Caracterización y perspectivas de los peligros climáticos en una zona agrícola de Pakistán.

Aug 17, 2023

Scientific Reports volumen 13, número de artículo: 9958 (2023) Citar este artículo

799 Accesos

8 altmétrico

Detalles de métricas

Muchas dimensiones de la vida humana y el medio ambiente son vulnerables al cambio climático antropogénico y los peligros asociados con él. Existen varios índices y métricas para cuantificar los peligros climáticos que pueden informar la preparación y la planificación en diferentes niveles, por ejemplo, global, regional, nacional y local. Este estudio utiliza proyecciones climáticas sesgadas y corregidas de temperatura y precipitación para calcular las características de los peligros climáticos potenciales que se pronuncian en el Área de Comando de la Presa de Gomal Zam (GZDCA), un área agrícola irrigada en la provincia de Khyber Pakhtunkhwa en Pakistán. Los resultados responden a la pregunta de qué le deparará el futuro a la GZDCA en cuanto a los peligros climáticos de las olas de calor, las fuertes precipitaciones y la sequía agrícola. Los resultados de las olas de calor y la sequía agrícola presentan un futuro alarmante y exigen acciones inmediatas de preparación y adaptación. La magnitud de los índices de sequía para el futuro se correlaciona con la respuesta del rendimiento de los cultivos basada en simulaciones del modelo AquaCrop con datos climáticos observados que se utilizan como entrada. Esta correlación proporciona información sobre la idoneidad de varios índices de sequía para la caracterización de la sequía agrícola. Los resultados explican cómo el rendimiento del cultivo de trigo cultivado en un entorno típico común en la región del sur de Asia responde a la magnitud de los índices de sequía. Los hallazgos de este estudio informan el proceso de planificación para el cambio climático y los peligros climáticos esperados en la GZDCA. Analizar los peligros climáticos para el futuro a nivel local (distritos administrativos o áreas agrícolas contiguas) podría ser un enfoque más eficiente para la resiliencia climática debido a su especificidad y su mayor enfoque en el contexto.

El Panel Intergubernamental sobre Cambio Climático (IPCC) enfatiza que el cambio climático inducido por el hombre, incluidos eventos extremos más frecuentes e intensos, ha causado impactos adversos generalizados y pérdidas y daños relacionados a la naturaleza y las personas, más allá de la variabilidad climática natural1. Los científicos2 aluden a que los extremos son inevitables a medida que el registro climático se hace más largo, pero ciertos extremos relacionados con el calentamiento se están volviendo más evidentes. El IPCC1 ha informado sobre la aparición de fenómenos climáticos extremos, indicando una creciente concurrencia de fenómenos de calor y sequía que están provocando pérdidas en la producción de cultivos y mortalidad de árboles. De manera similar, las temperaturas extremas, incluidas las olas de calor, se han intensificado en las ciudades. Las tendencias de los fenómenos extremos relacionados con el clima a escalas localizadas suelen aparecer en la literatura científica. Por ejemplo, en Estados Unidos, las temperaturas extremas altas se han producido a un ritmo que duplica el de las temperaturas extremas frías3. Por otro lado, el cambio climático hizo que la ola de calor del sur de Asia fuera 30 veces más probable4.

El término peligro climático generalmente se refiere a eventos o tendencias físicas relacionadas con el clima o sus impactos físicos que pueden causar pérdidas de vidas, lesiones u otros impactos sobre la salud, así como daños y pérdidas a propiedades, infraestructura, medios de vida, prestación de servicios, ecosistemas, y recursos ambientales5. Mora et al.6 concluyen, basándose en una revisión sistemática, que, con pocas excepciones, los cambios en los peligros climáticos se han estudiado de forma aislada, mientras que las evaluaciones de impacto comúnmente se han centrado en aspectos específicos de la vida humana. Mora et al.6 han desarrollado recientemente un índice acumulativo que se basa en diez amenazas climáticas (calentamiento, precipitaciones, inundaciones, sequías, olas de calor, incendios, nivel del mar, tormentas, cambios en la cubierta natural del suelo y química de los océanos) e incluye seis aspectos. de los sistemas humanos (salud, alimentación, agua, infraestructura, economía y seguridad). Han aplicado el índice acumulativo a escala global y los resultados están disponibles en línea como un mapa interactivo.

Debido a la diversidad de geografías y asentamientos humanos, algunos peligros climáticos y sus aspectos relevantes del sistema humano se aplican de manera más prominente a un área geográfica particular que a otra. La división entre aglomeraciones rurales y urbanas es bien conocida, pero un área rural o urbana también puede exhibir ecosistemas específicos que exigen una visión más amplia de los peligros climáticos relevantes. Schneider et al.7 describen los instrumentos de planificación formales e informales que pueden utilizarse para la adaptación basada en ecosistemas en las ciudades.

Como las ciudades están en la primera línea de la emergencia climática global, las evaluaciones sistemáticas de los peligros climáticos para el futuro y la planificación de la adaptación son comunes para las grandes metrópolis. Frente al cambio climático, el informe recientemente publicado de Lancet8 sugiere que las ciudades se adapten físicamente para mitigar los efectos negativos del aumento de los extremos meteorológicos. A principios de la década pasada, los líderes de las grandes metrópolis eran conscientes de los impactos del cambio climático y estaban preparados para ello. La ciudad de Nueva York ha sido un caso destacado en este sentido. El Panel de la Ciudad de Nueva York (NPCC) sobre el Cambio Climático ha publicado sus informes de evaluación9,10 que detallan la evaluación de los peligros climáticos en el futuro utilizando varios GCM. Según Rosenzweig et al.11, los líderes urbanos parecen dispuestos y capaces de tomar medidas para proteger sus ciudades contra estas amenazas y ayudar a marcar una diferencia global. El Consejo Mundial de Alcaldes sobre el Cambio Climático (WMCCC) se fundó en 2005 y el Grupo de Liderazgo Climático de Ciudades C40 son claros ejemplos de plataformas en las que las ciudades colaboran para implementar las acciones urgentes necesarias para enfrentar la crisis climática.

Hay varias ciudades en países en desarrollo donde los asentamientos humanos y los ecosistemas son vulnerables a los peligros climáticos. En muchos casos, la principal fuente de sustento de la comunidad es la agricultura y la ganadería. La falta de evaluaciones sistemáticas del cambio climático y su impacto visto desde diversos lentes, es decir, alimentos saludables, agua, infraestructura, economía y seguridad, está exacerbando la gravedad del desafío.

Pakistán está clasificado entre los 8 países más afectados por los impactos de fenómenos meteorológicos extremos relacionados con el clima (tormentas, inundaciones, olas de calor, etc.) entre 2000 y 201912. Existe una gran cantidad de literatura sobre proyecciones e impactos climáticos en Pakistán en una escala nacional. La literatura incluye estudios realizados por agencias de desarrollo internacionales13,14 e investigadores individuales. Por ejemplo, Hussain et al.15 han revisado los impactos del cambio climático, la adaptación y la mitigación de calamidades ambientales y naturales en Pakistán; y Fahad y Wang16 revisan el cambio climático, la vulnerabilidad y su impacto en el Pakistán rural. Sin embargo, existe una enorme brecha de conocimiento cuando los impactos del cambio climático y la resiliencia se consideran a escala subnacional. Hay muy pocos casos en Pakistán donde se evalúa la vulnerabilidad climática para la planificación y preparación de una ciudad; un caso destacado parece ser el de Islamabad17. Esto muestra que las evaluaciones climáticas y los esfuerzos de planificación suelen estar sesgados hacia las grandes ciudades, lo que a veces es comprensible debido a la gran población que reside allí, pero las ciudades más pequeñas (que a veces tienen áreas y comunidades más vulnerables) siguen estando subrepresentadas. Hasta donde sabemos, no existe ninguna evaluación de riesgo climático disponible para un distrito agrícola (en el sur de Asia comúnmente denominado "área de comando" atendida por una infraestructura hídrica como una presa o un canal de riego) en Pakistán. Por lo tanto, este estudio se ha centrado en el Área de Comando de la Presa de Gomal Zam (GZDCA), ya que se extiende entre las partes menos representadas de Pakistán. El área ha sido testigo de violencia e insurrecciones a gran escala durante la última década y, según el Índice de Pobreza Multidimensional18, sus distritos constituyentes (es decir, los distritos de DI Khan y Tank) se encuentran en el 30% superior de los distritos de Pakistán (114 en total) con la mayor prevalencia de pobreza. . En los últimos 10 años se han realizado enormes inversiones en desarrollo para desarrollar infraestructura de riego para mejorar la agricultura y la producción de alimentos en esta área marginada de GZDCA, pero los impactos del cambio climático están dificultando el logro de los dividendos previstos de esta inversión en desarrollo.

Pocos estudios han informado sobre las características de las sequías y las olas de calor basadas en el clima proyectado en el sur de Asia (y sus subregiones)19,20. Estos estudios proporcionan información útil sobre la exposición prevista al estrés por calor y sus implicaciones socioeconómicas futuras. Por otro lado, la agencia meteorológica gubernamental de Pakistán también monitorea las olas de calor y la sequía y emite avisos, alertas y boletines semanales/mensuales21 basados ​​en sus análisis a escala de distrito. En una zona agrícola, el estrés climático afecta más a la salud de los cultivos. Las investigaciones anteriores generalmente solo investigaban la sequía meteorológica, que considera la lluvia como la única variable para el cálculo del índice y no incluye otras variables climáticas. La sequía agrícola, a diferencia de la sequía meteorológica, incorpora las características del cultivo y el área agrícola (en cuestión) al correlacionar las respuestas a la sequía con el rendimiento del cultivo utilizando un enfoque de modelado.

Este artículo investiga las relaciones observadas entre la sequía y sus consecuencias en el sistema agrícola y amplía la cuantificación de peligros seleccionados relacionados con el clima en períodos de tiempo futuros. Los resultados específicos pueden informar a las autoridades de GZDCA para que tomen decisiones de planificación y preparación sobre los riesgos climáticos; sin embargo, la audiencia global encontraría más atractivas las implicaciones generales de los métodos. Los métodos y análisis utilizados en este artículo tienen una aplicabilidad geográfica más amplia, por lo tanto, los resultados específicos también se comparan con estudios similares en otras áreas del mundo. Los índices de sequía agrícola se han desarrollado y aplicado principalmente en países europeos y se correlacionan bien con la respuesta del rendimiento del trigo cultivado en condiciones mediterráneas. El trigo es el segundo cultivo más importante en el sur de Asia22, donde las condiciones climáticas son muy diferentes a las de los países mediterráneos. Este artículo llena este vacío de conocimiento calculando índices de sequía agrícola para el futuro y evaluando su idoneidad correlacionándolos con las respuestas del rendimiento de los cultivos de trigo en entornos típicos del sur de Asia. El enfoque analítico de este artículo destaca la importancia de predecir los peligros climáticos a escala local, es decir, el distrito agrícola. La planificación y la preparación a escala local son quizás un enfoque más inteligente, ya que son más específicos del contexto que las directrices de planificación sobre el cambio climático disponibles a una escala más amplia. La aplicación de técnicas aún no ha sido suficientemente probada en el contexto geográfico y el entorno utilizados en este estudio. Por lo tanto, el presente estudio proporciona una metodología escalable para desarrollar una perspectiva climática para áreas agrícolas.

La evaluación y evaluación de los peligros climáticos se aplican a un área atendida por un plan de riego en Pakistán, a saber, el Área de Comando de la Presa de Gomal Zam (GZDCA). La GZDCA es un subconjunto de dos ciudades/distritos adyacentes en la provincia de Khyber Pakhtunkhwa: (i) el distrito de DI Khan con una población de 1,6 millones (densidad de población = 222 personas/km2), de los cuales el 77% reside en zonas consideradas rurales, y (ii) Distrito de tanques con 0,39 millones de habitantes (densidad de población = 233 personas/km2) de los cuales el 87% vive en zonas rurales. El área total de GZDCA es de 1030 kilómetros cuadrados, de los cuales el 57% está en DI Khan y el 43% en el distrito de Tank. En este artículo, el análisis del cambio climático utiliza datos observados de dos observatorios meteorológicos en GZDCA, es decir, DI Khan (31.863, 70.902) y Tank (32.2162, 70.3896), como se muestra en la Fig. 1. El sistema de riego comprende una red dendrítica de canales abiertos que suministran agua del río Gomal a las granjas. La Figura 1 también muestra las importantes infraestructuras de riego y sistemas de suministro de agua. El uso de la tierra con cubierta vegetal (considerada área cultivada) predomina en el área construida/asentada como se muestra en la Fig. 1. Estudios anteriores23,24 han discutido en detalle las características del sistema de riego de GZDCA.

El mapa del área de comando de la presa Gomal Zam. Crédito del mapa base: Copyright:(c) 2014 Esri, World Shaded Relief.

Los modelos de circulación general (MCG) son herramientas esenciales para los estudios climáticos y son los principales medios accesibles para proyectar el clima futuro y su cambio potencial bajo diversas retroalimentaciones de las emisiones de gases de efecto invernadero25. Sin embargo, ha habido un interés creciente en el uso de Modelos Climáticos Regionales (RCM) para estudios de impacto del cambio climático a escalas espaciales más pequeñas26. Estos RCMS se derivan de los resultados de GCM mediante una reducción de escala dinámica. Las proyecciones del GCM son todavía demasiado aproximadas (~ 200 km) para realizar evaluaciones explícitas del impacto y calcular índices de eventos extremos. Mientras que el enfoque dinámico comúnmente permite reducir la resolución a aproximadamente 10 a 50 km. Circulaciones a gran escala, por ejemplo, cambios en los patrones de los vientos monzónicos; y los forzamientos locales, como la heterogeneidad topográfica, costera y de uso de la tierra, influyen en las señales del cambio climático a gran escala (ver, por ejemplo, 27, 28, 29). Con este fin, los MCR son una opción racional, especialmente cuando la motivación de la investigación no es comprender los patrones y tendencias climáticos globales para los cuales los MCG son la opción obvia.

Los RCM son modelos de alta resolución capaces de proporcionar una representación más realista de importantes heterogeneidades de la superficie (como la topografía, las costas y las características de la superficie terrestre) y los procesos atmosféricos de mesoescala26. La iniciativa del Experimento Regional Coordinado de Reducción del Clima (CORDEX) fue el primer programa internacional que proporcionó un marco común para simular el clima histórico y futuro a nivel regional, bajo diferentes Vías de Concentración Representativas (RCP)30 y en diferentes dominios que cubren todo el territorio. áreas. Más específicamente, proporciona datos climáticos simulados por un conjunto de RCM desarrollados por varios centros de investigación de todo el mundo que se ven obligados por los GCM de la fase 5 del Proyecto de Intercomparación de Modelos Acoplados (CMIP5)31. Peres et al.26 revisaron 14 estudios que incorporaron MCR CORDEX en varias regiones y enumeraron sus principales hallazgos. En general, estos estudios muestran que los MCR de CORDEX pueden reproducir las características climáticas más importantes a escalas regionales, pero persisten sesgos importantes, especialmente en lo que respecta a las precipitaciones o los extremos climáticos (según el modelo, la región/subregión, las opciones en la configuración del modelo, la variabilidad interna, e incertidumbres de los propios datos de referencia observacionales). Peres et al.26 llegan a una conclusión similar basándose en su análisis para comparar la habilidad de 19 MCR de EURO-CORDEX para reproducir el régimen de temperatura y precipitación anual y estacional, así como varias características de la sequía. Los hallazgos clave del análisis han sido que las combinaciones de modelos pueden simular la temperatura mejor que la precipitación, aunque existen sesgos importantes en ambas variables. Los modelos que son fiables para simular la precipitación pueden no ser los mismos en lo que respecta a la temperatura.

En esta investigación se han utilizado los resultados de varios MCR del marco CORDEX-Asia Meridional. Con respecto a las limitaciones discutidas en la literatura antes mencionada, este estudio ha incorporado: una combinación de varios MCR para abordar la cuestión de la intervariabilidad de resultados confiables de los MCR para diferentes variables; y aplicó un enfoque de reducción de escala estadística para mejorar la resolución espacial y minimizar los sesgos. La razón detrás de la reducción de escala estadística de los resultados de CORDEX RCM es capturar variaciones a escala local en las variables climáticas que no están bien representadas en los resultados de RCM y, en consecuencia, pueden limitar su utilidad para la toma de decisiones a escalas locales. Por ejemplo, si una parte interesada está interesada en comprender los impactos del cambio climático en una cuenca hidrográfica o en un sistema de producción de cultivos específico, la resolución aproximada de los resultados del RCM puede no proporcionar suficientes detalles para tomar decisiones informadas. Ahmad y Rasul32 amplían la utilidad de la técnica de reducción de escala estadística afirmando que “sin embargo, los enfoques de reducción de escala estadística emergentes dependen del suministro de conjuntos de datos a largo plazo de predictores y variables predictivas que generan relaciones estadísticamente significativas. Si se cumplen estas disposiciones, entonces los enfoques estadísticos de reducción de escala pueden presentar mejores contingencias para la reducción a ubicaciones o regiones precisas donde los resultados dinámicos de la reducción de escala son inciertos”.

Los datos de CORDEX RCM se obtuvieron del recurso disponible gratuitamente33 desarrollado por Copernicus, el programa de observación de la Tierra de la Unión Europea. La Tabla 1 proporciona características de los datos climáticos que incluyen la lista de modelos climáticos globales y regionales (RCM) y su resolución espacial y temporal.

Utilizando un registro compuesto de temperatura y precipitación observadas (derivado del promedio de los datos diarios de las dos estaciones GZDCA), se corrigieron los sesgos de los resultados de cinco modelos climáticos regionales (RCM) para proyectar variables (predictores) para intervalos de tiempo futuros siguiendo los métodos de Teutschbein y Seibert34. Se utilizó la herramienta de datos del modelo climático para modelado hidrológico (CMhyd)35 para realizar la corrección del sesgo. Esta herramienta se aplica ampliamente en muchos estudios de modelización hidrológica36,37,38. La media y la desviación estándar de una variable determinada se utilizaron para ajustar la distribución del modelo con respecto a la distribución observada objetivo.

Los datos observados de temperatura y precipitación mínima y máxima se obtienen de dos estaciones climáticas (observatorios) en GZDCA, a saber, DI Khan y Tank. Se considera que el período base es 1980-2005, donde los datos observados se utilizan para entrenar el modelo CMhyd y generar series de tiempo para futuras correcciones de sesgo de los RCM. Los datos futuros se proyectan desde 2006 hasta 2100. Los resultados se agregan en tres intervalos de tiempo futuros: futuro cercano o década de 2020 (2011-2040); Mediados de siglo o década de 2050 (2041-2070); y Fin de siglo o década de 2080 (2071-2100).

A medida que el clima varía o cambia, varias influencias directas alteran la cantidad, intensidad, frecuencia y tipo de precipitación39,40. El calentamiento acelera el secado de la superficie terrestre a medida que el calor pasa a la evaporación de la humedad, y esto aumenta la posible incidencia y gravedad de las sequías, que se han observado en muchos lugares del mundo41.

Un trabajo importante para diseñar el análisis de los peligros climáticos ha sido el informe NPCC39 que define los peligros climáticos y sus medidas de cuantificación: 'Un peligro climático es un estado meteorológico o climático como una ola de calor, una inundación, un viento fuerte, una lluvia intensa, hielo , nieve o sequía que pueden causar daños y perjuicios a las personas, las propiedades, la infraestructura, la tierra y los ecosistemas. Los peligros climáticos se pueden expresar en medidas cuantificadas, como la altura de la inundación en pies, la velocidad del viento en millas por hora y las pulgadas de lluvia, hielo o nieve que se alcanzan o exceden en un período de tiempo determinado. Este documento analiza los peligros climáticos seleccionados que son destacados en GZDCA. La selección de peligros climáticos también está en línea con los resultados de Mora et al.6 para GZDCA. En las subsecciones siguientes se elabora la metodología para analizar estos peligros climáticos. Para detectar un evento climático extremo en pasos de tiempo futuros, se utilizan datos estadísticos reducidos con corrección de sesgo utilizando CMhyd, como se explica en la sección Proyección del cambio climático.

La ola de calor es un tipo importante de evento climático extremo que ha sido descrito por varios atributos y combinaciones que constituyen varias tipologías de eventos. No existe una definición universal de las condiciones que constituyen una ola de calor. Shafiei Shiva et al.42 han recopilado varias definiciones de la literatura y han llegado a la conclusión de que, a pesar de la diversidad de definiciones, en la mayoría de los estudios se utilizan cuatro propiedades principales para describir los impactos de las olas de calor, es decir, frecuencia, intensidad, duración y momento43,44,45. . Sharma et al.46 han revisado la literatura para tener en cuenta los efectos de las olas de calor en la salud en la región del sur de Asia. Según su revisión, las olas de calor no se han definido explícitamente y existen muchas definiciones de olas de calor para los países de la región del sur de Asia. Es imperativo señalar que hay muchos índices disponibles en la literatura que explican las diferentes características de las olas de calor; por ejemplo, algunos índices fueron sugeridos por el Equipo de expertos en detección e índices del cambio climático. Un estudio reciente47 ha utilizado estos índices para explicar las características de las olas de calor y la futura exposición al calor de la población de África. Es importante destacar que este estudio47 también informa que no existe una definición estándar de ola de calor y adopta definiciones de investigadores anteriores.

Las olas de calor son una causa notable de hospitalización y mortalidad humana relacionada con el clima en muchas partes del mundo48,49,50,51,52. Las olas de calor también perjudican gravemente la agricultura y los sistemas de distribución de agua, especialmente cuando van acompañadas de sequías meteorológicas; las olas de calor pueden disminuir significativamente el rendimiento de los cultivos53 y la ecología54. Muchas plantas son sensibles a temperaturas elevadas prolongadas55. Además, las olas de calor ejercen presión sobre las redes eléctricas y los sistemas de distribución de agua debido al consumo adicional de energía para refrigeración y agua potable56,57,58.

La ausencia de una definición universal de olas de calor exige adoptar una definición para analizar las olas de calor en este estudio. Esto lleva a los autores a adoptar la versión simplificada de la definición de la Ref.48, que es “las olas de calor se definen como ≥ 2 días con temperatura ≥ 95 percentil para el período base”. Esta definición ha sido adoptada en muchos estudios9,59,60. Para calcular las propiedades de los eventos de olas de calor que califican la definición adoptada, se modifica el código R de Shafiei Shiva61. Las definiciones de las propiedades de las olas de calor utilizadas en este artículo son similares a las utilizadas por Shafiei Shiva et al.42:

Número de días calurosos (Días): Un día caluroso es un día con una temperatura diaria promedio superior al umbral.

Frecuencia de olas de calor: Número de olas de calor independientes en cada año natural.

Duración de las olas de calor (Total): La duración acumulada de todas las olas de calor en cada año calendario.

Evento de ola de calor más largo (Longest): El evento de ola de calor más largo de cada año calendario.

La severidad de las olas de calor: La severidad total de la ola de calor es el valor acumulativo de la temperatura promedio diaria por encima del umbral definido como se expresa en la ecuación. (1).

Donde \({T}_{avg,day \,i}\) es la temperatura promedio de \({day}_{i}\) durante la ola de calor según la definición adoptada. \({Threshold}_{avg}\) es el umbral de temperatura media diaria según la definición adoptada. \(m\) es la duración total de los días durante las olas de calor.

La precipitación es el elemento principal entre las variables meteorológicas que afectan más directamente la vida y la civilización porque su variación extrema podría causar impactos significativos tanto en la sociedad humana como en el medio ambiente natural62. Sin embargo, la naturaleza y magnitud de los daños causados ​​por inundaciones provocadas por precipitaciones extremas (intensidad y frecuencia) varían según la ubicación y dependen en gran medida de la preparación local. Davenport et al.63 vinculan los daños por inundaciones resultantes de fuertes precipitaciones con el costo del cambio climático y analizan más de 6.600 informes de daños por inundaciones a nivel estatal para cuantificar la relación histórica entre precipitaciones y daños por inundaciones en los Estados Unidos. Han llegado a la conclusión de que el cambio histórico en las precipitaciones (1988-2017) es la razón del 36% de los daños por inundaciones en Estados Unidos.

En cuanto a la GZDCA, existe muy poca documentación sistemática sobre los daños causados ​​por inundaciones repentinas. A menudo, la información sobre los daños por inundaciones la proporcionan las Autoridades Provinciales de Gestión de Desastres (PDMA) y los medios de comunicación locales64. Diez corrientes de inundación en el distrito de Tank sufren inundaciones repentinas durante la temporada de monzones debido a las fuertes precipitaciones. La principal fuente de inundaciones repentinas son los torrentes de las colinas en la cuenca justo aguas arriba de GZDCA. Estas inundaciones repentinas en el pasado reciente han provocado la pérdida de vidas humanas y de ganado, rupturas de secciones del canal, inundaciones de áreas agrícolas y residenciales y daños económicos a los cultivos. DI Khan es relativamente menos vulnerable a las inundaciones repentinas que Tank debido a la naturaleza del terreno.

La sequía es un clima extremo y peligroso. Es un fenómeno recurrente con severos impactos en muchos sectores relacionados con el medio ambiente y la vida humana65. Muchos estudios han planteado la necesidad de una caracterización y un seguimiento eficientes de la sequía para una gestión proactiva de la sequía, mientras que también se han realizado esfuerzos para pronosticar la sequía66,67,68,69,70,71. La caracterización de la sequía se expresa comúnmente como índices de sequía.

La Organización Meteorológica Mundial (OMM) ha publicado un manual72 que recopila numerosos índices de sequía desarrollados a lo largo del tiempo. El índice de precipitación estandarizado (SPI) es quizás el índice de sequía más utilizado y es el estándar aceptado en todo el mundo según lo recomendado por la OMM73. Un índice desarrollado bastante recientemente es el Índice de Sequía de Reconocimiento (RDI)71,74. La sequía se considera un peligro natural importante, que afecta negativamente a los sistemas agrícolas y plantea problemas a la seguridad alimentaria y los consiguientes impactos económicos y sociales75,76,77. Por lo tanto, recientemente se han desarrollado muchas variantes agrícolas de índices de sequía que generalmente incorporan la sustitución de la precipitación total por precipitación efectiva e incluyen la Evapotranspiración Potencial (PET) en el cálculo. El índice de precipitación estandarizada agrícola (aSPI)65 y el índice de sequía de reconocimiento efectivo (eRDI)78 son ejemplos de índices de sequía agrícola.

Este estudio calcula SPI, RDI y sus variantes para sequía agrícola (es decir, aSPI y eRDI). Utilizamos un paquete de software especializado llamado Drought Indices Calculator (DrinC ver. 1.7)79, que se ha establecido para proporcionar una interfaz sencilla para la estimación de índices de sequía. Se remite a los lectores al manual de usuario de DrinC para comprender los requisitos de datos y los formatos para el cálculo de los índices de sequía seleccionados en este estudio. En nuestros cálculos hemos seleccionado el método de Hargreaves para la estimación del PET; prefirió la distribución Gamma y el USDA (versión CROPWAT) como método para una estimación efectiva de la precipitación. Generalmente, un valor negativo de SPI o RDI denota la prevalencia de un año de sequía, mientras que un valor positivo indica un año húmedo. Este estudio adopta los criterios de clasificación de sequía basados ​​en eRDI de Tigkas et al.78.

El Gobierno de Pakistán80 considera el trigo como un cultivo estratégico; el déficit en la producción de trigo genera incertidumbre política, un importante drenaje de reservas de divisas, un aumento de los precios de la harina de trigo y escasez de bolsas en zonas vulnerables. Al ser el principal cultivo básico de Pakistán, el trigo garantiza la seguridad alimentaria del país. Ha crecido más de 22 millones de acres y representa el 7,8 por ciento del valor agregado en la agricultura y el 1,8 por ciento del PIB. La autosuficiencia en trigo ha sido un objetivo de todos los gobiernos y, por lo tanto, siempre es un desafío para los expertos en agricultura y los encargados de formular políticas.

La sequía es uno de los principales factores que afectan el rendimiento de los cultivos, pero determinar el efecto de varios tipos de sequía en el rendimiento de los cultivos requiere datos de observación. Si bien muchos estudios aluden a la interrelación entre la gravedad de las sequías y el rendimiento de los cultivos en el contexto de los cultivos en Pakistán, cuatro estudios recientes81,82,83,84 comúnmente informan índices SPI y SPIE durante las últimas dos décadas utilizando observaciones tanto satelitales como terrestres. conjuntos de datos meteorológicos. Sin embargo, la estimación del rendimiento y los enfoques estadísticos difieren entre estos estudios; por ejemplo, las referencias 81, 82, 83 se basan en cifras gubernamentales para cultivos seleccionados según lo informado por la agencia gubernamental a escala de distrito; mientras que84 aplica un índice de sensibilidad del rendimiento para analizar la sensibilidad del rendimiento de los cultivos y las relaciones empíricas para estimar las pérdidas de rendimiento. Los cuatro estudios han inferido comúnmente que los índices de sequía se correlacionan fuertemente con la variabilidad del rendimiento en diferentes etapas de los cultivos. En nuestro análisis, hemos ido un paso más allá al calcular el índice de sequía (que tiene la correlación más fuerte con la pérdida de rendimiento) utilizando datos proyectados.

El modelado de cultivos en este artículo se centra en el cultivo de trigo debido a su enorme importancia y énfasis en la política gubernamental. En este estudio, se utiliza el modelo de cultivo de simulación impulsado por agua AquaCrop, considerando un cultivo de trigo de invierno cultivado en una zona irrigada típica de Pakistán. Para obtener información detallada sobre el modelo AquaCrop y sobre el enfoque de simulación del rendimiento de los cultivos, el lector puede consultar los estudios65,71,85,86. Cabe señalar que el trigo de invierno en GZDCA se siembra en noviembre y se cosecha a finales de abril, que es una temporada de cultivo de trigo típica en el sur de Asia. Los parámetros de entrada para AquaCrop se adoptaron en su mayoría de87, excepto la información sobre el suelo y la aplicación de riego que se basa en las prácticas observadas en GZDCA. Las simulaciones del modelo se realizaron en un paso de tiempo anual utilizando datos observados diariamente de precipitación y temperatura en DI Khan durante el período de 1980 a 2014, mientras que otras entradas al modelo no se modificaron en cada ejecución. Los resultados simulados (es decir, rendimiento seco; \({Y}_{dry}\) en toneladas/ha) se compararon con el rendimiento promedio de la cosecha de trigo en DI Khan según lo informado por la agencia gubernamental88 para calcular la eficiencia del modelo. Sin embargo, los datos observados no estuvieron disponibles para todo el período de simulación, por lo que se realizó una comparación solo para esos años con los datos disponibles. La pérdida de rendimiento anual se calcula como se indica en la ecuación. (2):

donde: \({Y}_{loss}\) = Pérdida de rendimiento anual (%) en \({i}^{th}\) año. \({Y}_{dry}\) = Dry Yield es el rendimiento simulado de trigo del modelo AquaCrop en \({i}^{th}\) año. \({Y}_{pot}\) = Rendimiento potencial en el año \({i}^{th}\). La agencia gubernamental informa sobre el rendimiento potencial de diferentes variedades de trigo. Este estudio ha adoptado un valor medio para las variedades cultivadas en la zona de estudio.

El trabajo enviado es original y no ha sido publicado en ningún otro lugar en ningún formato o idioma. El manuscrito no está bajo consideración simultánea en ninguna otra revista.

La Figura 2a muestra la temperatura media diaria promedio anual observada en dos estaciones climáticas en GZDCA y las proyecciones futuras de la temperatura media que se basan en la corrección de sesgo aplicada a 5 RCM considerando dos trayectorias climáticas (4.5 y 8.5). Los datos de entrenamiento observados para el período base de 1980 a 2005 se muestran como líneas continuas, mientras que los datos observados más allá del período base se muestran con líneas discontinuas que pueden compararse con la temperatura proyectada. Los datos de temperatura recientes de la estación climática Tank no estaban disponibles, por lo que no se muestran en la Fig. 2a.

Observaciones en el área de comando de la presa Gomal Zam (1980-2005) comparadas con el intervalo de tiempo futuro para (a) temperatura promedio anual y (b) precipitación promedio anual. Las líneas de colores representan los percentiles 10, 25, 75 y 90 de las proyecciones del modelo en los RCP 4,5 y 8,5 para los 5RCM. El sombreado muestra el rango central de proyecciones entre los percentiles 25 y 75. Las líneas de puntos verticales representan el rango del intervalo de tiempo observado y proyectado. Los datos observados provienen del Departamento Meteorológico de Pakistán (para DI Khan) y la Autoridad de Desarrollo de Agua y Energía (para Tank Station), y las proyecciones climáticas provienen de la Fase 5 del Proyecto de Intercomparación de Modelos Acoplados (CMIP5). Estas comparaciones deben considerarse con cautela debido al papel que desempeña la variación natural en el corto plazo.

Las proyecciones futuras en la Fig. 2a se muestran como los percentiles 10, 25, 75 y 90 de los resultados de 5 RCM seleccionados y dos trayectorias climáticas. La región entre el percentil 25 y 75 está sombreada y mencionada como la región central. También se traza una línea de tendencia basada en el percentil 50 para indicar la tendencia. La línea de tendencia (R2 = 0,95) muestra que GZDCA experimentaría un calentamiento en condiciones de temperatura promedio de 0,38 °C por década. La región vertical sombreada resalta un segmento temporal de la década de 2020 que comprende el futuro cercano que es más importante en cuanto a planificación y preparación.

La Figura 2b muestra la precipitación anual y sigue el mismo esquema de trazado que se utiliza para la temperatura media en la Fig. 2a. Los datos de precipitación observados más allá del período base se alinean bien con los datos proyectados. Sin embargo, el R2 de la línea de tendencia para el percentil 50 es muy débil (R2 = 0,17) y no muestra una tendencia clara de aumento o disminución de la precipitación. Por lo tanto, vale la pena analizar los datos de precipitación diaria para detectar eventos de lluvia por encima de ciertos umbrales.

La Tabla 2 informa el número de días con precipitaciones superiores a los umbrales que van desde 12,7 mm a 50,8 mm. Las precipitaciones en GZDCA ocurren principalmente durante el período monzónico (julio-septiembre). Los agricultores consideran que las precipitaciones de hasta 25 mm son beneficiosas para la agricultura. Como anécdota, las precipitaciones superiores a 25 mm provocan torrentes de colinas y deslizamientos de tierra en la zona de captación justo encima de la GZDCA. La inundación repentina en el río Gomal también trae enormes cantidades de sedimentos que, en caso de ingresar al sistema de riego, reducen la capacidad de transporte de flujo de los canales y requieren dragado. Curiosamente, el número de días de lluvia de alta intensidad proyectados no es muy diferente para las rutas seleccionadas (4,5 y 8,5). Se esperan lluvias de baja intensidad con mayor frecuencia cuando se considera RCP 8.5. Los días de lluvia superiores a los umbrales seleccionados se desagregan en porciones de tres tiempos. Los resultados para el futuro próximo son más importantes para la planificación y la preparación.

En la Fig. 2b, la precipitación observada en la década de 2020 se inclinó hacia estimaciones futuras altas, es decir, el percentil 90. Si observamos el RCP8.5 en la Tabla 2, el número de días de lluvia con todos los umbrales bajos (< 25,4 mm) sería mayor que el promedio de referencia. Una lluvia de alrededor de 50 mm en un día puede provocar inundaciones con impactos devastadores en GZDCA.

El Cuadro 2 muestra un número mucho menor de días de lluvia de alta intensidad esperados en la década de 2020 en comparación con la línea de base. Esto se debe al valor medio tomado durante el período 2011-2040. El número proyectado de días con precipitaciones intensas para el año 2022 fue de 1 día con precipitaciones > 38,1 mm y 50,8 mm cada uno. Sin embargo, se presenciaron tres lluvias intensas en GZDCA durante agosto de 2022 (ver Fig. 3a). La intensidad de las precipitaciones no es excepcionalmente alta, pero ha tenido consecuencias devastadoras como inundaciones de alrededor del 33% del GZDCA, como se muestra en la Fig. 3b. Las inundaciones han provocado la pérdida de vidas humanas, ganado, viviendas e infraestructura agrícola, de riego y de comunicaciones. La cantidad exacta de pérdidas por inundaciones no está actualmente disponible, sin embargo, las estimaciones más destacadas de las autoridades locales muestran que 3900 casas afectadas, 20 personas perdieron la vida y daños por valor de PKR 10 mil millones (USD 46 millones) en GZDCA89.

(a) Precipitaciones en DI Khan durante el mes de agosto de 2022; (b) Mapa de inundaciones de GZDCA basado en imágenes de Sentinal-1 del 29 de agosto de 2022 utilizando el código modificado de Google Earth Engine desarrollado por United Nation-Spider. El mapa se ha derivado automáticamente sin datos de validación. Crédito del mapa base: Copyright:(c) 2014 Esri, World Shaded Relief.

La Tabla 3 proporciona una perspectiva alarmante de las olas de calor en todos los intervalos de tiempo futuros. El número de días calurosos y olas de calor muestra una tendencia creciente en el futuro. Según los datos proyectados en el percentil 75, el número de días calurosos sería 4,5 veces mayor que el valor de referencia, mientras que se esperan 5,3 veces más olas de calor que el valor de referencia. Las características de otras olas de calor, como la gravedad y la duración, también son alarmantemente más altas que la línea de base utilizando datos de los percentiles 75 y 90. González et al.9 informaron resultados similares para la ciudad de Nueva York, donde utilizaron datos de 26 MCG para la proyección y los compararon con una línea de base de 1971-2000.

Para resaltar la sensibilidad de las características de las olas de calor a escenarios de emisiones medias y altas, la respuesta se muestra por separado en las figuras 4a a f. La temperatura máxima para GZDCA (Fig. 4a) muestra una desviación mucho menor entre los dos escenarios de emisiones hasta 2060, cuando la desviación se vuelve pronunciada. El número de días calurosos al año (Fig. 4b) muestra una tendencia creciente, pero nuevamente la desviación entre los dos escenarios de emisiones no es perceptible. La pendiente de la línea de tendencia lineal al seleccionar una intersección igual a cero mostraría una pendiente de 0,97 para series de emisiones altas y de 0,93 para series de emisiones medias. El número de olas de calor por año (Fig. 4c) para ambos escenarios de emisiones no muestra una tendencia clara. Esto quizás se deba a que las olas de calor consecutivas se fusionan en olas de calor muy largas, lo que se vuelve más probable a medida que las olas de calor aumentan en duración (Fig. 4d) y gravedad (Fig. 4e). La desviación entre los escenarios de emisiones es visible en el caso de la duración y la gravedad de las olas de calor. También es un artefacto de la definición de ola de calor utilizada, que establece un umbral de temperatura invariable a lo largo del siglo basándose en el percentil 95 de los datos del período de referencia. A medida que aumentan las temperaturas medias, es más probable alcanzar el umbral en días consecutivos. La lógica del efecto inverso de las olas de calor de larga duración (acumuladas para cada año) sobre el número de eventos de olas de calor por año está respaldada por la Fig. 4f, que muestra profundamente los resultados de la ola de calor más larga de cada año y las tendencias de ambos escenarios de emisiones. se parecen a los de la Fig. 4d.

Resultados de proyecciones corregidas por sesgo para evaluaciones futuras de (a) temperatura máxima diaria media, (b) el número de días calurosos por encima del umbral, (c) número de olas de calor, (d) duración de las olas de calor, (e) gravedad de las olas de calor y (f) ola de calor más larga en comparación con el período base. Las líneas continuas representan la media multimodal de un conjunto de cinco modelos climáticos regionales, mientras que las bandas sombreadas muestran intervalos de confianza del 95%. Las líneas negras indican observaciones de dos estaciones dentro de GZDCA (DI Khan y Tank) entre 1980 y 2005 como período base.

Se calculan cuatro índices de sequía seleccionados (SPI, aSPI, RDI y eRDI) utilizando datos mensuales de temperatura y precipitación para DI Khan. Los índices se calcularon utilizando datos observados desde 1980 hasta 2014 como entrada al software DrinC. Los índices se calculan para varios períodos de referencia, como se menciona en el Cuadro 4.

El modelo AquaCrop se ejecuta en el paso de tiempo anual para el trigo utilizando datos de entrada y configuración como se describe en la sección Modelado de cultivos. Los mismos datos de temperatura y precipitación se utilizan como entrada para AquaCrop que para el cálculo de los índices de sequía. A excepción de la temperatura y la precipitación, todos los demás insumos a AquaCrop se mantuvieron constantes durante los ciclos anuales, incluido el suministro de agua superficial a través del sistema de riego. Esto puede justificarse porque el sistema de riego de GZDCA se alimenta desde un embalse detrás de una presa. El sistema de riego del canal aguas abajo está limitado por diseño a suministrar un cierto volumen de agua y es muy poco probable que se mejore la capacidad de carga del sistema en el futuro. Cualquier variación en el suministro del río Gomal en la cuenca superior sólo afectaría el almacenamiento en el embalse y no el suministro de agua a los campos en las áreas de comando.

El rendimiento simulado y observado se correlaciona bien (R2 = 0,65, n = 12 años) y muestra tendencias ampliamente similares. Una comparación de este tipo no debe considerarse como un criterio para medir la eficiencia del modelo debido a las limitaciones de ambos conjuntos de datos. El rendimiento promedio informado por la agencia gubernamental implica muestreo y agregación. Por lo tanto, el tamaño de la muestra, la ubicación y el tamaño de las parcelas muestreadas juegan un papel importante en la determinación del rendimiento promedio en un área grande. Además, otros factores además del clima, el suelo y el suministro de agua también juegan un papel importante en la determinación del rendimiento en una parcela de campo en particular. Estos factores incluyen la elección de los agricultores en cuanto a variedad de semillas, preparación de la tierra, fertilizantes, pesticidas y momento y método para regar el campo. Como efecto combinado, el rendimiento en una parcela puede ser muy diferente al de otros campos cercanos. Esta heterogeneidad en el rendimiento se puede reflejar en el cálculo del rendimiento promedio de un área grande muestreada aleatoriamente. Por otro lado, las elecciones de los agricultores antes mencionadas no pueden incorporarse con precisión en el modelo de simulación y los datos de entrada del modelo también implican muchas aproximaciones y agregaciones para toda el área de estudio.

Los resultados del modelo AquaCrop incluyen la productividad del agua en kg(rendimiento)/m3 evapotranspirado, biomasa y rendimiento seco. Este artículo ha utilizado la pérdida de rendimiento anual (calculada utilizando la ecuación (2)) como indicador para analizar qué tan bien se correlacionan los diferentes índices de sequía con el rendimiento de los cultivos. Luego, los coeficientes de correlación se calculan comparando la serie temporal anual de pérdida de rendimiento y los índices de sequía seleccionados para el período (1980-2014). Los índices de sequía seleccionados para cada año se calculan por separado en diferentes períodos de referencia, como se muestra en la Tabla 4, para calcular los coeficientes de correlación.

Los resultados muestran que el coeficiente de correlación más alto es 0,67 cuando se utiliza un período de referencia de 5 meses (noviembre-marzo) para calcular los índices de sequía. Este período de referencia muestra la duración total de la cosecha de trigo en GZDCA. Luego, los períodos de referencia se redujeron a 4, 3 y 2 meses y luego por meses individuales para analizar la sensibilidad. Según el coeficiente de correlación, enero es el mes más crítico en cuanto a la vida útil de los cultivos, en el que las condiciones climáticas desempeñan un papel crucial. El coeficiente de correlación más débil es para noviembre y diciembre cuando el cultivo está sembrado y en una etapa fenológica muy temprana. Los índices calculados para todo el año también arrojan una correlación débil.

El Cuadro 4 también revela que los cuatro índices de sequía seleccionados se han correlacionado con la pérdida de rendimiento de manera bastante similar. Por ejemplo, el coeficiente de correlación cuando se selecciona un período de referencia de cinco meses es el mismo para todos los índices de sequía. En general, el RDI y el eRDI tienen una correlación más fuerte con la pérdida de rendimiento que el SPI y el aSPI. No existe una diferencia significativa entre los coeficientes de correlación para el RDI y el eRDI, lo que hace que sea insensible el uso de cualquiera de estos índices de sequía. Sin embargo, la ligera ventaja del eRDI sobre el RDI es que incorpora la sustitución de la precipitación total por precipitación efectiva e incluye la evapotranspiración potencial en el cálculo. En un par de casos, los índices de sequía en su forma estándar se correlacionan mejor con la pérdida de rendimiento anual que su variante agrícola, por ejemplo, para un período de referencia de 4 meses, tanto el SPI como el RDI muestran una mejor correlación que el aSPI y el eRDI, para un período de 1 mes ( Ene) El RDI muestra una mejor correlación que el eRDI. Estos resultados corroboran los hallazgos de Tigkas et al.65, quienes calculan el SPI y el aSPI en partes de Grecia y encuentran coeficientes de correlación con una pérdida de rendimiento anual del trigo de invierno. En un estudio similar78 calcularon coeficientes de correlación para el RDI y el eRDI. En nuestro estudio, hemos comparado cuatro índices de sequía correlacionándolos con la pérdida de rendimiento anual. Las características del cultivo de trigo en Grecia y el área de estudio no son las mismas y, por lo tanto, el rango de coeficientes de correlación también difiere.

Debido a que las condiciones de sequía fluctúan naturalmente, es útil observar la prevalencia esperada de la sequía durante varios años en el futuro para explorar cómo se relaciona con el cambio climático. El coeficiente de correlación entre los índices de sequía y la pérdida de rendimiento sugiere que para los estudios de impacto de la sequía en la agricultura, los índices de sequía deben calcularse para períodos de referencia específicos en relación con los cultivos locales. Especialmente cuando se utilizan datos futuros corregidos y sesgados para calcular los índices de sequía, se vuelve más imperativo elegir un período de referencia por separado para cada cultivo local. La simple selección de un índice de sequía para un período de referencia de 12 meses puede dar una perspectiva engañosa.

Chen et al.90 han utilizado un enfoque similar para establecer la relación entre los rendimientos invernales simulados (utilizando el modelo DSSAT-CERES-Wheat) en 108 sitios en China y el SPEI en diversas escalas temporales. Chen et al.90 encontraron una fuerte correlación entre el SPEI de 4 meses y el rendimiento, que se ve afectado por las condiciones de sequía durante las etapas de unión a leche del trigo de invierno. Estos resultados corroboran los hallazgos de nuestro análisis.

El mecanismo físico de la sequía en Pakistán es de mayor importancia para los meteorólogos y la comunidad científica. Las fases positivas de la teleconexión circunglobal y la oscilación estival del Atlántico Norte están relacionadas con el exceso de precipitaciones durante la temporada de verano en Pakistán. El transporte de vapor de agua (del Mar Arábigo al sur de Asia) asociado con la vaguada del monzón es fundamental para las condiciones secas y húmedas en Pakistán durante la temporada de verano91,92. Por otro lado, El Niño4, la temperatura de la superficie del mar y el índice multivariado de El Niño-Oscilación del Sur (ENSO4.0) son los factores más influyentes en las sequías estacionales en todo Pakistán93.

Los resultados presentados en esta sección están corroborados por los hallazgos de estudios recientes sobre las proyecciones del cambio climático y el impacto socioeconómico de las olas de calor y las sequías en el sur de Asia19,20, lo que sugiere que la frecuencia de las sequías históricas de 50 años podría duplicarse en el 80% de las tierras del sur de Asia. zona con un calentamiento de 1,5 °C. La disección de los resultados a escala subregional revela que la exposición de la población a eventos de calor extremo es mayor en el sureste de la India y el sur de Pakistán, lo que representa más del 75% de la exposición total a Sudáfrica. El área de estudio en este artículo está ubicada en la parte sur de Pakistán, donde la población es altamente vulnerable a la exposición a eventos de calor.

Las Figuras 5 y 6 muestran el eRDI de 5 meses utilizando datos sesgados de temperatura y precipitación corregidos para los distritos de DI Khan y Tank, respectivamente. Los resultados se presentan por separado para los dos escenarios de emisiones para resaltar la sensibilidad de los índices de sequía a los escenarios de emisiones 4.5 y 8.5. El área de la parcela está sombreada con bandas de colores en las Figs. 5 y 6 para resaltar la interpretación subjetiva de los índices de sequía. Además, debajo de las abscisas se muestran estadísticas resumidas, es decir, el número de años secos y húmedos en cada intervalo de tiempo futuro. Hemos utilizado rectángulos discontinuos para mostrar condiciones de sequía a largo plazo definidas aquí como los casos en los que tres o más años consecutivos experimentarían condiciones de sequía agrícola (cultivos de trigo) según el mes eRDI-5.

Índice de sequía de reconocimiento efectivo (eRDI) para DIKhan. El cálculo se basa en datos previstos de temperatura y precipitación mínima y máxima, calculados para un período de referencia de cinco meses (noviembre-marzo) correspondiente a la temporada de cosecha de trigo.

Índice de sequía de reconocimiento efectivo (eRDI) para tanques. El cálculo se basa en datos previstos de temperatura y precipitación mínima y máxima, calculados para un período de referencia de cinco meses (noviembre-marzo) correspondiente a la temporada de cosecha de trigo.

La Figura 5 muestra que en DI Khan se esperan 53 años de sequía agrícola y 6 condiciones de sequía agrícola de largo plazo en el siglo XXI bajo el escenario de emisiones 4.5. Por otro lado, se espera un número ligeramente menor de años de sequía (49) en el caso del escenario de emisiones 8.5, lo que parece contrario a la iniciativa. Sin embargo, una mirada más cercana muestra que la magnitud de la sequía es mucho más grave en el caso del escenario de emisiones 8,5 que en el 4,5. Hay más años con sequía moderada o superior en el escenario de emisiones 8,5 que en el 4,5.

La Figura 6 muestra que en Tank, los años de sequía agrícola esperados serían 51 y 49 en los escenarios de emisiones 8,5 y 4,5 respectivamente. Además, el escenario de emisiones 8.5 presenta condiciones de sequía agrícola de mayor duración, particularmente a mediados y finales de siglo. Por el contrario, las condiciones de sequía a largo plazo se producirán en un futuro próximo cuando se considere el escenario de emisiones 4.5.

En general, las perspectivas de sequía para DI Khan y Tank son similares en términos de estadísticas resumidas, lo cual es comprensible ya que ambas ciudades tienen condiciones climáticas bastante comparables.

Este artículo se centró en un área agrícola subrepresentada en Pakistán para las proyecciones climáticas y sus peligros asociados. El análisis cubre el cálculo de índices y métricas de posibles peligros relacionados con el clima (por ejemplo, olas de calor, precipitaciones extremas y sequías) que pueden tener resultados negativos para los habitantes, la infraestructura y la agricultura en GZDCA.

La GZDCA es una muestra representativa de zonas agrícolas típicas del sur de Asia donde se desarrollan sistemas de riego. El sistema agrícola y, por tanto, la producción de alimentos es muy vulnerable a los peligros climáticos. En particular, las fuertes lluvias durante el monzón (julio-septiembre) provocan inundaciones que dañan los cultivos de verano (arroz, caña de azúcar, algodón). La GZDCA fue testigo de fuertes lluvias en agosto de 2022, lo que provocó que un tercio del área se viera afectada por la inundación. Los cultivos de invierno, en particular el trigo, son más vulnerables a las sequías y las olas de calor. Los resultados del modelo AquaCrop utilizando datos climáticos observados (1980-2005) han mostrado la respuesta anual del rendimiento del trigo cultivado en GZDCA. La respuesta del rendimiento se correlaciona bastante bien con los índices de sequía agrícola, especialmente el eRDI. Por lo tanto, el eRDI es el índice de sequía agrícola más adecuado entre otras opciones consideradas en este estudio. Los resultados sugieren que la magnitud del eRDI se correlaciona mejor con la respuesta del rendimiento del trigo cuando se utilizaron datos climáticos de 5 meses (noviembre-marzo) como insumo para los índices de sequía y el modelo de cultivo. Los índices de sequía se calculan comúnmente sobre una base anual (utilizando datos climáticos de 12 meses), lo que puede proporcionar una perspectiva más amplia pero no explica la caracterización de la sequía agrícola para cultivos específicos. Por lo tanto, los índices de sequía agrícola deben calcularse por separado para los principales cultivos utilizando un enfoque similar al utilizado en este artículo, particularmente cuando se calculan con datos climáticos proyectados y están destinados a ser utilizados para la planificación y la preparación. Los resultados de eRDI-5 meses para GZDCA muestran la probabilidad de una sequía agrícola a largo plazo (3 o más años de sequía continua) en el futuro cercano. Esto significa que la producción de trigo es muy vulnerable a la sequía y requiere planes cuidadosos para afrontar este desafío a la producción de alimentos.

Las características de las olas de calor y los índices de sequía agrícola para el futuro muestran que el GZDCA espera frecuentes tensiones climáticas. Los resultados de este estudio serían de particular interés para la administración del distrito y las agencias gubernamentales de gestión de desastres, agricultura y ganadería. En Pakistán, la administración del distrito normalmente dirige los esfuerzos de preparación para desastres y desempeña un papel de coordinación entre varios organismos, incluidos los de agricultura y ganadería.

Una recomendación de política de este estudio es que las evaluaciones de riesgos climáticos deben realizarse a escala de distrito que pueda centrarse en los peligros climáticos que tienen más potencial para afectar las vidas humanas y la infraestructura civil. Al mismo tiempo, un enfoque bastante pragmático podría ser considerar áreas agrícolas (que no necesariamente siguen los límites administrativos de los distritos) para las evaluaciones de riesgos climáticos con un enfoque en los peligros climáticos que afectan los sistemas agrícolas. Las ideas de GZDCA como área enfocada en este estudio respaldan este argumento. La Política Nacional de Cambio Climático de Pakistán94 enfatiza la preparación para desastres a escala nacional; sin embargo, probablemente una forma más eficiente de lograrlo es delegarla a la escala de distritos/áreas agrícolas. Esto mejoraría el proceso de planificación cuando se base en evaluaciones locales de los riesgos climáticos que sean más enfocadas y específicas del contexto. Las investigaciones futuras pueden considerar más cultivos y períodos de referencia correspondientes para calcular los índices de sequía agrícola.

Este estudio solo ha utilizado los resultados de los MCR de los marcos CORDEX-Asia del Sur y no ha considerado los resultados de otros modelos. Una limitación de este estudio es el supuesto inherente a los enfoques de reducción de escala estadística de que las relaciones entre las variables locales y de gran escala no cambian en el futuro; este supuesto de estacionariedad estadística puede no seguir siendo válido en un clima no estacionario/cambiante95. En el momento en que se completó el análisis presentado en este documento, los datos de resolución espacial y temporal requerida de la Fase seis del Proyecto de Intercomparación de Modelos Acoplados (CMIP6) no eran ampliamente accesibles. Por lo tanto, se sugiere que los estudios futuros utilicen los conjuntos de datos más recientes y elijan vías socioeconómicas compartidas (SSP)96 apropiadas desarrolladas por la comunidad de investigación climática. Los autores sugieren para estudios futuros utilizar SSP para proyecciones climáticas y calcular eRDI para cultivos específicos en el área agrícola de interés.

Los conjuntos de datos analizados durante el estudio actual no están disponibles públicamente por la agencia recopiladora en Pakistán, pero están disponibles a través del autor correspondiente a solicitud razonable.

IPCC. Resumen para responsables de políticas. en Cambio Climático 2022: Mitigación del Cambio Climático. Contribución del Grupo de Trabajo III al Sexto Informe de Evaluación del Panel Intergubernamental sobre el Cambio Climático (eds. Shukla, PR et al.) (Cambridge University Press, 2022).

Trenberth, KE Enmarcando la manera de relacionar los extremos climáticos con el cambio climático. Subir. Cambio 115, 283–290 (2012).

ADS del artículo Google Scholar

Meehl, GA, Tebaldi, C., Walton, G., Easterling, D. y McDaniel, L. Aumento relativo de temperaturas máximas récord en comparación con temperaturas mínimas récord en los EE. UU. Geofís. Res. Letón. https://doi.org/10.1029/2009GL040736 (2009).

Artículo de Google Scholar

Coleman, J. El cambio climático hizo que la ola de calor del sur de Asia fuera 30 veces más probable. Naturaleza https://doi.org/10.1038/d41586-022-01444-1 (2022).

Artículo PubMed Google Scholar

IPCC. Cambio climático 2014: impactos, adaptación y vulnerabilidad. en la contribución del Grupo de Trabajo II al quinto informe de evaluación del Panel Intergubernamental sobre el Cambio Climático (eds. Field, CB et al.) (Cambridge University Press, 2014).

Mora, C. et al. Amplia amenaza para la humanidad debido a los peligros climáticos acumulativos intensificados por las emisiones de gases de efecto invernadero. Nat. Subir. Cambio 8, 1062–1071 (2018).

Artículo ADS CAS Google Scholar

Schneider, P., Walz, A., Albert, C. & Lipp, T. Adaptación basada en ecosistemas en las ciudades: uso de instrumentos de planificación formales e informales. Política de Uso de Suelo 109, 105722 (2021).

Artículo de Google Scholar

Watts, N. y col. El informe de 2019 de The Lancet Countdown sobre salud y cambio climático: Garantizar que la salud de un niño nacido hoy no esté definida por un clima cambiante. Lanceta 394, 1836–1878 (2019).

Artículo PubMed Google Scholar

González, JE et al. Informe del panel de la ciudad de Nueva York sobre cambio climático 2019, capítulo 2: Nuevos métodos para evaluar temperaturas extremas, fuertes aguaceros y sequías. Ana. Académico de Nueva York. Ciencia. 1439, 30–70 (2019).

Artículo ADS PubMed Google Scholar

Rosenzweig, C. & Solecki, W. Prefacio a la construcción de la base de conocimientos para la resiliencia climática: informe del panel de la ciudad de Nueva York sobre el cambio climático de 2015. Ana. Académico de Nueva York. Ciencia. 1336, 7–7 (2015).

Artículo ADS PubMed Google Scholar

Rosenzweig, C., Solecki, W., Hammer, SA & Mehrotra, S. Las ciudades lideran la acción contra el cambio climático. Naturaleza 467, 909–911 (2010).

Artículo ADS CAS PubMed Google Scholar

Eckstein, D., Künzel, V. & Schäfer, L. Índice de riesgo climático global 2021: ¿Quién sufre más por los fenómenos meteorológicos extremos? https://www.germanwatch.org/sites/default/files/Global%20Climate%20Risk%20Index%202021_2.pdf (2021).

Grupo del Banco Mundial y Banco Asiático de Desarrollo. Perfil de país de riesgo climático: Pakistán. (Banco Mundial, 2021). doi:https://doi.org/10.1596/36372.

Federación Internacional. Impactos del cambio climático en la salud y los medios de vida: evaluación de Pakistán. https://www.climatecentre.org/wp-content/uploads/RCRC_IFRC-Country-assessments-PAKISTAN-V4.pdf (2021).

Hussain, M. y col. Una revisión integral de los impactos, la adaptación y la mitigación del cambio climático sobre las calamidades ambientales y naturales en Pakistán. Reinar. Monit. Evaluar. 192, 48 (2020).

Artículo de Google Scholar

Fahad, S. & Wang, J. Cambio climático, vulnerabilidad y sus impactos en el Pakistán rural: una revisión. Reinar. Ciencia. Contaminación. Res. 27, 1334-1338 (2020).

Artículo de Google Scholar

ONU-Hábitat. Islamabad, Pakistán - Evaluación de la vulnerabilidad al cambio climático. https://unhabitat.org/sites/default/files/download-manager-files/Islamabad%2C%20Pakistan%20-%20Climate%20Change%20Vulnerability%20Assessment.pdf (2014).

Gobierno de Perú, OPHI y PNUD. Pobreza-multidimensional-en-Pakistán.pdf. https://www.ophi.org.uk/wp-content/uploads/Multidimensional-Poverty-in-Pakistan.pdf (2016).

Ullah, I. et al. Cambios proyectados en la exposición socioeconómica a las olas de calor en el sur de Asia bajo un clima cambiante. El futuro de la Tierra 10, e2021EF002240 (2022).

ADS del artículo Google Scholar

Ullah, I. et al. Cambios proyectados en el aumento del riesgo de sequía en el sur de Asia bajo un clima más cálido. El futuro de la Tierra 10, e2022EF002830 (2022).

ADS del artículo Google Scholar

Centro Nacional de Vigilancia de la Sequía, Islamabad. Boletines de sequía. Departamento Meteorológico de Pakistán https://ndmc.pmd.gov.pk/new/bulletins.php.

Chatrath, R., Mishra, B., Ortiz Ferrara, G., Singh, SK y Joshi, AK Desafíos para la producción de trigo en el sur de Asia. Euphytica 157, 447–456 (2007).

Artículo de Google Scholar

Bhatti, MT, Ashraf, M. & Anwar, AA Estrategias de gestión de la erosión del suelo y la carga de sedimentos para el riego sostenible en regiones áridas. Sostenibilidad 13, 3547 (2021).

Artículo de Google Scholar

Anwar, AA & Bhatti, MT Enrutamiento de canales de campo a través de una unidad terciaria con campos heterogéneos. J. Irrig. Drenar Ing. 147, 04021040 (2021).

Artículo de Google Scholar

Mechoso, CR & Arakawa, A. MODELOS NUMÉRICOS | Modelos de circulación general. En Encyclopedia of Atmospheric Sciences, 2.ª ed. (eds North, GR et al.) 153–160 (Academic Press, 2015). https://doi.org/10.1016/B978-0-12-382225-3.00157-2.

Capítulo Google Scholar

Peres, DJ y cols. Evaluación de simulaciones históricas de EURO-CORDEX (Experimento regional coordinado de reducción del clima para el área euromediterránea) mediante conjuntos de datos de observación de alta calidad en el sur de Italia: conocimientos sobre la evaluación de la sequía. Nat. Sistema de peligro de tierra. Ciencia. 20, 3057–3082 (2020).

ADS del artículo Google Scholar

Modelado de la influencia de los cambios en el uso de la tierra en las interacciones biofísicas y bioquímicas a escalas regional y global - DEVARAJU - 2015 - Plant, Cell & Environment - Wiley Online Library. https://doi.org/10.1111/pce.12488.

Zappa, G. Impactos climáticos regionales de los cambios futuros en la circulación atmosférica en latitudes medias: una visión argumental. actual. Subir. Cambio Rep. 5, 358–371 (2019).

Artículo de Google Scholar

USGCRP. Informe especial sobre ciencia del clima. 1–470 https://science2017.globalchange.gov/chapter/5/.

Van Vuuren, DP y cols. Las vías de concentración representativas: una descripción general. Subir. Cambio 109, 5–31 (2011).

ADS del artículo Google Scholar

Taylor, KE, Stouffer, RJ y Meehl, GA Una descripción general de CMIP5 y el diseño del experimento. Toro. Soy. Meteorito. Soc. 93, 485–498 (2012).

ADS del artículo Google Scholar

Ahmad, B. & Rasul, G. Proyecciones estadísticamente reducidas de CORDEX en el sur de Asia utilizando un enfoque de mapeo por cuantiles en la región de Pakistán. IJGW 16, 435 (2018).

Artículo de Google Scholar

Almacén de datos climáticos. Datos del modelo climático regional CORDEX en niveles únicos. Observador de la Tierra Copérnico. Programa. https://doi.org/10.24381/cds.bc91edc3 (2019).

Artículo de Google Scholar

Teutschbein, C. & Seibert, J. Corrección de sesgos de simulaciones de modelos climáticos regionales para estudios de impacto del cambio climático hidrológico: revisión y evaluación de diferentes métodos. J. hidrol. 456–457, 12–29 (2012).

Artículo de Google Scholar

Rathjens, H., Bieger, K., Srinivasan, R., Chaubey, I. & Arnold, JG CMhyd User Manual: Documentación para preparar datos simulados de cambio climático para estudios de impacto hidrológico. 17 (2016).

Haider, H. y col. Evaluación del cambio climático y su impacto en los recursos hídricos de Pakistán: un estudio de caso de la cuenca de Mangla. Atmósfera 11, 1071 (2020).

ADS del artículo Google Scholar

Musie, M., Sen, S. & Srivastava, P. Aplicación de los conjuntos de datos CORDEX-AFRICA y NEX-GDDP para proyecciones hidrológicas bajo el cambio climático en la subcuenca del lago Ziway, Etiopía. J. hidrol. Reg. Semental. 31, 100721 ​​(2020).

Artículo de Google Scholar

Saade, J., Atieh, M., Ghanimeh, S. y Golmohammadi, G. Modelización del impacto del cambio climático en la disponibilidad de agua superficial utilizando el modelo SWAT en una cuenca semiárida: caso del río El Kalb, Líbano. Hidrología 8, 134 (2021).

Artículo de Google Scholar

Trenberth, KE Cambios en las precipitaciones con el cambio climático. Subir. Res. 47, 123-138 (2011).

Artículo de Google Scholar

Trenberth, KE, Dai, A., Rasmussen, RM y Parsons, DB El carácter cambiante de la precipitación. Toro. Soy. Meteorito. Soc. 84, 1205-1218 (2003).

ADS del artículo Google Scholar

Dai, A. Sequía bajo el calentamiento global: una revisión. CABLES Clim. Cambio 2, 45–65 (2011).

Artículo de Google Scholar

Shafiei Shiva, J., Chandler, DG y Kunkel, KE Cambios localizados en las propiedades de las olas de calor en los Estados Unidos. El futuro de la Tierra 7, 300–319 (2019).

ADS del artículo Google Scholar

Anderson, GB, Bell, ML y Peng, RD Métodos para calcular el índice de calor como métrica de exposición en investigaciones de salud ambiental. Reinar. Perspectiva de salud. 121, 1111-1119 (2013).

Artículo PubMed PubMed Central Google Scholar

Habeeb, D., Vargo, J. & Stone, B. Tendencias crecientes de olas de calor en las grandes ciudades de EE. UU. Nat. Peligros 76, 1651-1665 (2015).

Artículo de Google Scholar

Robinson, PJ Sobre la definición de ola de calor. J. Aplica. Meteorito. 40, 762–775 (2001).

2.0.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0450%282001%29040%3C0762%3AOTDOAH%3E2.0.CO%3B2" aria-label="Article reference 45" data-doi="10.1175/1520-0450(2001)0402.0.CO;2">ADS del artículo Google Scholar

Sharma, A., Andhikaputra, G. y Wang, Y.-C. Olas de calor en el sur de Asia: caracterización, consecuencias para la salud humana y estrategias de adaptación. Atmósfera 13, 734 (2022).

ADS del artículo Google Scholar

Iyakaremye, V. et al. Aumento de las temperaturas extremas y la exposición asociada de la población en África a mediados del siglo XXI. Ciencia. Medio ambiente total. 790, 148162 (2021).

Artículo ADS CAS PubMed Google Scholar

Anderson, GB y Bell, ML Olas de calor en los Estados Unidos: riesgo de mortalidad durante las olas de calor y modificación del efecto según las características de las olas de calor en 43 comunidades de EE. UU. Reinar. Perspectiva de salud. 119, 210–218 (2011).

Artículo PubMed Google Scholar

Huynen, MM, Martens, P., Schram, D., Weijenberg, MP y Kunst, AE El impacto de las olas de calor y las olas de frío en las tasas de mortalidad de la población holandesa. Reinar. Perspectiva de salud. 109, 463–470 (2001).

Artículo CAS PubMed PubMed Central Google Scholar

Manyuchi, AE, Vogel, C., Wright, CY y Erasmus, B. Los efectos autoinformados sobre la salud humana asociados con la exposición al calor en el subdistrito de Agincourt de Sudáfrica. Humanidad. Soc. Ciencia. Comunitario. 9, 50 (2022).

Artículo de Google Scholar

Mitchell, D. y col. Atribuir la mortalidad humana durante las olas de calor extremas al cambio climático antropogénico. Reinar. Res. Letón. 11, 074006 (2016).

ADS del artículo Google Scholar

Zhang, L. y col. Los efectos de las olas de calor en la mortalidad varían según la edad y la zona: un estudio multiárea en China. Reinar. Salud 17, 54 (2018).

Artículo PubMed PubMed Central Google Scholar

van der Velde, M., Tubiello, FN, Vrieling, A. & Bouraoui, F. Impactos del clima extremo en el trigo y el maíz en Francia: evaluación de simulaciones de cultivos regionales con datos observados. Subir. Cambio 113, 751–765 (2012).

ADS del artículo Google Scholar

Peterson, TC y cols. Monitoreo y comprensión de los cambios en las olas de calor, olas de frío, inundaciones y sequías en los Estados Unidos: estado del conocimiento. Toro. Soy. Meteorito. Soc. 94, 821–834 (2013).

ADS del artículo Google Scholar

Schlenker, W. & Roberts, MJ Los efectos no lineales de la temperatura indican daños graves al rendimiento de los cultivos estadounidenses debido al cambio climático. Proc. Nacional. Acad. Ciencia. 106, 15594–15598 (2009).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Hansen, C., McDonald, S., Nabors, A. y Shafiei Shiva, J. Uso de los pronósticos del modelo hídrico nacional para planificar y gestionar el caudal ecológico y el caudal bajo durante la sequía. en (eds. Johnson, JM et al.) 66–74 (Informe del Instituto de Verano del Programa Nacional de Innovadores de los Centros Acuáticos 2017, 2017).

Ramamurthy, P. & Bou-Zeid, E. Contribución de las superficies impermeables a la evaporación urbana. Recurso Acuático. Res. 50, 2889–2902 (2014).

ADS del artículo Google Scholar

Smoyer-Tomic, KE, Kuhn, R. & Hudson, A. Peligros de las olas de calor: una descripción general de los impactos de las olas de calor en Canadá. Nat. Peligros 28, 465–486 (2003).

Artículo de Google Scholar

Nori-Sarma, A. et al. El impacto de las olas de calor en la mortalidad en el noroeste de la India. Reinar. Res. 176, 108546 (2019).

Artículo CAS PubMed Google Scholar

Wang, Y., Nordio, F., Nairn, J., Zanobetti, A. y Schwartz, JD Contabilización de la adaptación y la intensidad en la proyección de la mortalidad relacionada con las olas de calor. Reinar. Res. 161, 464–471 (2018).

Artículo PubMed Google Scholar

Shafiei Shiva, J. R Código para calcular las propiedades de las olas de calor utilizando la temperatura ambiente (v1.0). (2018). 10.5281/zenodo.1314762.

Limsakul, A. & Singhruck, P. Tendencias a largo plazo y variabilidad de las precipitaciones totales y extremas en Tailandia. Atmos. Res. 169, 301–317 (2016).

Artículo de Google Scholar

Davenport, FV, Burke, M. y Diffenbaugh, NS Contribución del cambio histórico de precipitaciones a los daños por inundaciones en Estados Unidos. Proc. Nacional. Acad. Ciencia. Estados Unidos 118, e2017524118 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

PDMA. Lluvias torrenciales e inundaciones causan estragos en Sindh, KP. Últimas Noticias - La Nación (2022).

Tigkas, D., Vangelis, H. & Tsakiris, G. Caracterización de la sequía basada en un índice de precipitación estandarizado orientado a la agricultura. Teor. Aplica. Climatol. 135, 1435-1447 (2019).

ADS del artículo Google Scholar

Bonaccorso, B., Cancelliere, A. & Rossi, G. Pronóstico probabilístico de las transiciones de clases de sequía en Sicilia (Italia) utilizando un índice de precipitación estandarizado y un índice de oscilación del Atlántico norte. J. hidrol. 526, 136-150 (2015).

ADS del artículo Google Scholar

Bordi, I., Fraedrich, K., Petitta, M. y Sutera, A. Análisis de valores extremos de períodos húmedos y secos en Sicilia. Teor. Aplica. Climatol. 87, 61–71 (2007).

ADS del artículo Google Scholar

Bordi, I., Fraedrich, K., Gerstengarbe, F.-W., Werner, PC & Sutera, A. Previsibilidad potencial de los períodos secos y húmedos: Sicilia y la cuenca del Elba (Alemania). Teor. Aplica. Climatol. 77, 125-138 (2004).

ADS del artículo Google Scholar

Cancelliere, A., Mauro, GD, Bonaccorso, B. & Rossi, G. Predicción de sequías utilizando el índice de precipitación estandarizado. Recurso Acuático. Gestionar. 21, 801–819 (2007).

Artículo de Google Scholar

Michaelides, S. & Pashiardis, S. Monitoreo de la sequía en Chipre durante el año hidrometeorológico 2007-2008 mediante el índice de precipitación estandarizado (SPI). 9 (2008).

Tigkas, D. & Tsakiris, G. Estimación temprana de los impactos de la sequía en el rendimiento del trigo de secano en el clima mediterráneo. Reinar. Proceso. 2, 97-114 (2015).

Artículo de Google Scholar

Svoboda, MD y cols. Manual de indicadores e índices de sequía (CRC Press, 2016).

Google Académico

Organización Meteorológica Mundial. Guía de usuario del índice de precipitación estandarizado. (2012).

Tsakiris, G., Pangalou, D. & Vangelis, H. Evaluación de sequía regional basada en el índice de sequía de reconocimiento (RDI). Recurso Acuático. Gestionar. 21, 821–833 (2007).

Artículo de Google Scholar

Hameed, M., Ahmadalipour, A. & Moradkhani, H. Sequía y seguridad alimentaria en el Medio Oriente: un marco analítico. Agrícola. Para. Meteorol. 281, 107816 (2020).

ADS del artículo Google Scholar

Holden, S. & Shiferaw, B. Degradación de la tierra, sequía y seguridad alimentaria en una zona desfavorecida de las tierras altas de Etiopía: un modelo bioeconómico con imperfecciones del mercado. Agrícola. Economía. 30, 31–49 (2004).

Artículo de Google Scholar

Kogan, F., Guo, W. & Yang, W. Predicción de sequía y seguridad alimentaria de la nueva generación de satélites operativos de la NOAA. Geomat. Nat. Haz. Riesgo 10, 651–666 (2019).

Artículo de Google Scholar

Tigkas, D., Vangelis, H. y Tsakiris, G. Un índice de sequía de reconocimiento efectivo mejorado para la caracterización de la sequía agrícola. Reinar. Proceso. 4, 137-148 (2017).

Artículo de Google Scholar

Tigkas, D., Vangelis, H. & Tsakiris, G. DrinC: Un software para análisis de sequía basado en índices de sequía. Ciencia de la Tierra. Informar. 8, 697–709 (2015).

Artículo de Google Scholar

Partido Republicano. Estudio económico de Pakistán 2021-22. https://www.finance.gov.pk/survey/chapter_22/PES02-AGRICULTURE.pdf (2022).

Waseem, M., Khurshid, T., Abbas, A., Ahmad, I. y Javed, Z. Impacto de la sequía meteorológica en la producción agrícola a diferentes escalas en Punjab, Pakistán. J. Clima de agua. Cambio 13, 113–124 (2021).

Artículo de Google Scholar

Hussain, A. et al. Análisis del impacto de la sequía en la agricultura: evidencia de Pakistán utilizando el índice estandarizado de evapotranspiración de precipitación. Nat. Peligros 115, 389–408 (2023).

Artículo de Google Scholar

Rahman, KU et al. Análisis de la producción y las pérdidas económicas de cultivos comerciales en condiciones de sequía variable: un estudio de caso de la provincia de Punjab en Pakistán. En t. J. Reducción del riesgo de desastres. 85, 103507 (2023).

Artículo de Google Scholar

Saleem, F. y col. Cambios observados en el rendimiento de los cultivos asociados con la propagación de sequías a través de zonas agroecológicas naturales y alteradas por el hombre en Pakistán. Sensores remotos 14, 2152 (2022).

ADS del artículo Google Scholar

Raes, D., Steduto, P., Hsiao, TC & Fereres, E. AquaCrop—El modelo de cultivo de la FAO para simular la respuesta del rendimiento al agua: II. Principales algoritmos y descripción del software. Agrón. J. 101, 438–447 (2009).

Artículo de Google Scholar

Steduto, P., Hsiao, TC y Fereres, E. Respuesta del rendimiento de los cultivos al agua. https://www.fao.org/3/i2800e/i2800e.pdf (2012).

Ansari, R. y col. Simulando el impacto de los métodos de siembra y los niveles de déficit hídrico en el rendimiento del trigo en un ambiente semiárido. Paquete. J. Vida Soc. Ciencia. 17, 68–77 (2019).

Google Académico

Oficina de Estadísticas. Estadísticas Agrarias. Portal de datos de KP: Repositorio oficial de datos de Khyber Pakhtunkhwa http://kpbos.gov.pk (2023).

Pakistán hoy. La inundación mató a 20 personas y causó pérdidas de 10 mil millones de rupias en DI Khan. Pakistán hoy https://www.pakistantoday.com.pk/2022/08/30/flooding-in-di-khan-leaves-20-killed-damages-estimated-at-rs-10-billion/ (2022).

Chen, X. et al. Impactos de las variaciones del SPEI y el SMDI en múltiples escalas de tiempo en los rendimientos del trigo de invierno. Agrícola. Sistema. 185, 102955 (2020).

Artículo de Google Scholar

Hina, S., Saleem, F., Arshad, A., Hina, A. y Ullah, I. Sequías en Pakistán: posibles ciclos, precursores y mecanismos asociados. Geomat. Nat. Haz. Riesgo 12, 1638–1668 (2021).

Artículo de Google Scholar

Bollasina, M. & Nigam, S. La baja de “calor” del verano sobre Pakistán/noroeste de la India: evolución y origen. Subir. Din. 37, 957–970 (2011).

Artículo de Google Scholar

Ullah, I. et al. Cambios observados en las características de la sequía estacional y sus posibles impulsores potenciales en Pakistán. En t. J. Climatol. 42, 1576-1596 (2022).

Artículo de Google Scholar

Partido Republicano. Política Nacional de Cambio Climático. https://www.mocc.gov.pk/Policies (2012).

Lanzante, JR, Dixon, KW, Nath, MJ, Whitlock, CE y Adams-Smith, D. Algunas trampas en la reducción estadística del clima futuro. Toro. Soy. Meteorito. Soc. 99, 791–803 (2018).

ADS del artículo Google Scholar

Riahi, K. y col. Las trayectorias socioeconómicas compartidas y sus implicaciones en materia de energía, uso de la tierra y emisiones de gases de efecto invernadero: una descripción general. Globo. Reinar. Chang. 42, 153-168 (2017).

Artículo de Google Scholar

Descargar referencias

El Instituto Internacional para el Manejo del Agua (IWMI) es receptor del apoyo financiero de la Agencia de los Estados Unidos para el Desarrollo Internacional (USAID) a través del Acuerdo Cooperativo No. 72039118 IO 00003, el cual se utilizó para apoyar este estudio. El diseño del estudio, la recopilación de datos, el análisis y la interpretación de los resultados son responsabilidad exclusiva de los autores y no reflejan los puntos de vista u opiniones de USAID o IWMI.

Instituto Internacional de Gestión del Agua, 12 km de Multan Road Chowk Thokar Niaz Baig, Lahore, Pakistán

Muhammad Tousif Bhatti y Kashif Hussain

Universidad de Birmingham, Dubai, Emiratos Árabes Unidos

Arif A. Anwar

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

Todos los autores contribuyeron a la concepción y diseño del estudio. La preparación del material, la recopilación de datos y el análisis fueron realizados por MTB, AAA y KH. El primer borrador del manuscrito fue escrito por MTB y todos los autores comentaron sobre versiones anteriores del manuscrito. Todos los autores leyeron y aprobaron el manuscrito final.

Correspondencia a Muhammad Tousif Bhatti.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Bhatti, MT, Anwar, AA y Hussain, K. Caracterización y perspectiva de los peligros climáticos en una zona agrícola de Pakistán. Informe científico 13, 9958 (2023). https://doi.org/10.1038/s41598-023-36909-4

Descargar cita

Recibido: 05 de septiembre de 2022

Aceptado: 12 de junio de 2023

Publicado: 20 de junio de 2023

DOI: https://doi.org/10.1038/s41598-023-36909-4

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.