Ưu tiên nhu cầu thích ứng với biến đổi khí hậu để đảm bảo an ninh lương thực vào năm 2030
Tóm tắt
Các khoản đầu tư nhằm cải thiện khả năng thích ứng của nông nghiệp với biến đổi khí hậu tất yếu sẽ ưu tiên một số loại cây trồng và vùng miền hơn những nơi khác. Một phân tích về rủi ro khí hậu đối với cây trồng ở 12 khu vực thiếu an ninh lương thực đã được thực hiện để xác định các ưu tiên thích ứng, dựa trên các mô hình thống kê về cây trồng và các dự báo khí hậu cho năm 2030 từ 20 mô hình lưu thông tổng quát. Kết quả cho thấy Nam Á và Nam châu Phi là hai khu vực, nếu không có các biện pháp thích ứng đủ, có khả năng sẽ chịu tác động tiêu cực đến một số loại cây trồng quan trọng đối với các quần thể con người thiếu an ninh lương thực lớn. Chúng tôi cũng tìm thấy rằng độ bất định trái ngược nhau rất nhiều theo từng loại cây trồng, vì vậy các ưu tiên sẽ phụ thuộc vào thái độ rủi ro của các tổ chức đầu tư.
Từ khóa
Tài liệu tham khảo
W. Easterlinget al., in Climate Change 2007: Impacts, Adaptation and Vulnerability. Contribution of Working Group II to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change (Cambridge Univ. Press, Cambridge, 2007), pp. 273–313.
I. Burton M. van Aalst “Look before you leap: A risk management approach for incorporating climate change adaptation in World Bank operations” (World Bank Washington DC 2004).
J. M. Alston C. Chan-Kang M. C. Marra P. G. Pardey T. J. Wyatt “A meta-analysis of rates of return to agricultural R&D: Ex pede Herculem?” (International Food Policy Research Institute Washington DC 2000).
We used FAO data on national crop production and area which include quantities consumed or used by the producers in addition to those sold on the market.
Model simulations under three SRES (Special Report on Emissions Scenarios) emission scenarios corresponding to relatively low (B1) medium (A1b) and high (A2) emission trajectories were used. Although the mean projections for the emission scenarios exhibit very small differences out to 2030 the use of three scenarios provided a larger sample of simulations with which to assess climate uncertainty. For all simulations average monthly output for 1980–1999 was subtracted from that of 2020–2039 to compute monthly changes in temperature and precipitation.
J. H. Christensenet al., 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, S. Solomon et al., Eds. (Cambridge Univ. Press, Cambridge, 2007), pp. 847–940.
Namely the crop regression model was fit with a bootstrap sample from the historical data and the coefficients from the regression model were then multiplied by projected changes in average temperature and precipitation which were randomly selected from the CMIP3 database. This process was repeated 100 times for each crop. Bootstrap resampling is a common approach to estimate uncertainty in regression coefficients although this addresses only the component of model uncertainty that arises from a finite historical sample and not the potential uncertainty from structural errors in the model. Similarly the representation of climate uncertainty by equally weighting all available GCMs is a common approach but could potentially be improved such as by weighting models according to their agreement with the model consensus and with historical observations. Nonetheless the resulting probability distributions incorporate reasonable measures of both climate and crop uncertainty and thus should fairly reflect both the absolute and relative level of uncertainties between crops.
B. Smitet al., in Climate Change 2001: Impacts, Adaptation and Vulnerability. Contribution of Working Group II to the Third Assessment Report of the Intergovernmental Panel on Climate Change (Cambridge Univ. Press, Cambridge, 2001), pp. 877–912.
We thank D. Battisti C. Field and three anonymous reviewers for helpful comments. D.B.L. was supported by a Lawrence Fellowship from LLNL. Part of this work was performed under the auspices of the U.S. Department of Energy (DOE) by LLNL under contract DE-AC52-07NA27344. We acknowledge the modeling groups the Program for Climate Model Diagnosis and Intercomparison and the WCRP's Working Group on Coupled Modelling for their roles in making available the WCRP CMIP3 multimodel data set. Support of this data set is provided by the Office of Science DOE.