A new version of this entry is available:
Loading...
Doctoral Thesis
2024
Reducing uncertainty in prediction of climate change impacts on crop production in Ethiopia
Reducing uncertainty in prediction of climate change impacts on crop production in Ethiopia
Abstract (English)
Ethiopia, with an economy heavily reliant on agriculture, is among the countries most vulnerable to climate change. It faces recurrent climate extreme events that result in devastating impacts and acute food shortages for millions of people. Studies that focus on their influence on agriculture, especially crop productivity, are of particular importance. However, only a few studies have been conducted in Ethiopia, and existing studies are spatially limited and show considerable spatial invariance in predicted impacts, as well as discrepancies in the sign and direction of impacts. Therefore, a robust, regionally focused, and multi-model assessment of climate change impacts is urgently needed. To guide policymaking and adaptation strategies, it is essential to quantify the impacts of climate change and distinguish the different sources of uncertainty.
Against this backdrop, this study consisted of several key components. Using a multi-crop model ensemble, we began with a local climate change impact assessment on maize and wheat growth and yield across three sites in Ethiopia . We quantified the contributions of different sources of uncertainty in crop yield prediction. Our results projected a of 36 to 40% reduction in wheat grain yield by 2050, while the impact on maize was modest. A significant part of the uncertainty in the projected impact was attributed to differences in the crop growth models. Importantly, our study identified crop growth model-associated uncertainty as larger than the rest of the model components.
Second, we produced a high-resolution daily projections database for rainfall and temperature to serve the requirement for impact modeling at regional and local levels using a statistical downscaling technique based on state-of-the-art GCMs under a range of emission scenarios called Shared Socioeconomic Pathways (SSPs). The evaluated results suggest that the downscaling strategy significantly reduced the biases between the GCM outputs and the observation data and minimized the errors in the projections.
Third, we explored the magnitude and spatial patterns of trends in observed and projected changes in climate extremes indices based on downscaled high-resolution daily climate data to serve as a baseline for future national or regional-level impact assessment. Our results show largely significant and spatially consistent trends in temperature-derived extreme indices, while precipitation-related extreme indices are heterogeneous in terms of spatial distribution, magnitude, and statistical significance coverage. The projected changes in temperature-related indices are dominated by the uncertainties in the GCMs, followed by uncertainties in the SSPs. Unlike the temperature-related indices, the uncertainty from internal climate variability constitutes a considerable proportion of the total uncertainty in the projected trends.
Fourth, we examined the regional-scale impact of climate change on maize and wheat yields by crop modeling, in which we calibrated and validated three process-based crop models to guide the design of national-level adaptation strategies in Ethiopia. Our analysis showed that under a high-emissions scenario, the national-level median wheat yield is expected to decrease by 4%, while maize yield is expected to increase by 2.5% by the end of the century. The CO2 fertilization effect on the crop simulations would offset the projected negative impact. Crop model spread followed by GCMs was identified as the largest contributor to overall uncertainty to the estimated yield changes.
In summary, our study quantifies the impact of climate change and demonstrates the importance of a multi-model ensemble approach. We highlight the significant impacts of climate change on wheat yield in Ethiopia and the importance of crop model improvements to reduce overall uncertainty in the projected impact.
Abstract (German)
Äthiopien, dessen Wirtschaft stark von der Landwirtschaft abhängt, zählt zu den Ländern, die am stärksten vom Klimawandel betroffen sind. Immer wieder ist das Land mit extremen Klimaereignissen konfrontiert, die verheerende Auswirkungen haben und zu akuter Nahrungsmittelknappheit für Millionen von Menschen führen. Studien, die sich mit dem Einfluss des Klimawandels auf die Landwirtschaft und insbesondere auf die Pflanzenproduktivität befassen, sind von besonderer Bedeutung. Die wenigen Untersuchungen, die in Äthiopien durchgeführt wurden, sind räumlich begrenzt und zeigen eine hohe räumliche Invarianz in den vorhergesagten Auswirkungen. Sie weisen außerdem Diskrepanzen in deren Richtung und Stärke auf. Daher ist eine robuste, regional ausgerichtete und modellübergreifende Bewertung der Auswirkungen des Klimawandels dringend erforderlich. Für politische Entscheidungen und Anpassungsstrategien ist es unerlässlich, diese zu quantifizieren und die Quellen der Unsicherheit zu identifizieren.
Unsere Studie besteht aus mehreren Schlüsselkomponenten. Wir begannen mit einer lokalen Bewertung der Auswirkungen des Klimawandels auf das Wachstum und die Erträge von Mais und Weizen an drei Standorten in Äthiopien unter Verwendung eines Multi-Crop-Modells. Zusätzlich quantifizierten wir den Anteil verschiedener Unsicherheitsquellen an der Vorhersage von Ernteerträgen. Unsere Ergebnisse zeigen einen prognostizierten Rückgang der Kornerträge vonWeizen um 36 bis 40 % bis 2050, während die Auswirkungen auf Mais gering ausfielen. Ein erheblicher Teil der Unsicherheit in den prognostizierten Auswirkungen kann auf die Unterschiede in den Wachstumsmodellen der Pflanzen zurückgeführt werden. Wir stellten fest, dass die mit dem Pflanzenwachstumsmodell verbundene Unsicherheit größer ist als die der übrigen betrachteten Modellkomponenten.
Anschließend erstellten wir eine hochauflösende Datenbank mit täglichen Projektionsdaten für Niederschlag und Temperatur, um die klimawandelbedingten Auswirkungen auf regionaler und lokaler Ebene modellieren zu können. Dafür verwendeten wir statistische Downscaling- Techniken auf der Grundlage modernster GCMs unter verschiedenen Emissionsszenarien, den so genannten Shared Socioeconomic Pathways (SSPs). Die ausgewerteten Ergebnisse zeigen, dass die Downscaling-Strategie den Bias zwischen den GCM-Ergebnissen und den Beobachtungsdaten erheblich reduziert und die Fehler in den Projektionen minimiert.
Im dritten Schritt untersuchten wir die Stärke und die räumlichen Muster der Trends in den beobachteten und prognostizierten Klimaindizes auf der Grundlage herunterskalierter, hochauflösender täglicher Klimadaten. Sie können als Grundlage für künftige Folgenabschätzungen auf nationaler oder regionaler Ebene dienen. Unsere Ergebnisse zeigen weitgehend signifikante und räumlich konsistente Trends bei den von der Temperatur abgeleiteten Extremindizes, während die niederschlagsbezogenen Extremindizes in Bezug auf die räumliche Verteilung, die Größenordnung und die statistische Signifikanzabdeckung heterogen sind. Die projizierten Änderungen der temperaturbezogenen Indizes werden von den Unsicherheiten in den GCMs dominiert, gefolgt von den Unsicherheiten in den SSPs. Im Gegensatz zu den temperaturbezogenen Indizes macht die Unsicherheit in der internen Klimavariabilität einen beträchtlichen Teil der Gesamtunsicherheit in den projizierten Trends aus.
Viertens untersuchten wir die Auswirkungen des Klimawandels auf die Erträge von Mais und Weizen auf regionaler Ebene durch Pflanzenmodellierung, wobei wir drei prozessbasierte Pflanzenmodelle kalibrierten und validierten, um das Design von nationalen Anpassungsstrategien in Äthiopien zu lenken. Unsere Analyse ergab, dass bei einem Szenario mit hohen Emissionen der mittlereWeizenertrag auf nationaler Ebene bis zum Ende des Jahrhunderts voraussichtlich um 4 % zurückgehen wird, während der Maisertrag voraussichtlich um 2,5 % steigen wird. Der CO2 Düngeeffekt würde die prognostizierten negativen Auswirkungen ausgleichen. Die Streuung der Pflanzenmodelle, gefolgt von den GCMs, wurde als größter Unsicherheitsfaktor der geschätzten Ertragsänderungen identifiziert.
Zusammenfassend lässt sich sagen, dass unsere Studie die Auswirkungen des Klimawandels in Äthiopien quantifiziert und die Bedeutung eines Multi-Modell-Ensemble-Ansatzes verdeutlicht. Sie zeigt die erheblichen Auswirkungen des Klimawandels auf die Weizenerträge in Äthiopien. Durch dieWeiterentwicklung und Verbesserung von Pflanzenmodellen könnte die Gesamtunsicherheit derprognostizierten Auswirkungen erheblichverringert werden.
File is subject to an embargo until
This is a correction to:
A correction to this entry is available:
This is a new version of:
Notes
Publication license
Publication series
Published in
Faculty
Faculty of Agricultural Sciences
Institute
Institute of Soil Science and Land Evaluation
Examination date
2024-02-22
Supervisor
Edition / version
Citation
Identification
DOI
ISSN
ISBN
Language
English
Publisher
Publisher place
Classification (DDC)
630 Agriculture
Collections
Original object
Free keywords
Standardized keywords (GND)
BibTeX
@phdthesis{Rettie2024,
url = {https://hohpublica.uni-hohenheim.de/handle/123456789/6943},
author = {Rettie, Fasil Mequanint},
title = {Reducing uncertainty in prediction of climate change impacts on crop production in Ethiopia},
year = {2024},
school = {Universität Hohenheim},
}