racines et al., 2020; Tamayo et al., 2022). De igual forma, los escenarios de alta resolución resultarán de gran utilidad para cuantificar los impactos del cambio climático en los cultivos a través de la modelación con EcoCrop.

5.2.

Cambios en la aptitud climática y estudios previos

Los resultados del modelo EcoCrop para algunos de estos cultivos concuerdan con modelaciones de estudios previos utilizando EcoCrop y otros modelos de nicho. Dichos estudios, que incluyen resultados sobre Centroamérica, México y/o el Caribe, muestran áreas aptas similares para el desarrollo de cultivos como banano y plátano (RamírezVillegas et al., 2011; Van den Bergh et al., 2012), yuca (Ceballos et al., 2011; Gourdji et al., 2015), frijol (Beebe et al., 2011; Schmidt et al., 2012), papa (Schafleitner et al., 2011), caña de azúcar (Gourdji et al., 2015), cacao (Bunn et al., 2019) y café (Bunn et al., 2015; Gourdji et al., 2015; Ovalle-Rivera et al., 2015). Algunos estudios previos con enfoque de modelación han encontrado señales de cambio de aptitud similares en condiciones geográficas similares a las presentadas aquí, en cultivos como frijol (Beebe et al., 2011; Eitzinger et al., 2012; Ramírez-Cabral et al., 2016; Schmidt et al., 2012), papa (Gourdji et al., 2015; Schafleitner et al., 2011) y maíz (Ramírez-Cabral et al., 2017; Schmidt et al., 2012).

5.3.

Implicaciones para la región

Algunos cultivos de importancia para la seguridad alimentaria como granos básicos (i.e., frijol, maíz), papa y tomate (y posiblemente otros cultivos de huerto), perderían aptitud climática a futuro de manera significativa y su nicho de crecimiento sería ampliamente reducido. Estos resultados tienen mayores implicaciones para la región pues son cultivos que son consumidos a diario, dominan la mayor parte de la dieta de millones de personas en la región y proporcionan gran parte de energía (ingesta calórica) y nutrientes (FAO, 2012; Schmidt et al., 2012). La mayor parte de la producción de maíz y frijol, por ejemplo, es llevada a cabo por pequeños productores con altos niveles de pobreza (CEPAL et al., 2015) y es altamente dependiente de la lluvia. Condiciones de déficit de precipitación

podrían generar considerables pérdidas en la producción de granos básicos y frijol en países de Mesoamérica (Gottret et al., 2020). Las condiciones de inseguridad alimentaria y pérdida de productividad podrían, por tanto, intensificarse por la pérdida de aptitud por el cambio climático, al igual que la pobreza en áreas rurales ya marginadas al presente. En Mesoamérica, la población rural representa casi la mitad de sus habitantes (Baumeister, 2001). De igual forma, algunos cultivos comerciales importantes para la región enfrentarán una idoneidad climática sustancialmente reducida y una reducción de sus nichos de producción, lo que tendría serias implicaciones sobre los ingresos y los medios de vida de los agricultores. Es así como, cultivos con un alto valor comercial estudiados aquí como banano, plátano, cacao y café, serían muy afectados por condiciones de cambio climático futuro. La producción de estos cultivos hace una contribución significativa a la economía de la región, en particular, al ser productos de exportación representan una fuente importante de divisas y de ingresos para numerosos productores y jornaleros, incluyendo aquellos que viven en condiciones de pobreza. Por ejemplo, el trabajo relacionado con el café en la región es una fuente importante de ingresos. La actividad emplea alrededor de 1.8 millones de personas al año en países como El Salvador, Honduras, Nicaragua y Guatemala. Estos ingresos son particularmente importantes para las familias con escasas oportunidades de diversificación en sus medios de vida y cultivos, tal y como lo afirma la Red de Sistemas de Alerta Temprana de Hambrunas (FEWSNET et al., 2014). Algunos países de la región son dependientes de importaciones de estos productos haciéndolos vulnerables a la autosuficiencia. Las proyecciones sobre los impactos del cambio climático mostrados en el presente estudio indican que habrá cambios importantes en la distribución futura de las zonas aptas para diversos cultivos de la región. Como se ha explicado antes, la aptitud y los nichos de diversos cultivos podrían verse seriamente reducidos por condiciones climáticas. Sin embargo, en algunos casos particulares, los cambios de precipitación y temperatura tendrán el efecto contrario. Si bien algunos cultivos de consumo como arroz, chile o yuca, junto con cultivos comerciales como aguacate, cítricos y caña de azúcar, tendrían pérdidas importantes de adaptabilidad en algunos países de la región, mantendrían o ganarían adaptabilidad en otras grandes zonas, y tienen un potencial alto de proveer de comida o asegurar ingresos a las comunidades rurales dependientes de estos.

Al considerar seguridad alimentaria, la yuca resalta como el cultivo con mayor plasticidad ante condiciones de cambio climático. La yuca se adapta en un amplio rango de condiciones ambientales y no tiene un período crítico en su ciclo de crecimiento una vez que se ha establecido, lo que contrasta con cultivos como los granos básicos como maíz que presentan pérdidas de frecuentes en cosecha por estrés hídrico. Bajo un clima cambiante de temperaturas más altas y patrones de precipitación variables como los proyectados en la región de Centroamérica, México y el Caribe, el cultivo vería favorecida su adaptación a futuro. Al igual que la yuca, el arroz secano puede verse favorecido por los incrementos en radiación y temperaturas más cálidas que afectan comúnmente a otro tipo de cultivos, exhibiendo resiliencia ante condiciones de cambio climático y una ampliación de los límites de alta aptitud. Del lado de los cultivos comerciales, la disminución de la idoneidad que se muestra en los resultados de EcoCrop está principalmente relacionada con los aumentos de temperatura proyectados. Sin embargo, cultivos como caña de azúcar y aguacate muestran mantenerse resilientes a futuro. En el caso de la caña de azúcar, la precipitación es el principal factor que reduce la idoneidad, lo que puede ser menos relevante en zonas de ligeros déficit proyectados o en áreas donde se riega la caña de azúcar. En contraste, el aguacate puede ser más adaptable por los aumentos de temperatura, en particular la temperatura mínima de los meses más fríos, pero es muy sensible a cambios en precipitación (Grüter et al., 2022). Si bien algunas de las áreas de producción actuales donde los cultivos estudiados son aptos se tornarían más o menos adaptables por cambio climático, gran parte de estos cultivos necesitarán cambiar su ubicación geográfica para mantener la idoneidad. Por ejemplo, las regiones con bajas temperaturas que se volverán más cálidas generarán ambientes aptos para el desarrollo de diversos cultivos como aguacate, arroz, banano, cacao, caña de azúcar, chile, cítricos y yuca bajo los cambios climáticos proyectados en el futuro y como consecuencia de la disponibilidad de nuevas áreas para la producción agrícola. En el futuro, las áreas de producción de estos cultivos podrían expandirse en áreas subtropicales de mayores altitudes y regiones con una distribución de lluvia más favorable (ya sea más húmeda o seca). Esto también puede incluir la concentración de la producción en áreas con un mayor potencial productivo, un proceso que es común con el desarrollo rural exitoso.

5.4.

EcoCrop y prioridades de investigación en adaptación

Avanzar en la comprensión de los impactos que supone los cambios en el clima a futuro es fundamental para que los sistemas agroalimentarios puedan adaptarse. La agricultura se está volviendo cada vez más intensiva en conocimientos y los recursos humanos tienen que mantenerse al día con estos avances para implementar una gestión de los sistemas (Eitzinger et al., 2012). A futuro se deben tomar acciones de para evitar una mayor vulnerabilidad de los sistemas (e.g., evitar pérdidas o mantener la productividad) y los medios de vida de los agricultores de la región. Considerando la cuantificación de impactos mostrada en el presente estudio a través del modelo EcoCrop, es de resaltar que este es un enfoque basado en nichos y, como tal, es difícil relacionar sus resultados con los rendimientos agrícolas reales (Ramírez-Villegas et al., 2013). Las proyecciones de idoneidad no pueden tomarse como impactos directos en la producción, lo que dificulta el poder desarrollar opciones de adaptación, ya que existen muchos otros factores además del clima que ejercen control sobre la productividad de los cultivos. A pesar de estas limitaciones, existen algunas áreas de investigación sobre adaptación para reducir la vulnerabilidad de los sistemas antes la pérdida de idoneidad y la reducción de los nichos de producción a futuro. A continuación, se mencionan diez de ellas que son relevantes para la región de Centroamérica, México y el Caribe: i.

Aumentar la gestión y el uso sostenible del agua. El recurso de agua puede escasear según las proyecciones de clima mostradas, por lo tanto, es esencial un manejo racional del recurso, entendiendo que la agricultura usa al menos el 70% del agua dulce disponible (Almeida et al., 2020). La gestión del recurso hídrico incluye el uso de sistemas más eficientes de riego, la implementación de reservorios de agua (sobre todo en condiciones de corredor seco), estudiar la demanda de los cultivos por región para suplementar con riego solo lo que sea necesario, hacer análisis de suelos y usar técnicas para mantener la humedad en el mismo.

ii.

Desarrollar variedades tolerantes a diversos estreses ambientales. De importancia para la región resulta el desarrollo de variedades que puedan reducir las pérdidas por calor y sequía donde las condiciones se vuelven desfavorables. Se requiere, por ejemplo, una adaptación genotípica para ayudar a los cultivos a adaptarse a

cambios más consistentes en las temperaturas promedio. Mejorar la comprensión de los escenarios futuros de clima, como lo presentado en este estudio, es necesario para definir mejor las prioridades, y establecer objetivos y metas de los programas de mejoramiento (Beebe et al., 2011). Al igual que la definición de las prioridades de mejoramiento, se debe estimular la mejor conservación de los recursos genéticos de diversas especies (Ramírez-Villegas et al., 2012). iii.

Identificar medidas de corto plazo que puedan ayudar a la adaptación de los sistemas a la variabilidad climática y los eventos extremos. Si bien el presente estudio se enfoca en los impactos del cambio climático a futuro, estudiar medidas de adaptación de corto plazo como cambios en la fecha de siembra, cambios en los sistemas de irrigación y la selección de variedades que se comporten mejor para condiciones de lluvia esperadas en el ciclo (e.g., empleando pronósticos climáticos) pueden ayudar a reducir la vulnerabilidad a largo plazo (Almeida et al., 2020). Estas medidas practicadas durante la época de crecimiento del cultivo podrían reducir los impactos de las alteraciones fenológicas (Ramírez-Villegas et al., 2012).

iv.

Analizar el comportamiento de plagas y enfermedades. Si bien la metodología mostrada aquí evalúa los cambios de idoneidad resultantes de los cambios en el clima, la incidencia de plagas y enfermedades en los sistemas productivos podría verse intensificada por los patrones cambiantes de precipitaciones y temperaturas a futuro. Es importante apoyar los sistemas de manejo fitosanitario según se requiera y el monitoreo frecuente de los cultivos.

Manejo de nutrientes disponibles para las plantas. La resiliencia de los sistemas productivos puede ser soportado por un mejorado y sostenible manejo agronómico, que incluya un optimizado uso de insumos agrícolas (e.g., fertilizantes), en dosis recomendadas según las condiciones de suelo y el clima.

vi.

Recuperación de tierras degradadas e intensificación sostenible para evitar una mayor deforestación. Como se discutió antes, gran parte de los cultivos estudiados necesitarán cambiar su ubicación geográfica para mantener la idoneidad o tendrían nuevas áreas de idoneidad en las que actualmente no hay producción y es importante el manejo de los recursos ecosistémicos para impedir que se amplie la barrera agrícola fuera de los límites sustentables del ecosistema. Dado que la

agricultura no solo es afectada por el cambio climático, sino que también es una de sus principales causas, la intensificación sostenible de los sistemas de producción agrícola debe tener en cuenta la necesidad de reducir drásticamente las emisiones de gases de efecto invernadero de las actividades agrícolas y aumentar el potencial de medidas eficaces para mitigar el cambio climático (Schmidt et al., 2012). vii.

Diversificación para incrementar la variedad de fuentes de consumo y los ingresos de las familias productoras. Bajo los análisis presentados en este estudio, los cambios diferenciados de idoneidad pueden ayudar a guiar opciones de diversificación o transformación de los cultivos, para encontrar cultivos más apropiados en condiciones cambiantes de clima. Cultivos más resilientes podrían eventualmente ayudar a sostener la seguridad alimentaria de las familias, en detrimento de la idoneidad de otros cultivos menos resilientes (Jarvis et al., 2012). Diversificación también puede referirse al uso de variedades más locales. El presente estudio se ha centrado en variedades comunes o genéricas, aunque los agricultores locales tienen el potencial de adaptarse bien a condiciones climáticas cambiantes a través de variedades no comerciales que podrían tener un gran potencial para contrarrestar los efectos del cambio climático y ayudar a evitar la inseguridad alimentaria (Schmidt et al., 2012). Finalmente, puede existir diversificación fuera de los límites de la agricultura, al considerar medios de vida alternativos que empodera a los agricultores para que tomen sus propias decisiones de adaptación.

viii.

Co-diseño de prácticas de Agricultura Sostenible Adaptada al Clima (ASAC). Las prácticas ASAC (Collazos et al., 2021; Gottret et al., 2020) incrementan de manera sostenible la productividad y los ingresos a la vez que refuerzan la resiliencia (adaptación) al cambio y a la variabilidad climática, y reducen o eliminan las emisiones de gases de efecto invernadero (o aumenta las capturas de carbono). El estado del arte de la ASAC en la región es muy amplio. Existen diversos portafolios de prácticas ASAC para cultivos en específico o por países, además de marcos de priorización de la implementación de la ASAC en la región y una estrategia regional en la región del SICA (Bunn, 2019a, 2019b; CCAFS et al., 2014, 2015; CIAT, 2017; CIAT y World Bank, 2018; Collazos et al., 2021; Gottret et al., 2020; Loboguerrero y Martínez, 2017; World Bank et al., 2014a, 2014b).

100

ix.

Fortalecer los servicios de información climática y conformar grupos de concertación territorial para la evaluación de impactos de la variabilidad y el cambio climático a nivel local y diseñar medidas de adaptación. En respuesta a los desafíos que supone el cambio y la variabilidad climática, los servicios climáticos tienen el potencial de incrementar la base de conocimiento sobre el clima para el diseño de medidas de adaptación local entre diferentes actores como tomadores de decisión, técnicos y agricultores (Bouroncle et al., 2019). Los servicios climáticos incluyen la generación, traducción, transferencia y uso de información agroclimática orientada por la demanda de los usuarios para habilitar la toma de decisiones informadas sobre el clima (CCAFS y CIAT, 2021; CIAT, 2020). Se ha comprobado que los servicios climáticos tienen el potencial de: (i) aumentar la confianza en la información climática; (ii) hacer que la información sea más comprensible, conocida y conectada; (iii) democratizar el conocimiento agroclimático en los territorios; (iv) transformar la información en conocimiento accionable en campo; y, (v) incidir en la política pública nacional y local de adaptación al cambio climático y la creación de programas o alianzas interinstitucionales (Giraldo-Méndez et al., 2020, 2021). A nivel de la región del SICA hay todo un sistema centrado en el usuario, digitalmente integrado y escalable para apoyar la generación, uso e intercambio de la información agroclimática (CCAFS, 2021a; CCAFS y CIAT, 2021). Uno de los mecanismos principales de entrega de servicios climáticos dentro del sistema son las Mesas Técnicas Agroclimáticas (MTA; CCAFS y CIAT, 2021; Giraldo-Méndez et al., 2021; Loboguerrero et al., 2018). Las MTA son una forma innovadora para que los actores locales estén informados sobre las variaciones climáticas esperadas en su región y cómo estas pueden afectar sus cultivos. Las MTA permiten diálogos abiertos y claros sobre pronósticos climáticos en múltiples escalas de tiempo, cómo estos pueden afectar los cultivos y el diseño de medidas para reducir la pérdida de cultivos, particularmente brindando recomendaciones agronómicas a los agricultores. Estas medidas se transfieren luego a técnicos locales y productores a través del Boletín Agroclimático Local y otros mecanismos, lo que permite reducir la pérdida de cultivos, aumentar la productividad y mejorar la eficiencia en la gestión agroclimática (Alianza Bioversity-CIAT et al., 2021, 2022; CCAFS et al., 2021, 2020; Navarro-Racines, 2020).

101

Diseñar seguros indexados y créditos fundamentados en puntuación de riesgo climático, para la entrega de servicios financieros en unión a los servicios climáticos (bundles). Un sistema de seguros indexados puede ayudar a reducir los riesgos de pérdidas en el sector agropecuario, en particular sobre la agricultura familiar. Los seguros indexados se diferencian de los seguros tradicionales en que las pérdidas y los pagos están determinados usando datos de algunas variables (e.g., clima), sin necesidad de hacer verificaciones en campo, reduciendo considerablemente las primas. Así mismo, créditos fundamentados en riesgo climático, pueden contribuir a la generación de activos o prácticas ASAC para aumentar la resiliencia en las comunidades (CCAFS, 2021b; CCAFS y YAPU Solutions GmbH, 2021).

102

6. Conclusiones El cambio climático será una amenaza a futuro para la seguridad alimentaria, al reducir la adaptabilidad de gran parte de los sistemas agrícolas en Latinoamérica. Para continuar promoviendo el desarrollo agrícola en áreas vulnerables, es imperativo gestionar los riesgos asociados a las amenazas climáticas. Avanzar en la comprensión de los impactos del cambio climático sobre los sistemas agroalimentarios es fundamental para garantizar los medios de vida y seguridad alimentaria de los agricultores en el campo, el incremento de la productividad y la capacidad de adaptación. En la región de Centroamérica, este de México y el Caribe, se proyectan déficits de precipitación estacional en la mayor parte del territorio de manera estacional y anual. El trimestre más húmedo del año (JJA), presenta los mayores déficits de precipitación a corto, mediano y largo plazo. De igual forma, se proyectan aumentos de temperatura mínimas, medias y máximas. Las proyecciones a futuro sobre la región indican un aumento más rápido de la temperatura máxima que de la mínima. Esta discrepancia sugiere la ocurrencia de mayor grados día (diferencia entre temperatura máxima y mínima) a lo largo del año y en consecuencia mayores tasas de evapotranspiración y zonas de aridez más extensas. Los aumentos de temperatura se acentúan hacia el trimestre más húmedo del año (JJA). Hacia el trimestre SON se podrían presentar anomalías positivas de precipitación, reflejando un posible retraso en la desaparición de la temporada de precipitaciones de verano. Los cambios de precipitación y la temperatura a futuro influirán directamente con el crecimiento de los cultivos y su aptitud agroclimática. El cambio climático, afectará de manera diferenciada, las actuales zonas de producción de diversos cultivos de la región. Aumentos de precipitación podría beneficiar a aquellas áreas actualmente limitadas por la escasez de precipitaciones y los déficits podrían constituirse en un factor limitante en zonas de producción actualmente presionadas por bajas precipitaciones. Aumentos de temperatura podrían brindan oportunidades a las áreas que actualmente están limitadas por las temperaturas mínimas, pero afectar negativamente las zonas de producción de los diversos cultivos con condiciones más cálidas que sus rangos óptimos. Cambios leves de temperatura podrían incluso provocar la desaparición de los cultivos.

103

Cultivos de consumo, como lo son el frijol y el maíz, muestran poca adaptabilidad a condiciones cambiantes en el clima. Para frijol la mayor disminución de las zonas cultivables podría ocurrir en los márgenes de las zonas más limitadas por las altas temperatura que se vuelven menos adecuados a medida que aumentan las temperaturas a futuro. Solo en algunas regiones montañosas se verían favorecidas por aumentos graduales de temperatura. En maíz se proyectan pérdidas de zonas climáticamente aptas, hasta un 30% menos en zonas de montaña y de más del 30% en zonas de ladera. Otros cultivos de consumo como la papa muestran un ligero incremento de idoneidad en algunas áreas montañosas debido a los incrementos de las temperaturas mínimas en áreas muy frías. Sin embargo, el efecto combinado del aumento de las temperaturas y el déficit de precipitación a futuro proyectado en gran parte de la región llevaría a reducciones significativas en la idoneidad climática. Para el tomate se proyecta una drástica disminución de aptitud climática en zonas bajas. Estos resultados tienen mayores implicaciones para la región puesto que son cultivos que son consumidos a diario y dominan la mayor parte de la dieta de millones de personas en la región. No todos los cultivos de relevancia para la seguridad alimentaria perderían aptitud de manera substancial. En el caso del arroz secano, por ejemplo, las áreas de producción actuales podrían ser incluso más aptas a futuro. De igual forma para la yuca, donde se esperan ganancias de áreas aptas hacia zonas de mayor altitud. Estos cultivos se adaptarían mejor al cambio climático progresivo de temperaturas más altas y patrones de precipitación variables como los proyectados en la región. También cultivos de porte arbustivo como el chile proyectan seguir teniendo ambientes favorables para su crecimiento a futuro, debido a los climas cálidos donde se desarrolla óptimamente y las altitudes. Cultivos de importancia para la comercialización también tendrían impactos diferenciados a futuro. La idoneidad climática de sistemas productivos de banano y plátano podría verse significativamente reducidas a futuro en zonas de baja altitud. Siendo la temperatura el principal factor regulador del desarrollo de estos cultivos, a mayores altitudes se espera una mejor idoneidad a futuro de estos cultivos. Aunque en estas zonas el clima proyectado a futuro podría favorecer el aumento de la producción de musáceas, se requeriría la expansión de la frontera agrícola y adopción de nuevas prácticas y tecnologías en los cultivos.

104

En otros cultivos comerciales como cacao o café se proyecta una reducción significativa de las áreas idóneas. En el cacao los dos principales corredores de producción de Mesoamérica estarían en riesgo. A futuro, para café, se esperan unos impactos muy negativos sobre la idoneidad del cultivo en toda la región, salvo en condiciones de mayor altitud a las zonas de producción actual que se volverían más aptas. Algunos países como Nicaragua, El Salvador, e incluso el Caribe, que no tienen altas montañas, serían los más afectados por estos movimientos altitudinales. En algunos otros países de Mesoamérica y México, algunas zonas ganarían idoneidad climática en elevaciones por encima de los 1,500 m.s.n.m., lo que podría compensar en parte las pérdidas de aptitud en las zonas menos elevadas. Otros cultivos como la caña de azúcar muestran aumentos y disminuciones de idoneidad en la región. Los aumentos en el área idónea son evidentes en zonas bajas. Las pérdidas de idoneidad climática para este cultivo se encuentran en áreas con tendencia al déficit de precipitación. En los frutales comerciales estudiados, el aguacate puede ser particularmente más apto a futuro en ciertas zonas por el aumento del rango de temperatura diurna. En el caso de los cítricos zonas menos aptas a futuro incluirían el este de México, el norte y sur de Guatemala, costa pacífica de Costa Rica y gran parte de Panamá, afectadas por las altas temperaturas. La reducción de idoneidad de cultivos comerciales tendría importantes implicaciones sobre los ingresos y los medios de vida de los agricultores. En general son más los impactos negativos que positivos en el cambio de idoneidad de los cultivos en la región. Los cultivos con mayores pérdidas de idoneidad proyectadas son plátano, frijol, café y tomate. Cultivos con pérdida de idoneidad moderada incluyen papa, maíz y banana. Cultivos con cambios negativos, pero que también despliegan algunos cambios positivos de aptitud son cítricos, chile, cacao, arroz, caña de azúcar, yuca y aguacate. Aunque las tendencias de cambio de aptitud son relativamente similares a través de los países de la región de Centroamérica, México y el Caribe, se proyecta que los países del Caribe serían particularmente impactados de forma negativa en cuanto a idoneidad climática para diversos cultivos, incluyendo Cuba, República Dominicana, Haití, Jamaica y Puerto Rico.

105

Los cambios observados sugieren que existirán zonas al interior de los países de la región, donde estos cultivos ya no serían una opción viable de producción (hot-spots), donde podrían subsistir con la implementación de medidas de adaptación (spots de adaptación) o donde los cultivos podrían subsistir donde antes no era posible (spots de presión). Sin embargo, son más los cultivos y países que donde las áreas positivamente impactadas son menores que las negativamente impactadas. Se comprueba, por tanto, la hipótesis del estudio con relación a que la magnitud de los riesgos asociados al cambio climático es diferenciada. Si bien algunas de las áreas de producción actuales donde los cultivos estudiados son aptos se tornarían más o menos adaptables por cambio climático, gran parte de estos cultivos necesitarán cambiar su ubicación geográfica para mantener la idoneidad. En el futuro, las áreas de producción de estos cultivos podrían expandirse en áreas subtropicales de mayores altitudes y regiones con una distribución de lluvia más favorable (ya sea más húmeda o seca). Esto también puede incluir la concentración de la producción en áreas con un mayor potencial productivo. A pesar de las limitaciones para diseñar medidas de adaptación a partir de los análisis de idoneidad climática mostrados en este estudio, existen algunas áreas de investigación sobre adaptación para reducir la vulnerabilidad de los sistemas, incluyendo: aumentar la gestión y el uso sostenible del agua, desarrollar variedades tolerantes a diversos estreses ambientales, identificar medidas de corto plazo que puedan ayudar a la adaptación de los sistemas a la variabilidad climática y los eventos extremos, analizar el comportamiento de plagas y enfermedades, manejo de nutrientes disponibles para las plantas, recuperación de tierras degradadas e intensificación sostenible para evitar una mayor deforestación, diversificación para incrementar la variedad de fuentes de consumo y los ingresos de las familias productoras, co-diseño de prácticas de ASAC, fortalecer los servicios de información climática y conformar grupos de concertación territorial para la evaluación de impactos de la variabilidad y el cambio climático a nivel local, diseñar productos financieros fundamentados en puntuación de riesgo climático, entre otros. Los cambios de precipitación proyectados a lo largo de la región de Centroamérica, este de México y el Caribe, están de acuerdo con las proyecciones de estudios anteriores de una disminución de la precipitación futura en la mayor parte de la región. Si bien los análisis de incertidumbres indican que hay unos modelos más fuertemente correlacionados que otros en relación con datos observados de las variables climáticas, no muestran con

106

claridad que haya un acuerdo entre modelos, razón por la cual se consideró todo el rango de GCMs disponibles para la generación de los escenarios climáticos y la cuantificación de impactos en los cultivos con EcoCrop. En el presente estudio se mostró que, aunque la dispersión entre GCM en la representación de la precipitación anual y estacional, hay confidencia en la dirección de cambio medio a futuro. En cuanto a incertidumbres en la modelación de cultivos, se encontró que no es significativamente alta para la mayor parte de los cultivos y los países, lo cual sugiere que las proyecciones son confiables. La mayor parte de los modelos GCM están de acuerdo la dirección de cambio positiva o negativa en la idoneidad climática.

107

Referencias Abatzoglou, J. T., Dobrowski, S. Z., Parks, S. A. y Hegewisch, K. C. (2018). TerraClimate, a high-resolution global dataset of monthly climate and climatic water balance from 1958–2015. Scientific Data, 5, 170191. Alianza Bioversity-CIAT, Centro Internacional de Agricultura Tropical, CCAFS, Programa del CGIAR en Cambio Climático, Agricultura y Seguridad Alimentaria, CIMMYT, Centro Internacional de Mejoramiento de Maíz y Trigo, SADER, Secretaría de Agricultura y Desarrollo Rural de México y CONAGUA, Comisión Nacional del Agua de México. (2021). Recopilación de los Boletines Agroclimáticos en México, 2021. Wageningen, Países Bajos: Programa de investigación del CGIAR sobre cambio climático, agricultura y seguridad alimentaria (CCAFS). Recuperado el 7 de julio de 2023 de https://hdl.handle.net/10568/116226 Alianza Bioversity-CIAT, Centro Internacional de Agricultura Tropical, INSIVUMEH, Instituto Nacional de Sismología, Vulcanología, Meteorología e Hidrología de Guatemala y MAGA, Ministerio de Agricultura, Ganadería y Alimentación de Guatemala. (2022). Recopilación de Boletines Agroclimáticos, Guatemala, 2022 (p. 458p). Rome, Italy. Recuperado el 7 de julio de 2023 de https://hdl.handle.net/10568/126498 Almazroui, M., Islam, M. N., Saeed, F., Saeed, S., Ismail, M., Ehsan, M. A., … Barlow, M. (2021). Projected Changes in Temperature and Precipitation Over the United States, Central America, and the Caribbean in CMIP6 GCMs. Earth Systems and Environment, 5(1), 1–24. https://doi.org/10.1007/s41748-021-00199-5 Almeida, J., Ríos, A., Prager, S., Schiek, B. y Gonzalez-Rodriguez, C. (2020). Five adaptation measures to reduce the vulnerability of Latin America and the Caribbean’s agriculture sector to climate change. Recuperado el 7 de julio de 2023 de IADB Blog website: https://blogs.iadb.org/sostenibilidad/en/five-adaptationmeasures-to-reduce-the-vulnerability-of-latin-america-and-the-caribbeansagriculture-sector-to-climate-change/ Arnell, N. W., Livermore, M. J. L., Kovats, S., Levy, P. E., Nicholls, R., Parry, M. L. y Gaffin, S. R. (2004). Climate and socio-economic scenarios for global-scale climate change impacts assessments: Characterising the SRES storylines. Global Environmental Change, 14(1), 3–20. https://doi.org/DOI: 10.1016/j.gloenvcha.2003.10.004 Arunanondchai, P., Fei, C., Fisher, A., McCarl, B. A., Wang, W. y Yang, Y. (2018). How does climate change affect agriculture. En The Routledge Handbook of Agricultural Economics. New York, USA: Routledge. Baethgen, W. (1997). Vulnerability of agricultural sector of Latin America to climate change. Climate Research - CLIMATE RES, 9, 1–7. https://doi.org/10.3354/cr009001

108

Balfagón, D., Arbona, V. y Gómez-Cadenas, A. (2022). The future of citrus fruit: The impact of climate change on citriculture. Mètode Science Studies Journal, (12), 123–129. https://doi.org/10.7203/metode.12.20319 Bao, Y., Song, Z. y Qiao, F. (2020). FIO-ESM Version 2.0: Model Description and Evaluation. Journal of Geophysical Research: Oceans, 125(6), e2019JC016036. https://doi.org/10.1029/2019JC016036 Baumeister, E. (2001). Algunas tendencias rurales en América Central. 25p. Comisión Económica para América Latina y el Caribe (CEPAL). Beebe, S., Ramirez-Villegas, J., Jarvis, A., Rao, I. M., Mosquera, G., Bueno, J. M. y Blair, M. W. (2011). Chapter 16: Genetic Improvement of Common Beans and the Challenges of Climate Change. En S. Yadav, R. Redden, J. L. Hatfield, H. LotzeCampen y A. Hall (Eds.), Crop Adaptation to Climate Change. Wiley & Sons. Beltrán-Tolosa, L. M., Navarro-Racines, C., Pradhan, P., Cruz-García, G. S., Solis, R. y Quintero, M. (2020). Action needed for staple crops in the Andean-Amazon foothills because of climate change. Mitigation and Adaptation Strategies for Global Change, 25(6), 1103–1127. https://doi.org/10.1007/s11027-020-09923-4 Bi, D., Dix, M., Marsland, S., O’Farrell, S., Sullivan, A., Bodman, R., … Heerdegen, A. (2020). Configuration and spin-up of ACCESS-CM2, the new generation Australian Community Climate and Earth System Simulator Coupled Model. Journal of Southern Hemisphere Earth Systems Science, 70(1), 225–251. Boucher, O., Servonnat, J., Albright, A. L., Aumont, O., Balkanski, Y., Bastrikov, V., … Vuichard, N. (2020). Presentation and Evaluation of the IPSL-CM6A-LR Climate Model. Journal of Advances in Modeling Earth Systems, 12(7), e2019MS002010. https://doi.org/10.1029/2019MS002010 Bouroncle, C., Imbach, P., Rodriguez-Sánchez, B., Medellín, C., Martinez-Valle, A. y Laderach, P. (2017). Mapping climate change adaptive capacity and vulnerability of smallholder agricultural livelihoods in Central America: Ranking and descriptive approaches to support adaptation strategies. Climatic Change, 141(1), 123–137. https://doi.org/10.1007/s10584-016-1792-0 Bouroncle, C., Müller, A., Giraldo, D., Rios, D., Imbach, P., Girón, E., … RamirezVillegas, J. (2019). A systematic approach to assess climate information products applied to agriculture and food security in Guatemala and Colombia. Climate Services, 16, 100137. https://doi.org/10.1016/j.cliser.2019.100137 Bunn, C. (2019a). Achieving climate smart cocoa at scale in Central America and the Caribbean (p. 2p). Cali, CO: International Center for Tropical Agriculture (CIAT). Recuperado el 7 de julio de 2023 de https://hdl.handle.net/10568/103775 Bunn, C. (2019b). Achieving climate-smart coffee in Central America (p. 2p). Cali, CO: International Center for Tropical Agriculture (CIAT). Recuperado el 7 de julio de 2023 de https://hdl.handle.net/10568/103803

109

Bunn, C., Läderach, P., Ovalle Rivera, O. y Kirschke, D. (2015). A bitter cup: Climate change profile of global production of Arabica and Robusta coffee. Climatic Change, 129(1), 89–101. https://doi.org/10.1007/s10584-014-1306-x Bunn, C., Lundy, M., Wiegel, J. y Castro-Llanos, F. (2019). Impacto del cambio climático en la producción de cacao para Centroamérica y El Caribe (p. 34 p). Cali: Centro Internacional de Agricultura Tropical (CIAT). Recuperado el 17 de junio de 2023 de https://hdl.handle.net/10568/101293 Cammarano, D., Jamshidi, S., Hoogenboom, G., Ruane, A. C., Niyogi, D. y Ronga, D. (2022). Processing tomato production is expected to decrease by 2050 due to the projected increase in temperature. Nature Food, 3(6), 437–444. https://doi.org/10.1038/s43016-022-00521-y Campbell, J. D., Taylor, M. A., Stephenson, T. S., Watson, R. A. y Whyte, F. S. (2011). Future climate of the Caribbean from a regional climate model. International Journal of Climatology, 31(12), 1866–1878. https://doi.org/10.1002/joc.2200 CCAFS, Programa del CGIAR en Cambio Climático, Agricultura y Seguridad Alimentaria. (2019). Scaling-up and strengthening of climate services promotes knowledge democratization and practice adoption across Latin America. [Annual Report 2019]. CGIAR Research Program on Climate Change, Agriculture and Food Security. CCAFS, Programa del CGIAR en Cambio Climático, Agricultura y Seguridad Alimentaria. (2021a). A user-centered, digitally integrated, and scalable system support climate information generation, use, and exchange within the Central American Integration System (SICA) encompassing 200+ institutions and reaching 180 000 farmers. [Outcome Impact Case Report]. CGIAR Research Program on Climate Change, Agriculture and Food Security (CCAFS). Recuperado el 7 de julio de 2023 de https://hdl.handle.net/10568/121808 CCAFS, Programa del CGIAR en Cambio Climático, Agricultura y Seguridad Alimentaria. (2021b). Vulnerability methodology and dataset for credit scoring and financing in Ecuador and Guatemala [Innovations]. CGIAR Research Program on Climate Change, Agriculture and Food Security (CCAFS). Recuperado el 8 de julio de 2023 de https://hdl.handle.net/10568/123090 CCAFS, Programa del CGIAR en Cambio Climático, Agricultura y Seguridad Alimentaria, Alianza Bioversity-CIAT, Centro Internacional de Agricultura Tropical, INSIVUMEH, Instituto Nacional de Sismología, Vulcanología, Meteorología e Hidrología de Guatemala y MAGA, Ministerio de Agricultura, Ganadería y Alimentación de Guatemala. (2021). Recopilación de Boletines Agroclimáticos, Guatemala, 2021. Wageningen, Países Bajos: Programa de investigación del CGIAR sobre cambio climático, agricultura y seguridad alimentaria (CCAFS). Recuperado el 7 de julio de 2023 de https://hdl.handle.net/10568/116224 CCAFS, Programa del CGIAR en Cambio Climático, Agricultura y Seguridad Alimentaria, Alianza Bioversity-CIAT, Centro Internacional de Agricultura

110

Tropical y SAG, Secretaría de Agricultura y Ganadería de Honduras. (2020). Recopilación de Boletines Técnicos Agroclimáticos en Honduras 2020. Wageningen, Países Bajos: Programa de investigación del CGIAR sobre cambio climático, agricultura y seguridad alimentaria (CCAFS). Recuperado el 7 de julio de 2023 de https://hdl.handle.net/10568/111683 CCAFS, Programa del CGIAR en Cambio Climático, Agricultura y Seguridad Alimentaria y CIAT, Centro Internacional de Agricultura Tropical. (2021). Executive Summary: Digitally integrated approaches for managing climate risk and increasing food security. Wageningen, Netherlands: CGIAR Research Program on Climate Change, Agriculture and Food Security (CCAFS). Recuperado el 7 de julio de 2023 de https://hdl.handle.net/10568/116850 CCAFS, Programa del CGIAR en Cambio Climático, Agricultura y Seguridad Alimentaria, CIAT, Centro Internacional de Agricultura Tropical y MAGA, Ministerio de Agricultura, Ganadería y Alimentación de Guatemala. (2014). Priorizando la Agricultura Sostenible Adaptada al Clima (ASAC) en Guatemala. Palmira, Colombia: International Center for Tropical Agriculture (CIAT). Recuperado el 7 de julio de 2023 de https://hdl.handle.net/10568/68395 CCAFS, Programa del CGIAR en Cambio Climático, Agricultura y Seguridad Alimentaria, CIAT, Centro Internacional de Agricultura Tropical y MAGA, Ministerio de Agricultura, Ganadería y Alimentación de Guatemala. (2015). Agricultura Sostenible Adaptada al Clima (ASAC): Alternativas para el Corredor Seco en Guatemala. Cali, Colombia: Programa de Investigación de CGIAR en Cambio Climático, Agricultura y Seguridad Alimentaria (CCAFS). Recuperado el 7 de julio de 2023 de https://hdl.handle.net/10568/80719 CCAFS, Programa del CGIAR en Cambio Climático, Agricultura y Seguridad Alimentaria y YAPU Solutions GmbH. (2021). Financing climate resilience: A challenge and an opportunity for science | Scale for Resilience. Recuperado el 8 de julio de 2023 de Scale for Resilience website: https://www.scaleforresilience.global/financingclimate-resilience-a-challenge-and-an-opportunity-for-science/ Ceballos, H., Ramírez, J., Bellotti, A. C., Jarvis, A. y Álvarez, E. (2011). Adaptation of cassava to changing climates. En S. S. Yadav, R. J. Redden, H. L. Jerry, L.-C. Hermann y H. A. E. (Eds.), Crop adaptation to climate change (pp. 411–425). Willey and Blackwell. CEPAL, Comisión Económica para América Latina y el Caribe y CAC, Consejo Agropecuario Centroamericano. (2014). Impactos potenciales del cambio climático sobre los granos básicos en Centroamérica (p. 137). LC/MEX/L: CEPAL. CEPAL, Comisión Económica para América Latina y el Caribe y CAC, Consejo Agropecuario Centroamericano. (2020). Análisis espacial de datos históricos y escenarios de cambio climático en México, Centroamérica, Cuba, Haití y la República Dominicana. Ciudad de México: Comisión Económica para América Latina y el Caribe.

111

CEPAL, Comisión Económica para América Latina y el Caribe, CAC, Consejo Agropecuario Centroamericano, COMISCA, Consejo de Ministros de Salud de Centroamérica, COSEFIN, Consejo de Ministros de Hacienda o Finanzas de Centroamérica, Panamá y República Dominicana, SIECA, Secretaría de Integración Económica Centroamericana, SICA, Sistema de la Integración Centroamericana, … DANIDA, Agencia Danesa de Desarrollo Internacional. (2015). Climate Change in Central America: Potential Impacts and Public Policy Options. Mexico City, Mexico: Comisión Económica para América Latina y el Caribe. Recuperado el 12 de Noviembre de 2022 de https://www.cepal.org/en/publications/39150-climate-change-central-americapotential-impacts-and-public-policy-options Challinor, A. (2009). Towards the development of adaptation options using climate and crop yield forecasting at seasonal to multi-decadal timescales. Environmental Science & Policy, 12(4), 453–465. https://doi.org/DOI: 10.1016/j.envsci.2008.09.008 Challinor, A. y Wheeler, T. (2008). Crop yield reduction in the tropics under climate change: Processes and uncertainties. Agricultural and Forest Meteorology, 148(3), 343–356. https://doi.org/DOI: 10.1016/j.agrformet.2007.09.015 Challinor, A., Wheeler, T., Garforth, C., Craufurd, P. y Kassam, A. (2007). Assessing the vulnerability of food crop systems in Africa to climate change. Climatic Change, 83(3), 381–399. https://doi.org/10.1007/s10584-007-9249-0 Cherchi, A., Fogli, P. G., Lovato, T., Peano, D., Iovino, D., Gualdi, S., … Navarra, A. (2019). Global Mean Climate and Main Patterns of Variability in the CMCC-CM2 Coupled Model. Journal of Advances in Modeling Earth Systems, 11(1), 185–209. https://doi.org/10.1029/2018MS001369 CIAT, Centro Internacional de Agricultura Tropical. (2017). Strengthening capacity for climate-smart agriculture in Central America Policy- and decision-making support for climate change mitigation and adaptation in El Salvador, Guatemala, Honduras, and Nicaragua (p. 2p). International Center for Tropical Agriculture (CIAT). Recuperado el 7 de julio de 2023 de https://hdl.handle.net/10568/79866 CIAT, Centro Internacional de Agricultura Tropical. (2020). Climate Services for Resilient Development (CSRD) Partnership’s work in Latin America (p. 30p). Cali, Colombia: International Center for Tropical Agriculture (CIAT). Recuperado el 7 de julio de 2023 de https://hdl.handle.net/10568/107883 CIAT, Centro Internacional de Agricultura Tropical y World Bank. (2018). Climate-Smart Agriculture in Belize: Identifying Investment Priorities. Washington, D.C.: International Center for Tropical Agriculture (CIAT); World Bank. Recuperado el 7 de julio de 2023 de https://hdl.handle.net/10568/100495 Cock, J. H., Franklin, D., Sandoval, G. y Juri, P. (1979). The Ideal Cassava Plant for Maximum Yield. Crop Sci., 19(2), 271–279. https://doi.org/10.2135/cropsci1979.0011183X001900020025x

112

Collazos, S., Howland, F. y Le Coq, J. F. (2021). Evaluación de la Estrategia agricultura sostenible adaptada al clima (EASAC) para la región SICA. Teoría de cambio de la EASAC y resultados identificados en los países de la región SICA. CGIAR Research Program on Climate Change, Agriculture and Food Security (CCAFS). Recuperado el 7 de julio de 2023 de https://hdl.handle.net/10568/111283 Colorado-Ruiz, G., Cavazos, T., Salinas, J. A., De Grau, P. y Ayala, R. (2018). Climate change projections from Coupled Model Intercomparison Project phase 5 multimodel weighted ensembles for Mexico, the North American monsoon, and the midsummer drought region. International Journal of Climatology, 38(15), 5699–5716. https://doi.org/10.1002/joc.5773 Döscher, R., Acosta, M., Alessandri, A., Anthoni, P., Arsouze, T., Bergman, T., … Zhang, Q. (2022). The EC-Earth3 Earth system model for the Coupled Model Intercomparison Project 6. Geoscientific Model Development, 15(7), 2973–3020. https://doi.org/10.5194/gmd-15-2973-2022 Eitzinger, A., Läderach, P., Bunn, C., Quiroga, A., Benedikter, A., Pantoja, A., … Bruni, M. (2012). Implications of a changing climate on food security and smallholders’ livelihoods in Bogotá, Colombia. Mitigation and Adaptation Strategies for Global Change, 1–16. https://doi.org/10.1007/s11027-012-9432-0 El-Sharkawy, M. A., Cock, J. H. y Held, A. A. (1984). Photosynthetic responses of cassava cultivars (Manihot esculenta; Crantz) from different habitats to temperature. Photosynthesis Research, 5(3), 243–250. https://doi.org/10.1007/bf00030025 ESGF, Earth System Grid Federation. (2022). Earth System Grid Federation (ESGF)— Lawrence Livermore National Laboratory (LLNL). Recuperado el 30 de enero de 2023 de https://esgf-node.llnl.gov/projects/esgf-llnl/ FAO, Organización de la Alimentación y la Agricultura. (2000). The Ecocrop database. Recuperado el 21 de enero de 2021 de http://ecocrop.fao.org/ecocrop/srv/en/home FAO, Organización de la Alimentación y la Agricultura. (2012). Food Security & Staple Crops. IAEA Bulletin, 3(53). Recuperado el 5 de julio de 2023 de https://www.iaea.org/sites/default/files/publications/magazines/bulletin/bull533/53305711111.pdf FAO, Organización de la Alimentación y la Agricultura. (2021). Ecocrop; Database of Crop Constraints and Characteristics. Recuperado el 30 de abril de 2022 de https://gaez.fao.org/pages/ecocrop-search FAO, Organización de la Alimentación y la Agricultura. (2022). Banano - Análisis del Mercado 2021. Roma. Recuperado el 17 de Junio de 2023 de https://www.fao.org/3/cc1610es/cc1610es.pdf Fernandes, L., Nereu, T., Streck, A., Thirza, A. y Santos, L. (2017). Estimating cassava yield in future IPCC climate scenarios for the Rio Grande do Sul State, Brazil. Ciência Rural, Santa Mari, 47, 1–10.

113

FEWSNET, Red de Sistemas de Alerta Temprana de Hambrunas, CAC, Consejo Agropecuario Centroamericano y PROMECAFE, Programa Cooperativo Regional para el Desarrollo Tecnológico y Modernización de la Caficultura. (2014). Ingresos de productores y jornaleros del café se reducirán por segundo año consecutivo. Informe Especial Centroamérica. Recuperado el 5 de julio de 2023 de https://fews.net/sites/default/files/documents/reports/FEWS%20NET%20coffee%2 0rust%20shock%20report%20update_2014_02_es.pdf Fick, S. y Hijmans, R. (2017). WorldClim 2: New 1‐km spatial resolution climate surfaces for global land areas. International Journal of Climatology, 37(12), 4302–4315. https://doi.org/10.1002/joc.5086 Fraga, F. (2020). Corredor seco Centroamericano: Una visión exploratoria sobre el contexto, las razones y el potencial de una estrategia de creación de empleo en Guatemala y Honduras [Documento de trabajo No. 23]. Suiza: Organizacion Internacional del Trabajo (OIT). Fricko, O., Havlik, P., Rogelj, J., Klimont, Z., Gusti, M., Johnson, N., … Riahi, K. (2017). The marker quantification of the Shared Socioeconomic Pathway 2: A middle-ofthe-road scenario for the 21st century. Global Environmental Change, 42, 251– 267. https://doi.org/10.1016/j.gloenvcha.2016.06.004 Fujimori, S., Hasegawa, T., Masui, T., Takahashi, K., Herran, D. S., Dai, H., … Kainuma, M. (2017). SSP3: AIM implementation of Shared Socioeconomic Pathways. Global Environmental Change, 42, 268–283. https://doi.org/10.1016/j.gloenvcha.2016.06.009 GBIF.Org, Servicio de Información sobre Biodiversidad Mundial. (2022a). Descarga de ocurrencias—Manihot esculenta. The Global Biodiversity Information Facility. https://doi.org/10.15468/DL.CFE6Y2 GBIF.Org, Servicio de Información sobre Biodiversidad Mundial. (2022b). Descarga de ocurrencias—Oryza sativa. The Global Biodiversity Information Facility. https://doi.org/10.15468/DL.3W39Y5 GBIF.Org, Servicio de Información sobre Biodiversidad Mundial. (2022c). Descarga de ocurrencias—Phaseolus vulgaris. The Global Biodiversity Information Facility. https://doi.org/10.15468/DL.WFX5KW GBIF.Org, Servicio de Información sobre Biodiversidad Mundial. (2022d). Descarga de ocurrencias—Zea Mays. The Global Biodiversity Information Facility. https://doi.org/10.15468/DL.9QJMD9 GBIF.Org, Servicio de Información sobre Biodiversidad Mundial. (2023a). Descarga de ocurrencias—Coffea arabica [Data set]. The Global Biodiversity Information Facility. https://doi.org/10.15468/DL.RU9628 GBIF.Org, Servicio de Información sobre Biodiversidad Mundial. (2023b). Descarga de ocurrencias—Musa acuminata [Data set]. The Global Biodiversity Information Facility. https://doi.org/10.15468/DL.PKPNWE

114

GBIF.Org, Servicio de Información sobre Biodiversidad Mundial. (2023c). Descarga de ocurrencias—Saccharum officinarum [Data set]. The Global Biodiversity Information Facility. https://doi.org/10.15468/DL.EQ79P8 GBIF.Org, Servicio de Información sobre Biodiversidad Mundial. (2023d). Descarga de ocurrencias—Solanum lycopersicum [Data set]. The Global Biodiversity Information Facility. https://doi.org/10.15468/DL.MFEUSQ GBIF.Org, Servicio de Información sobre Biodiversidad Mundial. (2023e). Descarga de ocurrencias—Solanum tuberosum [Data set]. The Global Biodiversity Information Facility. https://doi.org/10.15468/DL.C63MF7 GBIF.Org, Servicio de Información sobre Biodiversidad Mundial. (2023f). Descarga de ocurrencias—Theobroma cacao [Data set]. The Global Biodiversity Information Facility. https://doi.org/10.15468/DL.VWHFHX Giorgi, F. (2006). Climate change hot-spots. Geophysical Research Letters, 33(8), 1–4. https://doi.org/10.1029/2006GL025734 Giraldo-Méndez, D. C., Camacho, K., Navarro-Racines, C., Martínez-Barón, D., Prager, S. D. y Ramírez Villegas, J. (2020). Outcome Harvesting: Assessment of the transformations generated by Local Technical Agroclimatic Committees In Latin America. CCAFS Working Paper. Giraldo-Méndez, D., Navarro-Racines, C., Martínez-Barón, D., Loboguerrero, A. M., Gumucio, T., Martínez, J. D., … Ramírez-Villegas, J. (2021). Local Technical Agroclimatic Committees (MTA): A detailed guide on its implementation step by step—Second Edition. Cali, Colombia: CGIAR Research Program on Climate Change, Agriculture and Food Security (CCAFS). Recuperado de CGIAR Research Program on Climate Change, Agriculture and Food Security (CCAFS). Recuperado el 5 de febrero de 2022 de https://hdl.handle.net/10568/114943 Gottret, M. V., Westermann, O., Navarro-Racines, C. E., Rosenow, K., Cruz Pereira, J. Á. y Martínez, J. D. (2020). Competencias para la Gestión del Riesgo Climático: Operativizando la Agricultura Sostenible Adaptada al Clima (Working paper Núm. No.347). Wageningen, Netherlands: CGIAR Research Program on Climate Change, Agriculture and Food Security. Recuperado el 5 de febrero de 2022 de https://hdl.handle.net/10568/111390 Gourdji, S., Mesa, J., Moreno, P., Navarro, C., Obando, D., Fisher, M. y Ramirez-Villegas, J. (2015). Climate change vulnerability in the agricultural sector in Latin America and the Caribbean (p. 100). Cali, Colombia: International Center for Tropical Agriculture (CIAT). Grüter, R., Trachsel, T., Laube, P. y Jaisli, I. (2022). Expected global suitability of coffee, cashew and avocado due to climate change. PLOS ONE, 17(1), e0261976. https://doi.org/10.1371/journal.pone.0261976 Gutjahr, O., Putrasahan, D., Lohmann, K., Jungclaus, J. H., von Storch, J.-S., Brüggemann, N., … Stössel, A. (2019). Max Planck Institute Earth System Model

115

(MPI-ESM1.2) for the High-Resolution Model Intercomparison Project (HighResMIP). Geoscientific Model Development, 12(7), 3241–3281. https://doi.org/10.5194/gmd-12-3241-2019 Hajima, T., Watanabe, M., Yamamoto, A., Tatebe, H., Noguchi, M. A., Abe, M., … Kawamiya, M. (2020). Development of the MIROC-ES2L Earth system model and the evaluation of biogeochemical processes and feedbacks. Geoscientific Model Development, 13(5), 2197–2244. https://doi.org/10.5194/gmd-13-2197-2020 Hannah, L., Donatti, C. I., Harvey, C. A., Alfaro, E., Rodriguez, D. A., Bouroncle, C., … Solano, A. L. (2017). Regional modeling of climate change impacts on smallholder agriculture and ecosystems in Central America. Climatic Change, 141(1), 29–45. https://doi.org/10.1007/s10584-016-1867-y Harris, I., Osborn, T. J., Jones, P. y Lister, D. (2020). Version 4 of the CRU TS monthly high-resolution gridded multivariate climate dataset. Scientific Data, 7(1), 109. https://doi.org/10.1038/s41597-020-0453-3 Hawkins, Ed., Osborne, T. M., Ho, C. K. y Challinor, A. J. (2012). Calibration and bias correction of climate projections for crop modelling: An idealised case study over Europe. Agricultural and Forest Meteorology, in press. Hay, L. E., Wilby, R. L. y Leavesley, G. H. (2000). A comparison of delta change and downscaled GCM scenarios for three mountainous basins in the United States. JAWRA Journal of the American Water Resources Association, 36(2), 387–397. https://doi.org/10.1111/j.1752-1688.2000.tb04276.x Hijmans, R. J., Cameron, S. E., Parra, J. L., Jones, P. G. y Jarvis, A. (2005). Very highresolution interpolated climate surfaces for global land areas. International Journal of Climatology, 1978, 1965–1978. https://doi.org/10.1002/joc.1276 Hijmans, R. J., Guarino, L., Cruz, M. y Rojas, E. (2001). Computer tools for spatial analysis of plant genetic resources data: 1. DIVA-GIS. Plant Genetic Resources Newsletter, 127, 15–19. Hoogenboom, G., Porter, C., Boote, K., Shelia, V., Wilkens, P., Singh, U., … Jones, J. (2019). The DSSAT crop modeling ecosystem. En Advances in Crop Modeling for a Sustainable Agriculture. (pp. 173–216). Cambridge, United Kingdom: Burleigh Dodds Science Publishing. https://doi.org/10.19103/AS.2019.0061.10 Howden, M., Newett, S. y Deuter, P. (2005). Climate Change - Risks and Opportunities for the Avocado Industry. 19. Tauranga, New Zealand. Recuperado el 25 de junio de 2023 de http://www.avocadosource.com/Journals/AUSNZ/AUSNZ_2005/%20HowdenMar k2005.pdf Imbach, P., Chou, S. C., Lyra, A., Rodrigues, D., Rodríguez, D., Latinovic, D., … Georgiou, S. (2018). Future climate change scenarios in Central America at high spatial resolution. PLOS ONE, 13(4), e0193570. https://doi.org/10.1371/journal.pone.0193570

116

Imbach, P., Molina, L., Locatelli, B., Roupsard, O., Mahé, G., Neilson, R., … Ciais, P. (2012). Modeling Potential Equilibrium States of Vegetation and Terrestrial Water Cycle of Mesoamerica under Climate Change Scenarios. Journal of Hydrometeorology, 13(2), 665–680. https://doi.org/10.1175/JHM-D-11-023.1 Intagri S.C. (2023). Requerimientos de Clima y Suelo para el Cultivo de Banano. Intagri blog. Recuperado el 17 de junio de 2023 de https://www.intagri.com/articulos/frutales/requerimientos-de-clima-y-suelo-parael-cultivo-de-banano IPCC, Panel Intergubernamental de Expertos de Cambio Climático. (1990). IPCC First Assessment Report (FAR) (IPCC, Ed.). Geneva, Switzerland: IPCC. Recuperado el 12 de abril de 2021 de http://www.ipcc.ch/publications_and_data/publications_and_data_reports.shtml#1 IPCC, Panel Intergubernamental de Expertos de Cambio Climático. (1995). IPCC Second Assessment Report: Climate Change 1995 (SAR) (IPCC, Ed.). Geneva, Switzerland: IPCC. Recuperado el 12 de abril de 2021 de http://www.ipcc.ch/publications_and_data/publications_and_data_reports.shtml#1 IPCC, Panel Intergubernamental de Expertos de Cambio Climático. (2001). IPCC Third Assessment Report: Climate Change 2001 (TAR) (IPCC, Ed.). Geneva, Switzerland: IPCC. Recuperado el 12 de abril de 2021 de http://www.ipcc.ch/publications_and_data/publications_and_data_reports.shtml#1 IPCC. (2007). Climate change 2007: Contribution of working group 1 to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge, UK and New York, USA: Cambridge University Press. IPCC, Panel Intergubernamental de Expertos de Cambio Climático. (2013). Climate Change 2013 The Physical Science Basis Working Group I Contribution to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change [Stocker, T.F., D. Qin, G.-K. Plattner, M. Tignor, S.K. Allen, J. Boschung, A. Nauels, Y. Xia, V. B. Cambridge University Press United Kingdom and New York, NY, USA, 1535 pp. IPCC, Panel Intergubernamental de Expertos de Cambio Climático. (2014a). Cambio climático 2014: Impactos, adaptación y vulnerabilidad – Resumen para responsables de políticas. Contribución del Grupo de trabajo II al Quinto Informe de Evaluación del Grupo Intergubernamental de Expertos sobre el Cambio Climático [Field, C.B., V.R. Barros, D.J. Dokken, K.J. Mach, M.D. Mastrandrea, T.E. Bilir, M. Chatterjee, K.L. Ebi, Y.O. Estrada, R.C. Genova, B. Girma, E.S. Kissel, A.N. Levy, S. MacCracken, P.R. Mastrandrea y L.L. White (eds.)]. (p. 34). Ginebra, Suiza. Recuperado el 19 de febrero de 2022 de https://www.ipcc.ch/site/assets/uploads/2018/03/ar5_wgII_spm_es-1.pdf IPCC, Panel Intergubernamental de Expertos de Cambio Climático. (2014b). Climate Change 2014: Synthesis Report. Contribution of Working Groups I, II and III to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change [Core Writing Team, R.K. Pachauri and L.A. Meyer (eds.)] (p. 151). Geneva,

117

Switzerland: IPCC. Recuperado el 19 de febrero de 2022 de https://archive.ipcc.ch/report/ar5/syr IPCC, Panel Intergubernamental de Expertos de Cambio Climático. (2021a). Climate Change 2021: The Physical Science Basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change [Masson-Delmotte, V., P. Zhai, A. Pirani, S.L. Connors, C. Péan, S. Berger, N. Caud, Y. Chen, L. Goldfarb, M.I. Gomis, M. Huang, K. Leitzell, E. Lonnoy, J.B.R. Matthews, T.K. Maycock, T. Waterfield, O. Yelekçi, R. Yu, and B. Zhou (eds.)]. United Kingdom and New York, NY, USA: Cambridge University Press, Cambridge. Recuperado el 14 de noviembre de https://doi.org/10.1017/9781009157896 IPCC, Panel Intergubernamental de Expertos de Cambio Climático. (2021b). Summary for Policymakers. En V. Masson-Delmotte, P. Zhai, A. Pirani, S. L. Connors, C. Péan, S. Berger, … B. Zhou (Eds.), Climate Change 2021: The Physical Science Basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change (p. 3−32). Cambridge, United Kingdom and New York, NY, USA: Cambridge University Press. Recuperado el 28 de enero de 2021 de https://doi.org/10.1017/9781009157896.001 IPCC, Panel Intergubernamental de Expertos de Cambio Climático. (2022). Climate Change 2022: Impacts, Adaptation and Vulnerability. Cambridge, UK and New York, USA: Cambridge University Press. Jarvis, A., Ramirez-Villegas, J., Herrera-Campo, B. V. y Navarro-Racines, C. (2012). Is Cassava the Answer to African Climate Change Adaptation? Tropical Plant Biology, (5), 9–29. Jones, R., Noguer, M., Hassell, D., Hudson, D., Wilson, S., Jenkins, G. y Mitchell, J. (2004). Generating high resolution climate change scenarios using PRECIS. Exeter, UK: Met Office Hadley Centre. Karmalkar, A., Bradley, R. y Diaz, H. (2011). Climate change in Central America and Mexico: Regional climate model validation and climate change projections. Climate Dynamics, 37(3), 605–629. https://doi.org/10.1007/s00382-011-1099-9 Kelley, M., Schmidt, G. A., Nazarenko, L. S., Bauer, S. E., Ruedy, R., Russell, G. L., … Yao, M.-S. (2020). GISS-E2.1: Configurations and Climatology. Journal of Advances in Modeling Earth Systems, 12(8), e2019MS002025. https://doi.org/10.1029/2019MS002025 Kriegler, E., Bauer, N., Popp, A., Humpenöder, F., Leimbach, M., Strefler, J., … Edenhofer, O. (2017). Fossil-fueled development (SSP5): An energy and resource intensive scenario for the 21st century. Global Environmental Change, 42, 297– 315. https://doi.org/10.1016/j.gloenvcha.2016.05.015 Lambert, S. J. y Boer, G. J. (2001). CMIP1 evaluation and intercomparison of coupled climate models. Climate Dynamics, 17(2), 83–106. https://doi.org/10.1007/PL00013736

118

Lobell, D., Burke, M., Tebaldi, C., Begert, M., Falcon, W. y Naylor, R. (2008). Prioritizing Climate Change Adaptation Needs for Food Security in 2030. Science, 319(5863), 607–610. https://doi.org/10.1126/science.1152339 Lobell, D. y Burke, Marshall. (2010). Climate change and food security: Adapting agriculture to a warmer world. En Advances in global change research. Dordrecht, New York: Springer. Loboguerrero, A. M., Boshell, F., León, G., Martínez-Barón, D., Giraldo, D., Recaman Mejía, L., … Cock, J. (2018). Bridging the gap between climate science and farmers in Colombia. Climate Risk Management, 22, 67–81. https://doi.org/10.1016/j.crm.2018.08.001 Loboguerrero, A. y Martínez, D. (2017). Climate-Smart Agriculture across scales in Latin America. Agriculture for Development, 30, 10–11. Ma, L., Zhang, T., Frauenfeld, O. W., Ye, B., Yang, D. y Qin, D. (2009). Evaluation of precipitation from the ERA-40, NCEP-1, and NCEP-2 Reanalyses and CMAP-1, CMAP-2, and GPCP-2 with ground-based measurements in China. J. Geophys. Res., 114(D9), D09105. https://doi.org/10.1029/2008jd011178 Martínez-Barón, D., Navarro-Racines, C., Martínez, J. D., González Romero, C., Muñoz, A. G., Castellanos, A., … Ramírez-Villegas, J. (2021). Strengthening the climate services chain in Central America. Wageningen, Países Bajos: Programa de investigación del CGIAR sobre cambio climático, agricultura y seguridad alimentaria (CCAFS). Recuperado el 5 de febrero de 2022 de https://hdl.handle.net/10568/114111 Meinshausen, M., Smith, S. J., Calvin, K., Daniel, J. S., Kainuma, M. L. T. y Lamarque, J.-. F. (2011). The RCP greenhouse gas concentrations and their extensions from 1765 to 2300. Clim Change, 109. https://doi.org/10.1007/s10584-011-0156-z Monfreda, C., Ramankutty, N. y Foley, J. A. (2008). Farming the planet: 2. Geographic distribution of crop areas, yields, physiological types, and net primary production in the year 2000. Global Biogeochem. Cycles, 22(1), GB1022. https://doi.org/10.1029/2007gb002947 Mote, P., Brekke, L., Duffy, P. B. y Maurer, E. (2011). Guidelines for constructing climate scenarios. Eos, Transactions American Geophysical Union, 92(31), 257. https://doi.org/10.1029/2011EO310001 Müller, W. A., Jungclaus, J. H., Mauritsen, T., Baehr, J., Bittner, M., Budich, R., … Marotzke, J. (2018). A Higher-resolution Version of the Max Planck Institute Earth System Model (MPI-ESM1.2-HR). Journal of Advances in Modeling Earth Systems, 10(7), 1383–1413. https://doi.org/10.1029/2017MS001217 National Intelligence Council. (2010). Mexico, the Caribbean, and Central America: The impact of climate change to 2030: Geopolitical implications. Recuperado el 8 de octubre de 2022 de

119

https://web.archive.org/web/20120401104506/http://www.dni.gov/nic/PDF_GIF_o therprod/climate_change/cr201003_MexicoCaribCentralAm_climate_change. Navarro-Racines, C. E. (2020). Recopilación de Boletines Técnicos Agroclimáticos en Guatemala, 2020. Wageningen, Países Bajos: Programa de investigación del CGIAR sobre cambio climático, agricultura y seguridad alimentaria (CCAFS). Recuperado el 7 de julio de 2023 de https://hdl.handle.net/10568/111387 Navarro-Racines, C., Tarapués, J., Thornton, P., Jarvis, A. y Ramirez-Villegas, J. (2020). High-resolution and bias-corrected CMIP5 projections for climate change impact assessments. Scientific Data, 7(1), 7. https://doi.org/10.1038/s41597-019-0343-8 O’Neill, B. C., Tebaldi, C., van Vuuren, D. P., Eyring, V., Friedlingstein, P., Hurtt, G., … Sanderson, B. M. (2016). The Scenario Model Intercomparison Project (ScenarioMIP) for CMIP6. Geoscientific Model Development, 9(9), 3461–3482. https://doi.org/10.5194/gmd-9-3461-2016 ONU, Organización de las Naciones Unidas. (2018). La sequía en Centroamérica amenaza la seguridad alimentaria de 2 millones de personas. Recuperado el 28 de enero de 2023 de Noticias ONU website: https://news.un.org/es/story/2018/08/1440262 Ortega, G., Arias, P. A., Villegas, J. C., Marquet, P. A. y Nobre, P. (2021). Present-day and future climate over central and South America according to CMIP5/CMIP6 models. International Journal of Climatology, 41(15), 6713–6735. https://doi.org/10.1002/joc.7221 Osborne, T. M., Lawrence, D. M., Challinor, A., Slingo, J. M. y Wheeler, T. R. (2007). Development and assessment of a coupled crop–climate model. Global Change Biology, 13(1), 169–183. https://doi.org/10.1111/j.1365-2486.2006.01274.x Ovalle-Rivera, O., Laderach, P., Bunn, C., Obersteiner, M. y Schroth, G. (2015). Projected shifts in Coffea arabica suitability among major global producing regions due to climate change. PloS one, 10(4), e0124155–e0124155. Parker, L., Bourgoin, C., Martínez-Valle, A. y Läderach, P. (2019). Vulnerability of the agricultural sector to climate change: The development of a pan-tropical Climate Risk Vulnerability Assessment to inform sub-national decision making. PLOS ONE, 14(3), e0213641. https://doi.org/10.1371/journal.pone.0213641 Peter, B. G., Messina, J. P., Lin, Z. y Snapp, S. S. (2020). Crop climate suitability mapping on the cloud: A geovisualization application for sustainable agriculture. Scientific Reports, 10(1), 15487. https://doi.org/10.1038/s41598-020-72384-x Peterson, T. C., Vose, R., Schmoyer, R. y Razuvaëv, V. (1998). Global historical climatology network (GHCN) quality control of monthly temperature data. International Journal of Climatology, 18(11), 1169–1179. https://doi.org/10.1002/(SICI)1097-0088(199809)18:11<1169::AIDJOC309>3.0.CO;2-U Prager, S., Ríos, A., Schiek, B., Almeida, J. y González, C. (2020). Vulnerability to Climate Change and Economic Impacts in the Agriculture Sector in Latin America

120

and the Caribbean (p. 159). Banco Interamericano de Desarrollo (BID). Recuperado el 12 de noviembre de 2022 de http://dx.doi.org/10.18235/0002580 Qian, B., Wang, H., He, Y., Liu, J. y De Jong, R. (2015). Projecting spring wheat yield changes on the Canadian Prairies: Effects of resolutions of a regional climate model and statistical processing. International Journal of Climatology, n/a-n/a. https://doi.org/10.1002/joc.4571 Ramírez-Cabral, N. Y. Z., Kumar, L. y Shabani, F. (2017). Global alterations in areas of suitability for maize production from climate change and using a mechanistic species distribution model (CLIMEX). Scientific Reports, 7(1), 5910. https://doi.org/10.1038/s41598-017-05804-0 Ramírez-Cabral, N. Y. Z., Kumar, L. y Taylor, S. (2016). Crop niche modeling projects major shifts in common bean growing areas. Agricultural and Forest Meteorology, 218–219, 102–113. https://doi.org/10.1016/j.agrformet.2015.12.002 Ramírez-Villegas, J. y Challinor, A. (2012). Assessing relevant climate data for agricultural applications. Agricultural and Forest Meteorology, 161, 26–45. https://doi.org/10.1016/j.agrformet.2012.03.015 Ramírez-Villegas, J. y Jarvis, A. (2010). Downscaling Global Circulation Model Outputs: The Delta Method. Decision and Policy Analysis Working Paper No. 1. En Decision and Policy Analysis Working Papers. Cali, Colombia: International Center for Tropical Agriculture (CIAT). Ramírez-Villegas, J., Jarvis, A. y Läderach, P. (2013). Empirical approaches for assessing impacts of climate change on agriculture: The EcoCrop model and a case study with grain sorghum. Agricultural prediction using climate model ensembles, 170, 67–78. https://doi.org/10.1016/j.agrformet.2011.09.005 Ramírez-Villegas, J., Jarvis, A., Van den Bergh, I., Staver, C. y Turner, D. (2011). Chapter 20: Changing Climates: Effects on Growing Conditions for Banana and Plantain (Musa spp.) and Possible Responses. En S. Yadav, R. Redden, J. L. Hatfield, H. Lotze-Campen y A. Hall (Eds.), Crop Adaptation to Climate Change. Wiley & Sons. Ramírez-Villegas, J., Koehler, A.-K. y Challinor, A. J. (2017). Assessing uncertainty and complexity in regional-scale crop model simulations. Uncertainty in crop model predictions, 88, 84–95. https://doi.org/10.1016/j.eja.2015.11.021 Ramírez-Villegas, J., Salazar, M., Jarvis, A. y Navarro-Racines, C. E. (2012). A way forward on adaptation to climate change in Colombian agriculture: Perspectives towards 2050. Climatic change, 115(3), 611–628. Reyer, C. P. O., Adams, S., Albrecht, T., Baarsch, F., Boit, A., Canales Trujillo, N., … Thonicke, K. (2017). Climate change impacts in Latin America and the Caribbean and their implications for development. Regional Environmental Change, 17(6), 1601–1621. https://doi.org/10.1007/s10113-015-0854-6

121

Rhiney, K., Eitzinger, A., Farrell, A. D. y Prager, S. D. (2018). Assessing the implications of a 1.5 °C temperature limit for the Jamaican agriculture sector. Regional Environmental Change, 18(8), 2313–2327. https://doi.org/10.1007/s10113-0181409-4 Rhiney, K., Eitzinger, A., Farrell, A. y Taylor, M. (2016). Assessing the Vulnerability of Caribbean Farmers to Climate Change Impacts: A Comparative Study of Cocoa Farmers in Jamaica and Trinidad. In E. Thomas-Hope (Ed.) Climate Change and Food Security: Africa and the Caribbean. En Climate Change and Food Security: Africa and the Caribbean. London, UK. https://doi.org/10.4324/9781315469737 Riahi, K., Grübler, A. y Nakicenovic, N. (2007). Scenarios of long-term socio-economic and environmental development under climate stabilization. Technological Forecasting and Social Change, 74(7), 887–935. http://dx.doi.org/10.1016/j.techfore.2006.05.026 Riahi, K., van Vuuren, D. P., Kriegler, E., Edmonds, J., O’Neill, B. C., Fujimori, S., … Tavoni, M. (2017). The Shared Socioeconomic Pathways and their energy, land use, and greenhouse gas emissions implications: An overview. Global Environmental Change, 42, 153–168. https://doi.org/10.1016/j.gloenvcha.2016.05.009 Rippke, U., Ramirez-Villegas, J., Jarvis, A., Vermeulen, S. J., Parker, L., Mer, F., … Howden, M. (2016). Timescales of transformational climate change adaptation in sub-Saharan African agriculture. Nature Climate Change, 6(6), 605–609. https://doi.org/10.1038/nclimate2947 Roberts, M. J., Baker, A., Blockley, E. W., Calvert, D., Coward, A., Hewitt, H. T., … Vidale, P. L. (2019). Description of the resolution hierarchy of the global coupled HadGEM3-GC3.1 model as used in CMIP6 HighResMIP experiments. Geoscientific Model Development, 12(12), 4999–5028. https://doi.org/10.5194/gmd-12-4999-2019 Ruane, A. C., Goldberg, R. y Chryssanthacopoulos, J. (2015). Climate forcing datasets for agricultural modeling: Merged products for gap-filling and historical climate series estimation. Agricultural and Forest Meteorology, 200, 233–248. http://dx.doi.org/10.1016/j.agrformet.2014.09.016 Rummukainen, M. (2010). State-of-the-art with regional climate models. Wiley Interdisciplinary Reviews-Climate Change, 1(1), 82–96. https://doi.org/10.1002/wcc.008 Schafleitner, R., Ramirez-Villegas, J., Jarvis, A., Evers, D., GutIérrez, R. y Scurrah, M. (2011). Chapter 11: Adaptation of the Potato Crop to Changing Climates. En S. Yadav, R. Redden, J. L. Hatfield, H. Lotze-Campen y A. Hall (Eds.), Crop Adaptation to Climate Change. Wiley & Sons. Schlenker, W. y Lobell, D. B. (2010). Robust negative impacts of climate change on African agriculture. Environmental Research Letters, 5(1), 14010.

122

Schmidt, A., Eitzinger, A., Sonder, K. y Sain, G. (2012). Tortillas of the Roaster (ToR) Central American maize‐bean systems and the changing climate: Full technical report (p. 123). CIAT, CRS, CIMMYT. https://doi.org/10.13140/RG.2.1.4853.9044 Schneider, U., Becker, A., Finger, P., Meyer-Christoffer, A., Ziese, M. y Rudolf, B. (2014). GPCC’s new land surface precipitation climatology based on qualitycontrolled in situ data and its role in quantifying the global water cycle. Theoretical and Applied Climatology, 115(1), 15–40. https://doi.org/10.1007/s00704-0130860-x Séférian, R., Nabat, P., Michou, M., Saint-Martin, D., Voldoire, A., Colin, J., … Madec, G. (2019). Evaluation of CNRM Earth System Model, CNRM-ESM2-1: Role of Earth System Processes in Present-Day and Future Climate. Journal of Advances in Modeling Earth Systems, 11(12), 4182–4227. https://doi.org/10.1029/2019MS001791 Sellar, A. A., Jones, C. G., Mulcahy, J. P., Tang, Y., Yool, A., Wiltshire, A., … Zerroukat, M. (2019). UKESM1: Description and Evaluation of the U.K. Earth System Model. Journal of Advances in Modeling Earth Systems, 11(12), 4513–4558. https://doi.org/10.1029/2019MS001739 Swart, N. C., Cole, J. N. S., Kharin, V. V., Lazare, M., Scinocca, J. F., Gillett, N. P., … Winter, B. (2019). The Canadian Earth System Model version 5 (CanESM5.0.3). Geoscientific Model Development, 12(11), 4823–4873. https://doi.org/10.5194/gmd-12-4823-2019 Tabor, K. y Williams, J. W. (2010). Globally downscaled climate projections for assessing the conservation impacts of climate change. Ecological Applications, 20(2), 554– 565. Tamayo, J., Rodríguez-Camino, E., Hernanz, A. y Covaleda, S. (2022). Downscaled climate change scenarios for Central America. Advances in Science and Research, 19, 105–115. https://doi.org/10.5194/asr-19-105-2022 Tang, J., Niu, X., Wang, S., Gao, H., Wang, X. y Wu, J. (2016). Statistical downscaling and dynamical downscaling of regional climate in China: Present climate evaluations and future climate projections. Journal of Geophysical Research: Atmospheres, 121(5), 2110–2129. https://doi.org/10.1002/2015JD023977 Tatebe, H., Ogura, T., Nitta, T., Komuro, Y., Ogochi, K., Takemura, T., … Kimoto, M. (2019). Description and basic evaluation of simulated mean state, internal variability, and climate sensitivity in MIROC6. Geoscientific Model Development, 12(7), 2727–2765. https://doi.org/10.5194/gmd-12-2727-2019 Taylor, K. E., Stouffer, R. J. y Meehl, G. A. (2012). An overview of CMIP5 and the Experiment Design. Bulletin of the American Meteorological Society, 1–39. https://doi.org/10.1175/BAMS-D-11-00094.1

123

Van den Bergh, I., Ramirez-Villegas, J., Staver, C., Turner, D., Jarvis, A. y Brown, D. (2012). Climate Change in the Subtropics: The Impacts of Projected Averages and Variability on Banana Productivity. Acta Horticulturae. van Vuuren, D. P., Stehfest, E., Gernaat, D. E. H. J., Doelman, J. C., van den Berg, M., Harmsen, M., … Tabeau, A. (2017). Energy, land-use and greenhouse gas emissions trajectories under a green growth paradigm. Global Environmental Change, 42, 237–250. https://doi.org/10.1016/j.gloenvcha.2016.05.008 Vermeulen, S. J., Aggarwal, P. K., Ainslie, A., Angelone, C., Campbell, B. M., Challinor, A. J., … Wollenberg, E. (2012). Options for support to agriculture and food security under climate change. Environmental Science & Policy, 15(1), 136–144. https://doi.org/10.1016/j.envsci.2011.09.003 Vichot-Llano, A., Martinez-Castro, D., Giorgi, F., Bezanilla-Morlot, A. y Centella-Artola, A. (2021). Comparison of GCM and RCM simulated precipitation and temperature over Central America and the Caribbean. Theoretical and Applied Climatology, 143(1), 389–402. https://doi.org/10.1007/s00704-020-03400-3 Volodin, E. M., Mortikov, E. V., Kostrykin, S. V., Galin, V. Y., Lykossov, V. N., Gritsun, A., … Emelina, S. V. (2018). Simulation of the modern climate using the INMCM48 climate model. Russian Journal of Numerical Analysis and Mathematical Modelling, 33, 367–374. Williams, M. (2014). Scientists urge more frequent updates of 30-year climate baselines to keep pace with rapid climate change. Comunicado de Prensa de la Organización Meteorológica Mundial No. 997. Recuperado el 12 de abril de 2021 de https://www.wmo.int/pages/mediacentre/press_releases/pr_997_en.html Wilby, R., Charles, S., Zorita, E. y Timbal, B. (2004). Guidelines for use of climate scenarios developed from statistical downscaling methods. 1–27. WMO, Organización Meteorológica Mundial. (2012). Technical Regulations, Volume I: General Meteorological Standards and Recommended Practices. https://doi.org/ISBN: 978-92-631-0049-8 World Bank, CIAT, Centro Internacional de Agricultura Tropical y CATIE, Centro Agronómico Tropical de Investigación y Enseñanza. (2014a). Climate-Smart Agriculture in Chiapas, Mexico (p. 12p). Washington, DC: The World Bank Group. Recuperado el 7 de julio de 2023 de https://hdl.handle.net/10568/51365 World Bank, CIAT, Centro Internacional de Agricultura Tropical y CATIE, Centro Agronómico Tropical de Investigación y Enseñanza. (2014b). Climate-Smart Agriculture in El Salvador (p. 12p). Washington, DC: The World Bank Group. Recuperado el 7 de julio de 2023 de https://hdl.handle.net/10568/49665 Wu, T., Lu, Y., Fang, Y., Xin, X., Li, L., Li, W., … Liu, X. (2019). The Beijing Climate Center Climate System Model (BCC-CSM): The main progress from CMIP5 to CMIP6. Geoscientific Model Development, 12(4), 1573–1600. https://doi.org/10.5194/gmd-12-1573-2019

124

Yu, Q., You, L., Wood-Sichra, U., Ru, Y., Joglekar, A. K. B., Fritz, S., … Yang, P. (2020). A cultivated planet in 2010 – Part 2: The global gridded agriculturalproduction maps. Earth System Science Data, 12(4), 3545–3572. https://doi.org/10.5194/essd-12-3545-2020 Yukimoto, S., Kawai, H., Koshiro, T., Oshima, N., Yoshida, K., Urakawa, S., … Ishii, M. (2019). The Meteorological Research Institute Earth System Model Version 2.0, MRI-ESM2.0: Description and Basic Evaluation of the Physical Component. Journal of the Meteorological Society of Japan. Ser. II, 97(5), 931–965. https://doi.org/10.2151/jmsj.2019-051 Ziehn, T., Chamberlain, M. A., Law, R. M., Lenton, A., Bodman, R. W., Dix, M., … Srbinovsky, J. (2020). The Australian Earth System Model: ACCESS-ESM1.5. Journal of Southern Hemisphere Earth Systems Science, 70(1), 193–214.