Repositorio Institucional de Documentos

TRABAJO FIN DE MÁSTER DETERMINACIÓN DE LAS ZONAS DE DISTRIBUCIÓN DE CACAO EN LAS CONDICIONES CLIMÁTICAS PRESENTES Y FUTURAS EN NICARAGUA MEDIANTE MAXENT Autor: Armando Isaac Martínez Valle Director: Dr. Alberto García Martín Máster Universitario en Tecnologías de la información geográfica para la ordenación del territorio: sistemas de información geográfica y teledetección Agosto de 2012 Departamento de Geografía y Ordenación del Territorio i Agradecimientos A Dios Que en su inmensa sabiduría ha sabido guiarme para sortear incontables problemas, aún a pesar de mi rebeldía inherente. A mi familia A mi esposa Claudia María y mi hija Gabriela Isamar, por brindarme su apoyo y cariño. Por ser mi inspiración para dar siempre pasos hacia adelante, sin ellas nada de esto sería posible. A mis maestros En especial a los profesores Alberto García Martín y Juan de la Riva, por su esmero y dedicación para compartir sus conocimientos en las nuevas artes de esta ciencia de las TIG. i Resumen Este trabajo examina el uso de un modelo de distribución de especies para determinar las áreas actuales y futuras para la producción de cacao en Nicaragua. La metodología usada incluye: (i) la obtención y preparación de las variables que definen el clima actual de Nicaragua; (ii) el modelado de algunas de estas variables climáticas para el año 2050 utilizando 19 modelos de circulación global(GCM); (iii) la recopilación de datos de presencia de la especie estudiada y su revisión con el apoyo de instituciones locales implicadas en el cultivo de la especie estudiada; (iv) la aplicación y validación del modelo de distribución de especies de Máxima Entropía (MaxEnt) con diferentes conjuntos de variables climáticas actuales; (v) la aplicación de MaxEnt para las condiciones climáticas futuras en función de los resultados obtenidos en la situación actual; (vi) el cálculo de medidas de incertidumbre para evaluar las diferencias entre los modelos a futuro obtenidos y, finalmente, (vii) un estudio sobre la interrelación espacial en el horizonte 2050 de una zona potencialmente productora de cacao y café. Los resultados obtenidos en las pruebas seleccionadas para validar los modelos, el estadístico Chi-cuadrado, indican que los modelos obtenidos con los tres conjuntos de variables climáticas son adecuados para predecir o estimar la presencia de la especie modelada, obteniéndose además un p-valor inferior a 0,001, lo que muestra la significación estadística de todos ellos. En cuanto a la valoración de la sensibilidad para determinar la presencia del cultivo de cacao, el conjunto de variables Bio Prec + ETP presenta los mejores resultados al momento de predecir las áreas de distribución del cultivo para condiciones climáticas actuales. En cuanto a la incertidumbre de las estimaciones para el horizonte 2050, el coeficiente de variación calculado para los 19 GCM revela que es escasa, dado que se sitúa en un rango del 10 – 20%. Este hecho es confirmado mediante el cálculo de una medida de similitud, la cual muestra que los cambios se producen en una misma dirección, mostrándose además una alta concordancia. Los hallazgos muestran que en comparación con las áreas de distribuciones actuales, podría haber un incremento en la aptitud general de Nicaragua en el cultivo del cacao para el año 2050. Por último señalar que en la zona donde actualmente hay coincidencia en la aptitud climática tanto para cacao como para café, se estima que para condiciones futuras el café pierde aptitud mientras que el cacao se mantiene sin cambios. Palabras Clave: Modelos de distribución de especies, Cambio Climático, cacao, Nicaragua. Abstract This dissertation examines the use of a species distribution model to determine the current and future cocoa growing-areas in Nicaragua. The used methodology includes: (i) obtaining and preparing variables that defines the current climate of Nicaragua; (ii) modeling some of these climate variables by 2050 year using 19 GCM (Global Circulation Models); (iii) collecting presence data for studied specie and reviewing of these data with the support of local institutions involved in growing of the studied specie; (iv) applying and evaluating of MaxEnt species distribution model with different sets of current climate variables; (v) applying MaxEnt for future climate conditions according on the results obtained in the current situation; (vi) calculation of uncertainty measures to evaluate differences between future models obtained and, finally, (vii) a study on the spatial interrelation in 2050 horizon of a potential growing-area for cocoa and coffee. The obtained results in the selected tests for model validation, the Chi-square statistic indicate that the obtained models with three sets of climate variables are appropriate to predict or estimate the presence of the modeled specie , obtaining a p-value lower than 0,001, which shows the statistical significance in all of them. Regarding the sensibility valuation to determine the cocoa presence, the set of variables called “Bio Prec + ETP” shows the better results to predict the distribution areas of crop for current climate conditions. Respect of measure the uncertainty of estimation for horizon 2050, the variance coefficient (CV) calculated for the 19 GCMs reveals that is low, since it is located in a range between 10 – 20%. This fact is confirmed through a measure of agreement calculation, which shows that changes occurs in a same direction, with a high concordance. The findings show that in comparison with the current distribution areas for cocoa crop, could be an increase of suitability by 2050. Finally, in the zone where there is a coincidence in the climatic suitability for both cocoa and coffee, it is estimated that for future conditions, coffee lose suitability while cocoa remains unchanged. Key Words: Species distribution models, Climate Change, cocoa, Nicaragua. ii Índice 1. INTRODUCCIÓN ............................................................................................ 1 1.1. Justificación del trabajo ............................................................................. 1 1.2. Estado de la cuestión ................................................................................ 2 1.3. Objetivos ................................................................................................. 2 1.4. Metodología aplicada ................................................................................. 3 1.4.1. Obtención de los datos de clima actual y otras variables derivadas. ............ 3 1.4.1.2. Variables bioclimáticas ...................................................................... 3 1.4.1.3. Variables de evapotranspiración potencial ............................................ 4 1.4.2. Obtención de los datos de clima futuro. .................................................. 5 1.4.3. Registros de presencia del cultivo .......................................................... 6 1.4.4. Aplicación del modelo de distribución de especies MaxEnt ......................... 7 1.4.4.1 El modelo de distribución de especies MaxEnt ....................................... 7 1.4.4.2. Interpretación de los resultados de MaxEnt: los rangos de aptitud climática 8 1.4.4.3. Agrupación de las variables climáticas consideradas .............................. 8 1.4.4.4. Validación de los resultados obtenidos con los datos de clima actual y aplicación del modelo para el horizonte 2050 ..................................................... 9 1.4.4.5. Medidas de evaluación de la incertidumbre para los modelos de distribución generados para el horizonte 2050. ................................................ 10 1.4.4.6. Factores ambientales que determinan el cambio de aptitud .................. 12 1.4.5. Análisis de los resultados en el horizonte 2050 para determinar la interrelación espacial de las zonas de distribución para cacao y café. .................. 12 2. DESARROLLO ANALÍTICO ............................................................................. 14 2.1 Condiciones climáticas actuales y futuras ................................................... 14 2.2 Áreas de distribución del cultivo del cacao. Estimaciones para condiciones actuales. ....................................................................................................... 16 2.3 Áreas de distribución del cultivo del cacao para condiciones en el año 2050. ... 17 2.4 Variables que determinan el cambio de aptitud del cultivo del cacao para 2050. 19 2.5 Resultados de las medidas de incertidumbre. .............................................. 21 2.5.1 Coeficiente de variación ..................................................................... 21 2.5.2 Medida de similitud entre los modelos .................................................. 22 2.6 Análisis de la interrelación espacial entre las zonas de distribución para cacao y café en el año 2050. ....................................................................................... 22 3. CONCLUSIONES .......................................................................................... 26 4. BIBLIOGRAFÍA ............................................................................................ 28 ANEXOS ........................................................................................................... 32 Anexo I: Listado de participantes en reunión de trabajo para validación. ................... 32 1 INTRODUCCIÓN Para la obtención del título de “Máster Universitario en Tecnologías de la Información Geográfica para la Ordenación del Territorio: Sistemas de Información Geográfica y Teledetección” impartido en el Departamento de Geografía y Ordenación del Territorio de la Universidad de Zaragoza es de obligatorio cumplimiento presentar un proyecto fin de máster para demostrar en la práctica los conocimientos adquiridos durante el desarrollo del mencionado máster. Por tal motivo, se presenta este trabajo, el cuál ha sido desarrollado en el marco de un estudio desarrollado en el Centro Internacional para la Agricultura Tropical (CIAT) y con la colaboración de varios actores locales en Nicaragua como: CRS (Catholic Relief Services, Servicios de Auxilio Católico), LWR (Lutheran World Relief, Auxilio Mundial Luterano) y GIZ (Deutsche Gesellschaft für Internationale Zuzammenarbeit, Agencia Alemana de Cooperación Técnica). El objetivo principal en este estudio ha sido estimar el impacto del cambio climático sobre la aptitud del cultivo de cacao en las principales zonas productoras de Nicaragua. Nicaragua es un país que depende del sector agropecuario. Las actividades económicas de este sector aportan cerca de un 20% al PIB (BCN, 2008). La alta dependencia del país y de las poblaciones rurales a la producción agrícola y la alta vulnerabilidad del sector ante el cambio y variabilidad climática, hacen necesaria la realización de estudios para determinar el nivel de exposición las áreas de producción (Gutiérrez y Zamora, 2010). De ahí que la aplicación de herramientas de análisis espacial cobren tanta importancia para generar información vital para los tomadores de decisiones. Este proyecto fin de máster constituye un esfuerzo por aplicar algunas técnicas de análisis espacial para determinar el posible impacto del cambio climático sobre un cultivo específico. Al mismo tiempo, es un intento por describir una metodología basada en el uso de un modelo de distribución de especies genérico a un caso concreto de vital importancia para la economía nicaragüense, constituyéndose en un primera aproximación para abrir el debate sobre estos modelos en cuestiones agrícolas en Nicaragua, así como la necesaria mejora de las aplicaciones destinadas a generar información espacial de precisión que sea la base para la toma de decisiones adecuadas por parte de los gestores públicos. El documento se organiza en tres capítulos principales: • Introducción: en este acápite se presentan los objetivos del estudio y se describe la metodología utilizada. • Desarrollo analítico: se desarrolla la metodología aplicada y se presentan los resultados obtenidos para las condiciones climáticas actuales y futuras, identificándose las variables que podrían inducir a un cambio de aptitud para los cultivos de cacao. Además, se incluye el cálculo de algunas medidas de incertidumbre sobre los modelos de distribución calculados para el futuro. Finalmente, se analiza en ese escenario futuro las interrelaciones existentes entre los cultivos de cacao y café en una zona donde actualmente conviven ambos. • Conclusiones: se resumen los principales hallazgos y consideraciones según los objetivos propuestos en el estudio 1.1. Justificación del trabajo El cacao es un cultivo de gran importancia socioeconómica para muchos países tropicales. Durante el ciclo 2009/2010 la producción mundial de cacao alcanzó los 3.6 millones de toneladas, siendo África la principal región productora del mundo con el 68% de la producción, mientras que América aporta un 14% de la producción mundial (ICCO, 2011). En el caso específico de Nicaragua, en el año 2011 las exportaciones alcanzaron 1.856 toneladas con un valor FOB (Free On Board. Libre a Bordo) de 2,8 Mi US$, lo que supuso una variación de -0.02% en toneladas y -0.11 en valor FOB con respecto al año anterior (CETREX, 2012). Se estima que la producción nacional de cacao está en manos de 8,000 productores localizados principalmente en: la RAAS (Región Autónoma Atlántico Sur), la RA- 2 AN (Región Autónoma Atlántico Norte) y en los departamentos de Matagalpa, Jinotega, Río San Juan, Granada y Rivas (ver Figura 1), ascendiendo el volumen de familias que se dedican a labores del cultivo a 5.843, estando el 60% de éstas asociado a alguna organización (Escobedo, 2010). Estas cifras muestran que el cacao es un cultivo muy importante para Nicaragua en la actualidad, siendo también muy importante su valor histórico tal y como señala el hecho de que en la época precolombina fuera usado como moneda (Cuadra, 1963). Investigaciones recientes demuestran que diferentes cultivos en muchas partes del mundo serán afectados por el cambio climático, lo que ocasionará importantes impactos sobre el abastecimiento de alimentos (Lobell et al., 2008; Läderach et al., 2010b) e, igualmente, sobre una gran cantidad de ecosistemas (Schroth et al., 2009). En este contexto, se ha indicado específicamente el impacto progresivo sobre la producción de café, los medios de vida de los productores y los impactos sobre los servicios ambientales inherentes a los sistemas agroforestales de la región mesoamericana (Läderach et al., 2010). Considerando la importancia del cultivo de cacao para los países tropicales, la posibilidad de impactos en los rendimientos de éste ante el cambio climático y la poca inversión en investigación en los países en desarrollo, es de suma importancia encontrar métodos y herramientas para identificar los espacios donde actualmente el potencial climático para producir cacao es alto y estimar los posibles impactos que inducirán el temido cambio climático a lo largo del presente siglo XXI. 1.2. Estado de la cuestión El uso de las aplicaciones incluidas en la familia de las tecnologías de la información geográfica (TIG), específicamente de las herramientas de modelado de distribución espacial de especies, ha sido comúnmente utilizado en diferentes países para predecir hábitats (Cowley et al., 2000; Gogol- Prokurat, 2011), manejo de ecosistemas (Elith y Leathwick, 2009), desarrollo agropecuario (Rounsevell et al., 2003) e impactos de cambio climático (Brzeziecki et al., 1995). Existen dos grandes grupos de modelos de distribución de especies: mecanísticos o correlativos Beerling et al., 1995). Los modelos mecanísticos tienen por objeto incorporar mecanismos limitantes fisiológicamente para la tolerancia de una especie a las condiciones ambientales y, por lo tanto, requieren un conocimiento detallado de la respuesta de las especies a factores ambientales. Entre éstos encontramos a ECOCROP (FAO, 2003) y DSSAT (Jones et al., 2003). Por su parte, los modelos correlativos estiman las condiciones ambientales que son aptas para una especie, asociando los registros de presencia de especies con una serie de variables ambientales que pueden afectar la fisiología y probabilidad de presencia. Como ejemplos de este segundo tipo de modelos cabe citar a BIOCLIM (Nix, 1986; Busby, 1991), DOMAIN (Carpenter et al., 1993) y MaxEnt (Phillips et al., 2006) como los más extendidos. Previo al inicio del presente estudio, se reflexionó sobre el hecho de que para el caso de los modelos mecanísticos se requiere un conocimiento especializado sobre la respuesta de la especies a ciertos factores ambientales y, lo que es más importante, que diversos estudios han probado que los modelos correlativos pueden obtener resultados similares o incluso mejores que los modelos mecanísticos (Robertson et al., 2003). Asimismo, se tuvo en cuenta que los modelos mecanísticos son más difíciles de construir y que además requieren una validación de campo y de laboratorio extensiva. Esto esta en contraste con los modelos correlativos, que solamente requieren datos de registro de presencias (Kearney y Porter, 2009). 1.3. Objetivos El presente trabajo tiene como propósito general contribuir a la mitigación de los efectos del cambio climático y a la adaptación de las actividades productivas mediante la generación de información relevante para la planificación y ordenamiento del territorio nicaragüense. En este contexto, el objeti- 3 vo general de esta investigación es estimar el impacto del cambio climático en distribución actual y futura de las áreas de producción del cultivo del cacao (Theobroma cacao) en Nicaragua, mediante el uso de herramientas de modelos de distribución de especies. Este objetivo general se fundamenta en la hipótesis de que los modelos de distribución de especies desarrollados en los últimos años mediante el concurso de los Sistemas de Información Geográfica (SIG) son adecuados para obtener una aproximación certera sobre las áreas de presencia actual y futura de diferentes especies animales y vegetales en función de una serie de variables definidores de su espacio ecológico, destacando dentro de éstas las de origen climático. Para lograr el objetivo general planteado es necesaria la consecución de una serie de objetivos secundarios que se exponen a continuación: 1. Delimitar las áreas de distribución del cultivo de cacao en el presente. 2. Estimar la distribución de las áreas del cultivo de cacao para el año 2050. 3. Identificar que variables ambientales tiene mayor peso en la distribución presente y futura de del cultivo de cacao. 4. Identificar la interrelación espacial de las zonas de distribución para cacao y café. 1.4. Metodología aplicada 1.4.1. Obtención de los datos de clima actual y otras variables derivadas. 1.4.1.1. Variables climáticas básicas Para obtener los datos climáticos básicos actuales se ha usado la base de datos Worldclim (Hijmans et al., 2005, disponible en www.worldclim.org). Esta base de datos recoge datos históricos del clima que representan promedios de largo plazo (1950-2000) de precipitación y temperatura media de las máximas, media de las mínimas y media mensuales. Estas variables se presentan en formato ráster (GRID de ESRI) con una resolución espacial de 30 arco-segundos por píxel (aproximadamente 1km2 en el ecuador), habiendo sido generadas a partir de la interpolación de datos provenientes de estaciones meteorológicas con un algoritmo spline usando longitud, latitud, y altitud como variables independientes. Para crear esta base de datos, Hijmans et al. (2005) usaron como fuente cinco grandes bases de datos climáticas: GHCN (Global Historical Climatology Network), FAO (Programa de las Naciones Unidas para la Alimentación y la Agricultura), WMO (Organización Mundial Meteorológica), CIAT (Centro Internacional de Agricultura Tropical) y R-HYdronet (Red Regional Electrónica de Datos, Hidrometeorológica para América del Sur, América Central y el Caribe); usándose adicionalmente bases de datos específicas de países como Australia, Nueva Zelanda, Ecuador, Perú, Bolivia, Noruega, Suecia, Finlandia y Dinamarca, entre otros. En concreto, la base de datos de Worldclim recoge registros mundiales de precipitación a partir de 47.554 estaciones, la temperatura media de 24.542 y la temperatura mínima y máxima de 14.835. Centrándonos en los datos en que se basa Worldclim para Nicaragua, señalar que esta base de datos utiliza 225 estaciones con datos de precipitación, 220 estaciones con temperatura media, y 2 estaciones con temperaturas mínimas y máximas, todas ellas ubicadas, como es lógico, en territorio nicaragüense. 1.4.1.2.Variables bioclimáticas Dentro de la base de datos WorldClim se recogen también variables bioclimáticas que se derivan directamente de los valores mensuales de la temperatura y de la precipitación con el fin de generar variables más significativas desde el punto de vista biológico. Estas variables bioclimáticas (ver tabla 4 1) fueron en origen creadas para representar tendencias, estacionalidad y factores ambientales extremos o limitantes (Busby 1991). Todas las variables de este grupo (las cuales se listan a continuación) fueron consideradas para la realización de este trabajo. Tabla 1. Variables bioclimáticas. BIO No. Descripción.  BIO1  Temperatura promedio anual (°C).  BIO2  Rango promedio diurno (promedio mensual (máx.temp – min temp).  BIO3  Isotermalidad (°C) (BIO2/BIO7) * 100).  BIO4  Estacionalidad de la temperatura (desviación estándar * 100).  BIO5  Temperatura máxima del mes más cálido (°C).  BIO6  Temperatura mínima del mes más frio (°C).  BIO7  Rango anual de Temperatura (BIO5-BIO6) (°C).  BIO8  Temperatura promedio del cuatrimestre más lluvioso (°C).  BIO9  Temperatura promedio del cuatrimestre más seco (°C).  BIO10  Temperatura promedio de cuatrimestre más cálido (°C).  BIO11  Temperatura promedio del cuatrimestre más frío (°C).  BIO12  Precipitación anual (mm).  BIO13  Precipitación del mes más lluvioso (mm).  BIO14  Precipitación del mes seco (mm).  BIO15  Estacionalidad precipitación (Coeficiente de Variación).  BIO16  Precipitación del trimestre más húmedo (mm).  BIO17  Precipitación del trimestre más seco (mm).  BIO18  Precipitación del trimestre más caliente (mm).  BIO19  Precipitación del trimestre más frío (mm). 1.4.1.3. Variables de evapotranspiración potencial La consideración en el presente trabajo de las nueve variables existentes relacionadas con la evapotranspiración potencial (ETP) es para comparar la contribución de esta variable para identificar las zonas con aptitud climática para el cultivo, dado que este hecho ha sido señalado como muy trascendente en algunos estudios (Anim-Kwapong y Frimpong, 2005). Al incorporar estas variables se espera contar con factores ambientales adicionales para guiar la toma de decisiones. Estas variables relacionadas con la ETP, son calculadas a partir de estimaciones mensuales obtenidas mediante un método empírico (Hargreaves, 1985). Se decidió usar éste método debido a que requiere menos datos que otro método muy conocido como Penman-Monteith FAO 56 (Allen et al., 1998) y sus resultados son muy similares (Hargreaves y Allen, 2003). De hecho investigaciones recientes confirman la similitud de los resultados en zonas tropicales para ambos métodos (Asare et al., 2011). Puesto que el método de Hargreaves para estimar la evapotranspiración únicamente necesita datos de radiación solar y rangos de temperatura (temperatura máxima – temperatura mínima), la generación de las estimaciones mensuales de ETP para el área de estudio resulto sencilla, utilizándose para ello los datos mensuales de temperatura máxima y mínima extraidos de WorldClim. A continuación se relacionan las variables de ETP calculadas en la tabla 2. 5 Tabla 2. Variables de evapotranspiración (ETP) ETP No. Descripción ETP1 Evapotranspiración total anual ETP2 Estacionalidad de la ETP (Coeficiente of Variación) ETP3 ETP máxima del mes más cálido ETP4 ETP mínima del mes mas frío ETP5 Rango de PET (ETPmax - ETPmin) ETP6 ETP del trimestre más lluvioso ETP7 ETP del trimestre más seco ETP8 ETP del trimestre más caluroso ETP9 ETP del trimestre más frío 1.4.2. Obtención de los datos de clima futuro. Para obtener la información sobre el clima futuro, se usó como base fundamental los datos generados por el CIAT, que es la institución de investigación que coordina a nivel global el Programa sobre Cambio Climático, Agricultura y Seguridad Alimentaria (CCCAFS por sus siglas en inglés) y cuyos datos se encuentran actualmente disponibles en http://www.ccafs-climate.org/. A su vez, el CIAT ha generado esta información teniendo como base la información del Cuarto Informe de Evaluación del Panel Intergubernamental de Expertos sobre el Cambio Climático (IPCC, siglas en inglés), el cual se basó en los resultados de diecinueve modelos climáticos globales (GCMs) (Tabla 3). Estos datos están disponibles a través de una interfaz del IPCC (http://www.ipcc-data.org), pudiéndose también acudir directamente a las instituciones que desarrollaron cada uno de los modelos, ya que que también están disponibles en sus respectivas páginas web. Dado que la resolución espacial de los resultados de los modelos globales es inapropiada para el análisis de los impactos en la agricultura, debido a que en casi todos los casos la medida de las cuadrículas en más de 100 km2, la reducción de escala es, por tanto, necesaria para proporcionar superficies de mayor resolución de los climas futuros esperados, haciendo que, de esta forma, los impactos probables del cambio climático en la agricultura puedan ser modelados con mayor precisión. Para hacerlo, CIAT utilizó un método simple de reducción de escala (llamado método delta), basado en la suma de las anomalías interpoladas a las superficies de alta resolución mensuales para las variables de WorldClim. El método, básicamente, produce una superficie suavizada (interpolación) de los cambios en los climas (deltas o anomalías) para después aplicar esta superficie interpolada al clima de referencia (de WorldClim), teniendo en cuenta el posible sesgo debido a la diferencia en las líneas de base. 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 (Ramírez y Jarvis, 2010). Para aplicar en este trabajo el modelo de distribución de especies en escenarios futuros, se usó como datos climáticos los diecinueve modelos de circulación global del Cuarto Informe de Evaluación (2007) para el escenario de emisiones SRES--A2 (SRES se refiere al Reporte Especial sobre Escenarios de Emisión del IPCC) y para un período de años corriendo promedios (es decir, 2020 – 2049 [que para fines prácticos será llamado “2050” a lo largo del documento]). Es necesario señalar que solamente se usará el escenario A2 conocido como “Business as usual” ya que la incertidumbre relacionada a los SRES (escenarios de emisión según el cuarto informe del IPCC) es mínima para el promedio de años 2020 - 2049 (IPCC, 2007). En concreto, las variables bioclimáticas se generaron a partir de las cuatro variables mensuales (temperatura media, máxima, mínima y precipitación total), que al igual que en cada conjunto de datos (escenario SRES -GCM - intervalo de tiempo), compone el escenario elegido. La resolución espacial de estos datos descargados de http://www.ccafs-climate.org/ es de 30 segundos de arco (Ramírez y Jarvis, 2010), a partir de los cuales se generaron las variables bioclimáticas. 12 Figura 3. Model Builder con los últimos pasos para estimar MA. 1.4.4.6. Factores ambientales que determinan el cambio de aptitud Para entender la importancia relativa de las diferentes variables climáticas, se llevó a cabo un análisis de regresión por pasos sucesivos (stepwise regression) con el cambio de aptitud (estimado futuro – estimado presente) de cada de punto como variable dependiente y los cambios del modelo promedio en las variables bioclimáticas entre el presente y el futuro como variables independientes. Luego, a partir de los coeficientes estandarizados (β) basados en la desviación estándar (σ ) se calcula la contribución relativa de cada variable para el cambio de aptitud. 1.4.5. Análisis de los resultados en el horizonte 2050 para determinar la interrelación espacial de las zonas de distribución para cacao y café. Para realizar una comparación entre los resultados de distribución de cacao y café en el año 2050, se usaron para el cultivo para cacao los resultados de este estudio y, para identificar las áreas del café los resultados del proyecto CUP, cuya metodología para determinar las áreas distribución es bastante similar al usado en la presente investigación. En concreto, en el caso del café se utilizaron las 19 variables bioclimáticas, resultando las variables de temperatura las más determinantes al momento de estimar el cambio de aptitud para el año 2050 (Läderach et al., 2010). Con este análisis se pretende comparar las áreas consideradas como aptas para ambos cultivos y poder identificar relaciones que podrían existir. Una vez obtenida las capas en formato ráster para la distribución actual estimada para ambos cultivos, se seleccionaron las áreas con una aptitud mayor al 20 % haciendo una reclasificación, y luego mediante una simple operación aritmética con la calculadora de mapas se suman las capas para identificar un área en común. Cacao = cacao > 20% = 1 Café = café > 20% = 10 Posteriormente, sumando los rásters, la zona común para ambos cultivos y con una aptitud mayor al 20% será igual a “11”. 13 Con la zona común definida, para cada celda de la capa ráster se creó un punto, con lo cual se obtuvo una nueva capa de puntos que se usó para extraer los valores de diferentes ráster que interesaba comparar. Este último paso se hizo utilizando la herramienta “Extract Multi Values to Point” del software ArcGIS 10 de ESRI®. De todo este proceso lo que obtuvimos fue una tabla con los valores de las capas a comparar para cada punto en la zona apta para ambos cultivos (ver figura 4). Figura 4. Una vista de la tabla con los valores de los rásters a comparar para cada punto, en formato .CSV En total se obtuvieron 7214 puntos, siendo éstos los que se utilizaron para comparar los cambios de aptitud estimados para el año 2050 por cada municipio de la zona común. Asimismo, se compara el cambio de aptitud con respecto a la elevación (m.s.n.m.). Para hacerlo se grafican los resultados usando “boxplot” del software R, ya que con éste gráfico se permite graficar la distribución de los datos: mínimo, máximo, mediana, primer cuartil (25%), tercer cuartil (75%) e incluso los valores “outliers”. Ejemplo del código usado para generar un gráfico con “boxplot”: setwd ("C:\\cacao_nic\\master_analysis") require(gplots) tabla <- read.csv(file='tabla22.csv', sep=',',header=T) summary(tabla) boxplot(tabla$cachg2050 ~ tabla$dem_100cla, col='orange') 14 DESARROLLO ANALÍTICO 2.1 Condiciones climáticas actuales y futuras El climograma presentado en la figura 5, creado a partir de 1132 puntos, sintetiza las tendencias del clima para 2030 y 2050 para los sitios de muestreo de plantaciones de cacao en el territorio nicaragüense. Así, como en él se observa, en las zonas donde se concentra actualmente la producción de cacao se estima que para el 2050 la precipitación disminuirá de 2887 milímetros a 2779 milímetros. Por otro lado la temperatura aumentará 2.1 ºC en promedio con respecto a la actual pasando por un aumento de 1.2 ºC en 2030. Para el 2050 el rango de la temperatura promedio del día aumentará de 8.6 ºC a 8.9 ºC. El número máximo de meses de sequía se mantiene constante en 3 meses. Figura 5. Climograma de síntesis de las tendencias del clima para 2030 y 2050 en territorio adecuado para el cultivo del cacao. Las barras azules muestran la precipitación mensual actual y la proyección para 2050, y las líneas rojas muestran la temperatura media mensual actual, 2030 y 2050. Los signos de igual (=) y negativo (-) sobre las barras simbolizan el no cambio y descenso de las precipitaciones para el año 2050 en cada mes respectivo. Los cambios en la precipitación fueron determinados por la diferencia entre la precipitación total anual para condiciones actuales (worldclim) y el promedio de la precipitación total anual predicha por los 19 GCM. De acuerdo a los modelos de predicción, la precipitación en general disminuye en todas las zonas productoras de cacao en Nicaragua para el año 2050, los departamentos que tienen mayor descenso son Rivas, La Región Autónoma del Atlántico SUR (RAAS) y Rio San Juan, que pierden hasta 120mm. Los departamentos que menos pierden son Chinandega, Managua, Jinotega y Matagalpa (Figura 6). Sin embargo, es conveniente señalar que en el caso de la RAAS y Río San Juan la cantidad que disminuiría no es preocupante, dadas las altas precipitaciones de las zonas. De hecho es la zona de mayor precipitación en Nicaragua, con precipitaciones medias anuales por encima de los 2500 mm. 15 Figura 6. Cambio en la precipitación anual para 2050 en las zonas productoras de cacao en Nicaragua. Los límites de las caja indican los valores máximos promedio y mínimos promedios y los extremos de las líneas representan los valores máximos y mínimos .Los valores máximos promedio y mínimo promedio son definidos por + ó - la desviación estándar. La temperatura media anual aumentará de manera progresiva. En general, este incremento para el año 2050 es de 1.9°C. a 2.3 °C. Según la proyección de los modelos, las zonas cacaoteras de la RAAN son las que podrían verse afectadas por un incremento un tanto superior a los 2.3 °C, aunque los mayores incrementos de temperatura se estiman para la zona noroccidental del país, coincidiendo con un área conocida en la actualidad como la zona seca. Los departamentos de Jinotega y Matagalpa serían afectados por incrementos entre 2.1 – 2.3 °C aproximadamente, lo que afectaría áreas donde actualmente se desarrollan dos cultivos de importancia económica para los productores de la zona: cacao y café. Figura 7. Cambio en la temperatura media anual para 2050 en las zonas productoras de cacao en Nicaragua. Los límites de las cajas indican los valores máximos y mínimos promedios y los extremos de las líneas representan los valores máximos y mínimos. Los valores máximos y mínimos promedio son definidos por + ó - la desviación estándar. -140 -120 -100 -80 -60 -40 -20 chinandega Granada Jinotega Matagalpa RAAN RAAS RioSJ Rivas Anormalidad de la precipitación en el año 2050 (mm) 1.5 1.7 1.9 2.1 2.3 2.5 2.7 Chinandega Granada Jinotega Matagalpa RAAN RAAS RioSJ Rivas Anormalidad de la temperatura en el año 2050 ( °C) 16 2.2 Áreas de distribución del cultivo del cacao. Estimaciones para condiciones actuales. Los resultados para la evaluación de los tres sets de variables usando Chi-cuadrado (X2) para determinar la significación estadística, arrojan que el nivel de significación es p< 0.001 para los tres resultados, lo que significa que los modelos son estadísticamente válidos. En cuanto a la valoración de la sensibilidad o “fracción de verdaderos positivos” para determinar la presencia del cultivo de cacao, el conjunto de variables Bio Prec + ETP presenta los mejores resultados, de acuerdo a las estimaciones de MaxEnt para condiciones climáticas actuales. Se ha usado como umbral para considerar la especie como presente el mismo umbral que se usa para determinar la primera categoría en los mapas, es decir 0.21.. Tabla 5. Pruebas de evaluación a los resultados de MaxEnt para condiciones actuales. Sensibilidad p (Chi-cuadrado) BIO 0.95575 0.000463 BIO_ETP 0.95133 0.000519 Bio Prec + ETP 0.96460 0.000231 Una vez obtenida los resultados de MaxEnt para los tres conjuntos de variables se extrajeron los valores de los Grids con la distribución actual, para los 1132 puntos usados como sitios de evidencia en el análisis (ver figura 5). Figura 8. Comparación de los resultados de MaxEnt usando los tres conjuntos de variables para condiciones actuales. La comparación de los resultados para los tres conjuntos de variables nos permite identificar que para entre BIO y ETP existe una correlación lineal, lo que nos indica que los resultados son muy similares. Esta situación no se da entre los resultados de cada uno de estos dos modelos con los obtenidos con BIO Prec-ETP. Esto es debido a que MAXENT considera las variables de temperatura (contenidas en los dos primeros modelos) como las de mayor contribución a la distribución y cambio en las áreas de producción de cacao. Pero en el mundo actualmente existen zonas de producción de cacao con temperaturas mayores a las que se presentan (actualmente, incluso a las estimadas para el futuro) en las 17 áreas de producción de Nicaragua, tal es el caso de las zonas en Chiapas, México (Roa-Romero et al., 2009) o Malasia (Wood y Lass, 2001). Recordemos que esta circunstancia es lo que dirigió que en el modelo “Bio Prec + ETP” se excluyeran las variables de temperatura. A la luz de las comparaciones de los resultados de los tres conjuntos de variables o modelos usados, presentamos a continuación solamente los dos últimos: ETP y Bio Prec+ETP (figura 9) Figura 9. Aptitud actual en las zonas productoras de cacao en Nicaragua. A la izquierda se presenta el resultado del modelo con las variables Bioclimáticas de precipitación mas las variables de evapotranspiración (BIO Prec + ETP), y a la derecha el resultado del modelo de las todas las variables Bioclimáticas mas las variables de evapotranspiración potencial (ETP). Para la situación actual los resultados en ambos modelos son muy similares para los municipios de El Rama, Nueva Guinea, Bluefields y El Castillo; en cambio para los municipios de Siuna, Prinzapolka, La Cruz de Río Grande y Paiwas el modelo de “Bio Prec + ETP” incluye mas áreas consideradas como excelentes. De acuerdo a los resultados de MaxEnt, y para ambos modelos, se pueden identificar tres zonas principales donde se concentran las áreas aptas para la producción de cacao. La primera en la zona norte entre los municipios de Waslala, Río Blanco y Siuna. Una segunda zona en la RAAN, entre los municipios de Rosita y Bonanza (el resultado del modelo de “Bio Prec + ETP” incluye además algunas áreas del municipio de Prinzapolka). Y la tercera y mas amplia ubicada en el sureste del país, entre los municipios de San Miguelito, San Carlos, El Castillo, Blufields, Nueva Guinea y el Rama. En total las áreas consideradas por MaxEnt como climáticamente excelentes en la actualidad (81 a 100%), son aproximadamente unas 215,000 Ha. Para las otras categorías de aptitud las áreas consideradas son incluso mayores: bajo (20 a 40%) con mas de 3 millones de ha, bueno (41 a 60) con cerca de 1.5 millones de ha, y muy bueno (61 a 80% con casi un millón de ha). Se debe considerar que estas áreas estimadas, corresponden a zonas climáticamente aptas para el cultivo, pero no consideran algunos elementos como textura de suelo, pendiente y/o uso actual (áreas urbanizadas y áreas protegidas). 2.3 Áreas de distribución del cultivo del cacao para condiciones en el año 2050. En las zonas donde se concentran las áreas de producción de cacao en Nicaragua, la precipitación decrecerá para el año 2050. En cambio las temperaturas mínimas y máximas se incrementarán. Las implicaciones de estos cambios son que la distribución de la aptitud de las actuales áreas de produc- 18 ción de cacao en Nicaragua se verá afectada de forma positiva. Estas áreas en la actualidad son zonas húmedas e hiper-húmedas, por lo que los cambios proyectados a futuro solamente las harán un poco más secas. En cuanto a los resultados de MaxEnt para las condiciones climáticas del año 2050, el modelo de ETP es pesimista, excepto para una zona concentrada en el municipio de Waspan. Por el contrario el modelo “Bio Prec + ETP” es optimista, prediciendo incluso ganancia de aptitud para algunas zonas. En este punto hay que advertir que las dos cartografías de aptitud climática estimada para el año 2050 (ver figura 10) es en realidad el promedio de los resultados individuales para cada uno de los 19 GCM utilizados. Figura 10. Aptitud climática de las zonas de producción de cacao para 2050. Así, para 2050, los resultados del modelo “Bio Prec + ETP” que, recordamos, no incluye las variables de temperatura, no predice cambios drásticos en la distribución de las tres principales zonas de producción de cacao. Esto concuerda con que las variaciones de precipitación predichas no son tan altas, ni los incrementos de la evapotranspiración superan la precipitación Con esto, los resultados del modelo “Bio Prec + ETP” señalan que en comparación con las condiciones actuales podría haber una ganancia de aptitud en las tres principales zonas productoras, principalmente en los municipios de la RAAS: Paiwas, Prinzapolka y Puerto Cabezas. La disminución de precipitación por alrededor de 100 mm, sumado a un ligero incremento de la evapotranspiración (30 mm) hacen que algunas zonas se vuelvas mas aptas, desde el punto de vista climático. Es preciso mencionar que las zonas en las que se ubican actualmente la producción de cacao son de altas precipitaciones y humedad relativa, y por ende hacen al cultivo susceptible de enfermedades como la mazorca negra y moniliasis. Al respecto, algunas investigaciones no recomiendan el establecimiento de la producción de cacao en zonas con precipitaciones mayores a 2500 mm para reducir el riesgo de enfermedades criptogámicas (Alvim y Alvim, 1980; Jaimes y Aranzazu, 2010). Por otro lado, según se observa en los resultados del modelo ETP, los incrementos de temperatura se revelan como factores determinantes para la pérdida relativa de la aptitud de las zonas productoras de cacao, principalmente en la RAAN y RAAS. Esto es así porque el modelo estima como óptimas las condiciones de temperatura con el rango actual 18–28°C, pero como se menciona anteriormente en este documento, actualmente existen plantaciones de cacao que se desarrollan en condiciones de mayor temperatura. De esta manera, lo que sucede en este modelo es que se sobreestima el impacto del cambio de temperatura para el caso específico de cacao en esta zona y, a su vez, esto se debe a que el 19 modelo estadístico MaxEnt no incluye información fisiológica del cultivo, sino que busca en el clima futuro áreas similares al clima presente (Läderach et al., 2012). Para el caso de las zonas del norte del país (Matagalpa y Jinotega) se espera que el incremento de las temperaturas mínimas si favorezca el desarrollo del cultivo. 2.4 Variables que determinan el cambio de aptitud del cultivo del cacao para 2050. Para determinar que variables son las más importantes al momento de dirigir el cambio de aptitud, primero se hace necesario determinar el cambio de aptitud para 2050. Esto lo obtenemos gracias a un cálculo de mapas con las capas ráster que resultan de las estimaciones de MaxEnt, al sustraer los resultados de las condiciones para el clima actual de las condiciones para clima futuro (promedio de los 19 GCM). Figura 11. Cambio de aptitud de las áreas de producción de cacao en Nicaragua para 2050. Las proyecciones para 2050, según el modelo ETP son pesimistas. Pero al retirar las variables de temperatura en el modelo “Bio Prec + ETP”, los resultados predicen cambios bastantes positivos principalmente en la RAAN, en los municipios de Puerto Cabezas (Bilwi), Prinzapolka, y en algunos de los municipios de la RAAS como Paiwas, La Cruz de Río Grande y El Tortuguero (Figura 11). En cambio, para el municipio de San Miguelito se predice una pérdida de aptitud promedio de 30% en comparación con las condiciones actuales. A pesar de que el modelo ETP incluye nueve variables de evapotranspiración potencial, ninguna de éstas es reconocida en el análisis de regresión de pasos sucesivos (stepwise regression) como factor determinante. El análisis de regresión empleado (Tabla 7) explica cerca del 43 % de los cambios de aptitud. Para el modelo ETP, los cambios en las variables de temperatura tienen una influencia generalmente negativa, principalmente para el caso de la temperatura media anual (Bio 1). Según los resultados del modelo un incremento de 0.08 °C (σ del cambio estimado) en esta variable implicaría una disminución de 3.7% (β Bio1 * σ del cambio de aptitud según ETP, es decir -0,181 * 0,2069885= - 0.03746492) de aptitud climática en comparación con las condiciones actuales. Por otro lado, para los valores de los coeficientes estandarizados basados en la desviación estándar, los resultados arrojan resultados contradictorios, aun habiendo eliminado aquellas variables con alta correlación. 20 Ahora se debe considerar que MAXENT estima como rango óptimo las condiciones actuales de los sitios usados como muestra para correr el modelo, pero hay evidencia de sitios en donde el cacao se desempeña muy bien en temperaturas altas, como el caso mexicano (Roa-Romero et al., 2009) con temperaturas máximas de hasta 36 °C, cuando en las zonas cacaoteras de Nicaragua se espera que en 2050 la temperatura máxima aumente de de 31.2 ºC a 33.5 ºC. Teniendo en mente que la magnitud de los incrementos de temperatura proyectados por los GCMs no deben ser considerados como un riesgo para los requerimientos climáticos del cacao, se ha corrido el modelo usando únicamente las variables de precipitación mas las variables de evapotranspiración (Bio Prec + ETP). Para los resultados de este nuevo modelo, también se ha elaborado una regresión (Tabla 8) explicando éste modelo un 47% de la varianza total (R2) de los cambios de aptitud. Según los resultados, la precipitación del trimestre más húmedo (Bio 16) juega un papel principal, ya que si la precipitación aumentara en 11 mm (σ del cambio estimado), la aptitud climática disminuiría en 6% (β Bio1 * σ del cambio de aptitud según ETP, es decir, -0.48 * 0.12840902 = -0.06163633); caso contrario, si la precipitación disminuye entonces la aptitud incrementaría. Pero en el caso de la precipitación del mes más seco (Bio 14), por cada 1 mm que incrementa la aptitud se ve afectada de forma positiva incrementando en poco más de 6%. Dado que en las áreas productoras de cacao, la precipitación es bastante mayor que la evapotranspiración, los cambios que se predicen en la ETP no son significativos para el cambio de aptitud. Tabla 6. Estadísticas descriptivas de cambio de aptitud para el año 2050 según los modelos usados. Modelo Media Desv. Est. bioetp 2050 -0,6356195 0,2069885 prec_etp 2050 -0,04836857 0,12840902 Tabla 7: Contribución de las diferentes variables al cambio de aptitud predicho para cacao en el modelo ETP, entre las condiciones actuales y 2050, en las ubicaciones de muestreo utilizadas en el análisis. Los valores representa los coeficientes estandarizados (β) basados en la desviación estándar, también se presenta los valores de B que son estimadores de la relación (positiva o negativa) y Sig. es la significancia estadística. Variable B Intervalo de confianza para B al 95% β Sig. Límite inferior Límite superior (Constante) -1,102 -1,608 -0,595 0,00 BIO1 = Temperatura promedio anual (°C) -0,045 -0,070 -0,021 -0,181 0,00 BIO10 = Temperatura promedio de cuatrimestre más cálido (°C) 0,080 0,063 0,097 0,432 0,00 BIO13 = Precipitación del mes más lluvioso (mm) -0,012 -0,015 -0,008 -0,463 0,00 BIO16 = Precipitación del trimestre más húmedo 0,012 0,010 0,015 0,664 0,00 21 BIO18 = Precipitación del trimestre más caliente 0,000 -0,001 0,000 -0,157 0,00 BIO5 = Temperatura máxima del mes más cálido (°C) 0,117 0,102 0,132 0,669 0,00 BIO6 = Temperatura mínima del mes más frio (°C) -0,096 -0,128 -0,064 -0,192 0,00 R²= 0,431, n=1132, Variable dependiente = Cambio 2050 según modelo ETP Tabla 8: Contribución de las diferentes variables al cambio de aptitud predicho para cacao en el modelo “Bio Prec + ETP”, entre las condiciones actuales y 2050, en las ubicaciones de muestreo utilizadas en el análisis. Los valores están ordenados por β que representa los coeficientes estandarizados basados en la desviación estándar, también se presenta los valores de B que son estimadores de la relación (positiva o negativa) y Sig. es la significancia estadística. Variable B Intervalo de confianza para B al 95% β Sig. Límite inferior Límite superior (Constante) -0,44 -0,52 -0,37 0,00 BIO16 = Precipitación del trimestre más húmedo -0,01 -0,01 0,00 -0,48 0,00 BIO17 = Precipitación del trimestre más seco -0,04 -0,04 -0,03 -0,31 0,00 BIO14 = Precipitación del mes seco 0,06 0,05 0,08 0,24 0,00 ETP9= ETP del trimestre más frío 0,01 0,00 0,01 0,11 0,00 R²= 0, 474, n=1132, Variable dependiente = Cambio 2050 según modelo Bio Prec + ETP 2.5 Resultados de las medidas de incertidumbre. 2.5.1 Coeficiente de variación El coeficiente de variación (CV) entre los GCMs para las variables usadas tanto en el modelo BIO Prec+ETP y ETP para los años 2030 y 2050 está en un rango de hasta 20%. Incluso se encuentran valores menores a 10% para BIO y menores a 20 % para ETP dentro de las áreas identificadas para la producción de cacao, y por lo tanto puede aceptarse como consistente (Figura 12). 28 BIBLIOGRAFÍA Anim-Kwapong, G.J. y Frimpong, E.B. (2005): Vulnerability of agriculture to climate change: Impact of climate change on cocoa production. Cocoa Research Institute of Ghana. Allen, R. G.; Pereira, L. S.; Raes, D. y Smith, M.. (1998): Crop evapotranspiration - Guidelines for computing crop water requirements. FAO - Food and Agriculture Organization of the United Nations. Rome, Italy. http://www.fao.org/docrep/X0490E/x0490e00.htm#Contents. Altieri, M. A.; Funes Monzonte, F.; Henao, A.; Nicholls, C.; Sicard, T.; Vázquez, I. y Zuluaga, G. (2012): Hacia una metodología para la identificación, diagnóstico y sistematización de sistemas agrícolas resilientes a eventos climáticos extremos. REDAGRES. http://wp.ufpel.edu.br/consagro/files/2012/03/Hacia-una-metodolog%C3%ADa-para-la- identificaci%C3%B3ndiagn%C3%B3stico-y-sistematizaci%C3%B3n-de-sistemas- agr%C3%ADcolas-resilientes-a-eventos-clim%C3%A1ticos-extremos.pdf Alvim, P. y Alvim, R. (1980): “Environmental requirements of cocoa with emphasis on responses to shade and moisture stress”. Proceeding in: International Conference on Cocoa and Coconuts. The Incorporated Society of Planters. Kuala Lumpur, Malaysia. pp 93–111. Alvim, P.; Machado A. e Granier, A. (1969): “Alguns estudos sobre as relacoes de agua, solo e crescimento do cacaueiro”. Mem. Conf. Int. Pesquis. Cacau. pp. 316–326. Asare, D. K.; Banini, G. K.; Ayeh, E. O. y Amenorpe G. (2011): “Estimation of potential evapotranspiration for a coastal savannah environment by comparison of different methods”. International Journal of Sustainable Agriculture. 3(2): 65–70. Baca, M.; Läderach, P.; Haggar, J.; Ovalle, O.; Ocón, S.; Gómez, L. y Zelaya, C. (2011): “Vulnerabilidad y estrategias de adaptación al cambio climático en los medios de vida de las familias de Nicaragua”. Centro Internacional de Agricultura Tropical (CIAT), Managua, Nicaragua. http://dapa.ciat.cgiar.org/wp-content/uploads/2012/05/Informe_final_de_Vulnerabilidad- CUP-NIC-2011.pdf BCN (Banco Central de Nicaragua). (2008): Indicadores Económicos 2001 – 2008. Managua. Beerling, D. J.; Huntley, B. y Bailey, J.P. (1995): “Climate and the distribution of Fallopia japonica: use of an introduced species to test the predictive capacity of response surfaces”. Journal of Vegetation Science. 6, pp. 269–282 Blenkinsop, S. y Fowler H. (2007): “Changes in drought frequency, severity and duration for the British Isles projected by the PRUDENCE regional climate models”. Journal of Hidrology 342: 50 – 71. Brzeziecki, B.; Kienast, F. y Wildi, O. (1995): “Modelling potential impacts of climate change on the spatial distribution of zonal forest communities in Switzerland”. Journal of Vegetation Science 6: 257–268. Busby, J. R. (1991): “BIOCLIM—a bioclimatic analysis and prediction tool”. In: Margules, C.R., Austin, M.P. (Eds.), Nature Conservation: Cost Effective Biological Surveys and Data Analysis. CSIRO, Melbourne, pp. 64–68. Carpenter, G.; Gillison, A. N. y Winter, J., (1993): “DOMAIN: a flexible modelling procedure for mapping potential distributions of plants and animals”. Biodiv. Conserv. 2, pp. 667–680. CETREX (Centro de Trámite de las Exportaciones de Nicaragua). (2012):, Exportaciones periodo enero-diciembre 2011. Último acceso en mayo 2012. http://www.cetrex.gob.ni/website/servicios/tproduc11.jsp Cowley, M. J. R.; Wilson, R. J.; León-Cortés, J. L.; Gutiérrez, D.; Bulman, C. R. y Thomas, C. D. (2000): “Habitat-based statistical models for predicting the spatial distribution of butterflies and day-flying moths in a fragmented landscape”. Journal of Applied Ecology 37. 60–72. 29 Cuadra Cea, Luis. (1963): Aspectos históricos de la moneda en Nicaragua. Banco Central de Nicaragua. Dias L. A. S. (2001): “Genetic improvement of cacao”. FUNAPE – UFG (Foundation for Research Support – Goias Federal University, for its acronym in Portuguese) Ecoport version by Peter Griffee, FAO. Accessed June, 2011. http://ecoport.org/ep?SearchType=earticleView&earticleId=197 Dormon, E.N.A.; Van Huis ,A.; Leeuwis, C.; Obeng-Ofori, D. y Sakyi-Dawson, O. (2004): “Causes of low productivity of cocoa in Ghana: Farmers' perspectives and insights from research and the socio-political establishment”. Journal of Life Sciences 52(3-4):237–259. Elith, J. y Leathwick, J.R., (2009): “Species distribution models: ecological explanation and prediction across space and time”. Annual Review of Ecology, Evolution, and Systematics 40: 677–697. Elith, J.; Graham, C.H.; Anderson, R.P.; Dudík, M.; Ferrier, S.; Guisan, A.; Hijmans, R.J.; Huettmann, F.; Leathwick, R.; Lehmann, A.; Li, J.; Lohmann, L.G.; Loiselle, B.A.; Manion, G.; Moritz, C.; Nakamura, M.; Nakazawa,Y.; Overton, J.McC.; Peterson, A.T.; Phillips, J.; Richardson, K.; Scachetti-Pereira, R.; Schapire, E.; Soberon, J.; Williams, S.; Wisz, M. y Zimmermann, E. (2006): “Novel methods improve prediction of species' distributions from occurrence data”. Ecography 29:129–151. Escobedo Aguilar, A. (2010): Cadena productiva de cacao en Nicaragua. CATIE. http://www.catie.ac.cr/BancoMedios/Documentos%20PDF/cadena%20productiva%20nicaragu a.pdf Evangelista, P.; Kumar, S.; Stohlgren, T.; y Young, E. (2011): “Assesing forest vulnerability and the potential distribution of pine bettles under current and future scenarios in the interior West of the US”. Forest Ecology and Management 262: 307–316. FAO. (2003): Ecocrop I and II.Revised version. Land and Water Digital Media Series 4. FAO, Rome. FHA (Fundación Hondureña de Investigación Agrícola). (2004): “Cultivo de cacao bajo sombra de maderables o frutales”. Guía técnica. 23 p. Gogol-Prokurat, Melanie. (2011): Predicting habitat suitability for rare plants at local spatial scales using a species distribution model. Ecological Applications 21:33–47 Gutiérrez, M. E. y Zamora S. (2010): “Evaluación del riesgo climático del Marco de Asistencia de las Naciones Unidas para el Desarrollo, Nicaragua”. Proyecto Integración de riesgos y oportunidades del cambio climático en los procesos nacionales de desarrollo y en la programación por países de las Naciones Unidas. PNUD: Nicaragua. Hargreaves, G. H. y Allen, R. G. (2003): “History and evaluation of hargreaves evapotranspiration equation”. Journal of Irrigation and Drainage Engineering. 129 (1): 53–63. Hargreaves, G. H. y Samani, Z. A. (1985): “Reference crop evapotranspiration from temperature”. Applied Eng. in Agric., 1(2): 96–99. Hijmans, R. J., Cameron, S. E., Parra, J. L.,Jones, P. G. y Jarvis, A. (2005): “Very high resolution interpolated climate surfaces for global land areas”. International Journal of Climatology 25:1965. ICCO (International Cocoa Organization). (2011): “Reporte anual 2009/2010”. Londres, Inglaterra: ICCO. Último acceso en mayo 2012. http://www.icco.org/pdf/An_report/Annual%20Report%20for%202009-2010%20-%20English- French-Spanish-Russian%20-%20final.pdf IPCC. (2007): Summary for Policymakers. In: Climate Change 2007: The Physical Science Basis. Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change [Solomon, S., D. Qin, M. Manning, Z. Chen, M. Marquis, K.B. Averyt, M.Tignor y H.L. Miller (eds.)]. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA. http://www.ipcc.ch/pdf/assessment-report/ar4/wg1/ar4-wg1- spm.pdf INTA (Instituto Nicaragüense de tecnología Agropecuaria). (2009): Guía tecnológica del cultivo del cacao. Edición No. 4. 41 p. 30 Isaac, M. E.; Timmer, V. R. y Quashie-Sam, S. J. (2007): “Shade tree effects in an 8-year-old cocoa agroforestry system: biomass and nutrient diagnosis of Theobroma cacao by vector analysis”. Nutrient Cycling in Agroecosystems 78:155–165. Jaimes, Y. y Aranzazu, F. (2010): Manejo de las enfermedades del cacao (Theobroma cacao L) en Colombia, con énfasis en monilia (Moniliophthora roreri). Colombia. Corpoica. 90 p. Jiménez, D. (2010). “Agricultura específica por sitio compartiendo experiencias”. Centro Internacional de Agricultura Tropical (CIAT), Cali, CO. 2 p. (CIAT hoja informativa No.11). http://www.ciat.cgiar.org/Newsroom/Documents/hoja_informativa11_aesce.pdf Jones, J. W.; Hoogenboom, G.; Porter, C. H.; Boote, K. J.; Batchelor, W. D.; Hunt, L. A.; Wilkens, P. W.; Singh, U.; Gijsman, A. J. y Ritchie, J. T. (2003): “The DSAAT cropping system model”. Europ. J. Agronomy 18: 23 – 265. Kearney, M. R. y Porter W. P. (2009): “Mechanistic niche modeling: combining physiological and spatial data to predict species’ranges”. Ecology Letters 12: 334–350 Läderach, P., Martinez, A., Schroth, G., y Castro, N. 2012. “Predicting the future climatic suitability for cocoa farming of the world´s leading producing countries, Ghana and Côte d'Ivoire”. Manuscript submitted for publication. Läderach, P., Hagger, J., Lau, C., Eitzinger, A., Ovalle, O., Baca, M., Jarvis, A. y Lundy, M. (2010): “Mesoamerican coffee: Building a climate change adaptation strategy”. CIAT, Policy Brief, 4 p. Läderach, P., Lundy, M., Jarvis, A., Ramírez, J., Pérez, P.E., Schepp, K,, y Eitzinger, A. (2010b): “Predicted impact of climate change on coffee-supply chains”. In Leal Filho, W. (ed) The Economic, social and Political Elements of Climate Change, Springer Verlag, Berlin. Chapter 42. Lennon, J. J. (1999): “Resource selection functions: taking space seriously?”. Trends in Ecology and Evolution. 14:399–400 Lobell D. B.; Burke M. B.; Tebaldi C.; Mastrandrea M. D.; Falcom W. P. y Naylor R. L. (2008): “Prioritizing Climate Change Adaptation Needs for Food Security in 2030”. Science 319: 607–610. Lybbert, T. y Sumner, D. (2010): Agricultural Technologies for Climate Change Mitigation and Adaptation in Developing Countries: Policy Options for Innovation and Technology Diffusion. ICTSD–IPC Platform on Climate Change, Agriculture and Trade. Issue Brief No.6. International Centre for Trade and Sustainable Development, Geneva, Switzerland and International Food & Agricultural Trade Policy Council, Washington DC, USA. MAGFOR (Ministerio Agropecuario y Forestal). Gutiérrez, C.; Alfaro, J.; Gutiérrez, M. y Altamirano, M. (2008): Sub-programa: Fomento de la producción, transformación y comercialización de cacao en Nicaragua. http://www.magfor.gob.ni/prorural/programasnacionales/perfilessub/cacao.pdf Meléndez, L. y Somarriba, E. (1999): “Microambiente y cantidad de esporas de Moniliophthora roreri en el aire bajo tres sistemas de sombra leguminosa en cacao”. Agroforestería en Las Américas Vol. 6. 23: 39–41. Nix, H.A. (1986): “A biogeographical analysis of Australian elapid snakes”. In: Longmore, R. (Ed.), Atlas of Elapid Snakes of Australia. Australian Government Publishing Service, Canberra, pp. 4– 15. Ortega-Huerta, M. A. y Townsend, P. (2008): “Modelado de nichos ecológicos y predicción de distribuciones geográficas: comparación de seis métodos”. Revista Mexicana de Biodiversidad 79: 205 – 216. Pearson, R.G. (2007): Species’ Distribution Modeling for Conservation Educators and Practitioners. Synthesis. American Museum of Natural History. Available at http://ncep.amnh.org . Phillips S.T. y Dudik, M. (2008): “Modeling of species distributions with MaxEnt: new extensions and a comprehensive evaluation”. Ecography, 31: 161-175. Phillips, S. J.; Anderson, R. P. y Schapire,R. E. (2006): “Maximum entropy modeling of species geographic distributions”. Ecological Modelling 190:231–259. 31 Rabbinge, R. (2009): Agricultural science and technology needs for climate change adaptation and mitigation. International Food Policy Research Institute (IFPRI). 16 (2). http://www.ifpri.org/sites/default/files/publications/focus16_02.pdf Ramirez J. y Jarvis A.. (2010). Disaggregation of Global Circulation Model Outputs. http://gisweb.ciat.cgiar.org/GCMPage/ Roa-Romero, H.; Salgado-Mora, M. y Alvarez-Herrera, J. (2009): “Análisis de la estructura arbórea del sistema agroforestal de cacao (teobroma cacao L.) en el Soconusco, Chiapas – México”. Acta biol. Colomb. 14: 97–110. Robertson, M. P.; Peter, C. I.; Villet, M. H. y Ripley B. S. (2003): “Comparing models for predicting species’ potential distributions: a case study using correlative and mechanistic predictive modelling techniques”. Ecological Modelling 164: 153–167. Rounsevell, M. D.; A.; Annetts, J. E.; Audsley, E.; Mayr, T. y Reginster I. (2003): “Modelling the spatial distribution of agricultural land use at the regional scale”. Agriculture, Ecosystem and Environment 95: 465 – 479. Schroth, G.; Laderach, P.; Dempewolf, J.; Philpott, S.; Haggar, J.; Eakin, H.; Castillejos, T.; Moreno, J. G.; Soto, P. L.; Hernandez, R.; Eitzinger, A. y Ramirez-Villegas J. (2009): “Towards a climate change adaptation strategy for coffee communities and ecosystems in the Sierra Madre de Chiapas, Mexico”. Mitig Adapt Strateg Glob Change 14: 605–625 Schwendenmann, L.; Veldkamp, E.; Moser, G.; Holscher, D.; Kohler, M.; Clough, Y.; Anas, I.; Djajakirana, G.; Erasmi, S.; Hertel, D.; Leitner, D.; Leuschner, C.; Michalzik, B.; Propastini, P.; Tjoa, A.; Tscharntke, T. y van Straaten, O. (2010): “Effects of an experimental drought on the functioning of a cacao agroforestery system, Sulawesi, Indonesia”. Global Change Biology 16, 1515–1530. Seoane, J. y Bustamante, J. (2001): “Modelos predictivos de la distribución de especies: una revisión de sus limitaciones”. Ecología 15:9–21. Soria-Auza, R.; Kessler, M.; Bach, K.; Barajas-Barbosa, P.; Lenhert, M.; Herzog, S. y Böhner, J. (2010): “Impact of the quality of climate models for modelling species ocurrencies in countries with poor climatic documentation: a case study from Bolivia”. Ecological Modelling 221: 1221– 1229. Tukey J.W. (1977): Exploratory data analysis. Reading, MA:Addison-Wesley Publishing. Wood, G. y Lass, R. (2001). Cacao. 4th ed. Oxford: Blackwell Science Ltd. Zhang, X.; Liu, W.; Li, Z. y Chen, J. (2011): “Trend and uncertainty analysis of simulated climate change impacts with multiple GCMs and emission scenarios”. Agricultural and Forest Meteorology 151: 1297 – 1304. 32 ANEXOS Anexo I: Listado de participantes en reunión de trabajo para validación. Tabla 9. Lista de contactos participantes de la reunión de trabajo sostenida el 30 de marzo de 2012, con miembros del ejecutivo de la comisión de la mesa nacional de cacao. No. Nombre y Apellidos Organización 1 Oveyda Morales Dávila Instituto para el Desarrollo y la Democracia (IPADE) 2 Claudia E. Pineda Lutheran World Relief (LWR) 3 Ernesto Bendaña B. Organización de las Naciones Unidas para el Desarrollo Industrial (ONUDI – Nicaragua) 4 Manuel Morales Navarro Unión Nacional de Agricultores y Ganaderos de Nicaragua (UNAG) 5 Carolina Vega Universidad Nacional Agraria (U)NA 6 Maribel Chamorro Movimiento FUNDAR 7 Luis Orozco Aguilar Federación Nacional de Cooperativas (FENACOOP R. L) 8 Iván Marín Laboratorio-Bio-ciencia- Universidad Nacional Autónoma de Nicaragua (UNAN) 9 Silvia López Rayo Ministerio de Economía Familiar, Cooperativa, Comunitaria y Asociativa 33 Figura 18: Participantes de la reunión de trabajo durante la validación de los resultados para del modelo para las áreas en condiciones actuales. Figura 19: Mapa resultado del modelo inicial, validado en la reunión sostenida con miembros del ejecutivo de la comisión de la mesa nacional de cacao.