Assessing the vulnerability of selected agro‐ecosystems in Central Asia to threats resulting from

127 Pages·2012·2.65 MB·English

Assessing the vulnerability of selected agro‐ecosystems 
in Central Asia to threats resulting from climate change – 
production and productivity of wheat 
Report of sub‐component 3 of the ADB funded project on 
Adaptation to Climate Change in Central Asia and 
People's Republic of China 

Rolf Sommer, Mariya Glazirina and Tulkun Yuldashev 

15 January 2012 

1
1  INTRODUCTION ..................................................................................................................... 4 
2  METHODOLOGY ..................................................................................................................... 6 
2.1  Agro‐ecological Zoning ..................................................................................................................... 6 
2.2  Climate change scenarios ................................................................................................................. 8 
2.2.1  Description of CC scenarios ................................................................................................................ 8 
2.2.2  Daily data (weather generators) ........................................................................................................ 9 
2.3  CropSyst model description ........................................................................................................... 14 
2.4  Business‐as‐usual management ..................................................................................................... 16 
2.4.1  Description ....................................................................................................................................... 16 
2.4.2  Historic yields under business‐as‐usual ............................................................................................ 28 
3  EXPERIMENTAL DATA AND CROP MODEL CALIBRATION ...................................... 30 
3.1  Kazakhstan .................................................................................................................................... 30 
3.1.1  Vozdvizhenka (Astana) ..................................................................................................................... 30 
3.1.2  Kostanay .......................................................................................................................................... 32 
3.1.3  Petropavlovsk .................................................................................................................................. 34 
3.1.4  Shieli ................................................................................................................................................ 37 
3.1.5  Calibration results Kazakhstan – Saratovskay 29 and Almaly ............................................................ 41 
3.2  Kyrgyzstan ..................................................................................................................................... 45 
3.2.1  KyrNIIZ ............................................................................................................................................. 45 
3.2.2  ZhanyPakhta .................................................................................................................................... 47 
3.2.3  Uchkhoz ........................................................................................................................................... 51 
3.2.4  Daniyar ............................................................................................................................................ 53 
3.2.5  Calibration results Kyrgyzstan – Adyr, Asyl, Intensivnaya, Kyal ......................................................... 58 
3.3  Tajikistan ....................................................................................................................................... 61 
3.3.1  Shahristan ........................................................................................................................................ 61 
3.3.2  Khorasan .......................................................................................................................................... 64 
3.3.3  Bakht ............................................................................................................................................... 67 
3.3.4  Spitamen .......................................................................................................................................... 69 
3.3.5  Faizabad ........................................................................................................................................... 72 
3.3.6  Calibration results Tajikistan ‐ Kazakhskaya‐10, Navruz, Jagger ........................................................ 74 
3.4  Uzbekistan ..................................................................................................................................... 78 
3.4.1  Kuva ................................................................................................................................................. 78 
3.4.2  Akkavak, Kroshka ............................................................................................................................. 81 
3.4.3  Akaltyn ............................................................................................................................................. 85 
3.4.4  Kushmanata ..................................................................................................................................... 91 
3.4.5  Akkavak, Mars .................................................................................................................................. 96 
3.4.6  Khorezm ......................................................................................................................................... 100 
2
3.4.7  Calibration results Uzbekistan  – Dustlik, Kroshka, Mars, Polovchanka, Kupava ............................. 102 
4  IMPACT OF CLIMATE CHANGE ..................................................................................... 107 
4.1  CC impact on yields .......................................................................................................................107 
4.1.1  Overall impact ................................................................................................................................ 107 
4.1.2  Country impact .............................................................................................................................. 108 
4.2  Impact on crop phenology and physiology ....................................................................................114 
4.2.1  Crop growth – days from emergence until maturity ...................................................................... 114 
4.2.2  Maximum temperature during flowering ....................................................................................... 115 
4.2.3  Minimum temperature during vegetative growth .......................................................................... 120 
4.2.4  Irrigation requirements and transpiration use efficiency ............................................................... 120 
5  GENERAL DISCUSSION .................................................................................................... 124 
6  CONCLUSION ...................................................................................................................... 125 
7 REFERENCES ................................................................................................................. 126 

3
Acknowledgment     
This publication is a part of the initiative of the International Center for Agricultural Research in the 
Dry Areas (ICARDA) addressing the assessment of the impact of Climate Change on the wheat 
production in the different agroecological ecosystems in the 4 Central Asian countries (Kazakhstan, 
Kyrgyzstan, Tajikistan an Uzbekistan) in order to achieve sustainable, equitable and productive use 
and conservation of natural resources, including water, soils and biodiversity.   
We are grateful to the Asian Development Bank for providing financial support for this study under 
the Regional Technical Assistance (RETA 6439) project entitled “Climate Change adaptation in 
Central Asia and People’s Republic of China”. 
We would also like to thank our partners from national research institutions: Drs. Azimbay Otarov 
and  Mariya  Ibraeva  (Kazakh  Research  Institute  of  Soil  Science  and  Agro  Chemistry  after 
U.U.Uspanov, Kazakhstan), Dr. Lyudmila Martynova (Kyrgyz Research Institute of Crop Husbandry, 
Kyrgyzstan), Dr. Malik Bekenov (Ministry of Agriculture, Kyrgyzstan), Drs. Bobisho Kholov, Nasim 
Ibragimov,  Rakhmon  Kobilov,  Sharif  Karaev,  Mirzo  Sultonov  (Institute  of  Soil  Science  of  Tajik 
Academy of Agricultural Science, Tajikistan), Drs. Feruza Khasanova, Yusup Esanbekov, Sobir Isaev, 
Shovkat Abdurahimov (Uzbek Cotton Growing Research Institute, Uzbekistan), Dr. Rahimjan Ikramov 
and Mrs. Larisa Shezdyukova (Central Asian Scientific Research Institute for Irrigation (SANIIRI), 
Uzbekistan), as well as national hydrometeorological services of four CA countries. Without their 
active participation, consultations and support it would not have been possible to collect all the data 
for the study. 

Introduction  
In 2009, ICARDA in partnership with scientists from the national agricultural research system of 
Kazakhstan, Kyrgyzstan, Uzbekistan, Tajikistan and China launched a new multi‐disciplinary project 
on the “Adaptation to Climate Change in Central Asia and People's Republic of China” funded by the 
Asian Development Bank for a period of 3 years. 
The project builds on the notion that the majority of the rural population in Central Asia rely on 
agriculture and that climate change (CC) could negatively affect rural livelihoods. Regional studies of 
the impacts of CC are sparse, and those available rely on crude assumptions on the biophysical 
characteristics of crops, soils and climate as well as the agronomic management practices in the 
region. Little details are known about the vulnerability of the rural population and food security/crop 
production in Central Asia in response to CC. The overall objective of the project thus was to 
increase knowledge in the field of climate change and its potential impact in Central Asia. Sub‐
component 3 of the project was about “Assessing the vulnerability of selected agro‐ecosystems in 
Central Asia to threats resulting from climate change – production and productivity of wheat”. The 
specific objectives of this sub‐component were to develop climate change scenarios for selected 
major agro‐ecological zone, to assess the biophysical impact of CC on wheat productivity and to 
develop, if rendered indispensible, agronomic coping strategies to mitigated potentially negative 
impacts of CC. 
The following workflow was pursued: 
1) In close collaboration with partners from the national research institutes in Kazakhstan (focal 
point: Dr. Otarov), Kyrgyzstan (Dr. Bekenov), Tajikistan (Dr. Kholov) and Uzbekistan (Dr. Ikramov), 
4
available (historic) data sets on the field testing of various wheat varieties located in all major 
agro‐ecological zones of Central Asia were collected. Available results (grain yield, straw yield, N‐
uptake, phenological characteristics, etc.) as well as accompanying soil characteristics were 
screened and structured. Data sets from altogether 18 sites for 14 different bread wheat cultivars 
could be secured for this purpose. At the same time, an effort was made to acquire long‐term 
daily time step meteorological data for each location. Such data in part were available at ICARDA 
(ICARDA‐GISU weather database), could be downloaded from the internet, were provided free of 
charge by, or purchased from, the Central Asian national meteorological services. 
2) Major biophysical model parameters of the daily time step crop‐soil simulation model, CropSyst 
(Stöckle et al. 2003), were calibrated to the available data sets. 
3) Business‐as‐usual (BAU) management scenarios for each location were defined using information 
acquired by the socio‐economist colleagues during their farmer‐field evaluation/ interviewing 
phase along with national recommendations. For each site, three different BAU managements 
were defined: poor management, average management and above‐average management. 
4) Using available meteorological data, the weather data generating software LARS‐WG (Semenov 
and Barrow 1997) was applied to generate stochastic daily time‐step weather data for the 
(historic) period 1961‐1990. 
5) ICARDA's GIS‐unit (De Pauw and co‐workers) provided regionally downscaled climate change (CC) 
maps for Central Asia derived from a range of Global Climate Models (GCMs). De Pauw et al. (see 
separate report) distinguished three future periods, namely immediate‐future (year 2011‐2040), 
mid‐term  future  (2041‐2070)  and  long‐term  future  (2071‐2100).  They  furthermore 
considered/downscaled results of 17 GCMs each of it describing the climatic consequences of the 
two IPCC Emission Scenarios (SRES) A1B and A2. Thus, six different CC weather data sets were 
generated for each site, namely A1B immediate future, A1B mid‐term future, A1B long‐term 
future, A2 immediate future, A2 mid‐term future and A2 long‐term future, each comprising 50 
years of data. 
6) The CropSyst model was used to simulate the effect of the three different BAU‐scenarios under 
(one) historic and the six different CC weather conditions for each of the 18 sites. 
7) Results of this point‐scale modeling were extrapolated to Central Asia using available maps on 
the  distribution  of  the  14  wheat  varieties,  the  agro‐ecological  zoning  done  by  ICARDA, 
precipitation and temperature patterns as well as maps on the length of growing period. Results 
are presented in a separate report (De Pauw et al.). 
The present report provides an in‐depth description of the study. Results of the impact of CC on 
wheat productivity are presented and discussed and conclusions provided. 

5
1 Methodology 
1.1 Agro­ecological Zoning 
One of the main criteria of selecting suitable sites for this study was their representativeness. This 
was assured by matching site locations with major agro‐ecological zones (AEZ) of Central Asia, which 
are most suitable for cultivation of wheat and as had been identified by ICARDA's GIS‐unit (de Pauw 
and co‐workers; De Pauw 2010; Figure 1 and Table 1). For a detailed description, we refer to the 
separate report on the GIS sub‐component of the project. 

Figure 1: Agro‐ecological zones suitable for cultivation of wheat in Central Asia (de Pauw, 2010), and sites 
selected for the study (red dots number 1‐19) 

Table 1: Description of agro‐ecological zones of Central Asia suitable for the cultivation of wheat 
AEZ  Description   Countries 
(in order of abundance)  
310  Irrigated wheat in an arid climate with cold winter  Uzbekistan, Kazakhstan, 
and hot summer   Tajikistan 
510, 521  Irrigated or rainfed wheat in a semi‐arid climate  Kazakhstan, Uzbekistan, 
with cold winter and mostly warm summer  Tajikistan, Kyrgyzstan 
610, 621  Irrigated or rainfed wheat in mostly semi‐arid  Kazakhstan, Kyrgyzstan 
climate with mostly cold winters and mild summer
821, 822, 823  Rainfed wheat in sub‐humid climate with cold  Kazakhstan, Kyrgyzstan, 
winters and mild summer  Uzbekistan 
1010, 1022,  Irrigated or rainfed wheat in a humid climate with  Kazakhstan, Tajikistan, 
1023   cold winters and mild summers   Kyrgyzstan, Uzbekistan 
The selected sites cover whole Central Asia and are located in the most of the above‐mentioned 
AEZs (see Figure 1 and Table 2). Chapter 4 provides a detailed sites description. 
6
Table 2: Selected sites and their respective Agro‐Ecological Zones (AEZ) 
Country   Site name   AEZ  # on map*  Irrigation 
Kazakhstan  Astana  521  2  Rainfed 
  Kostanay  521  18  Rainfed 
  Petropavlovsk  821  19  Rainfed 
  Shieli  310  1  SI 
Kyrgyzstan   Daniyar  510  6  SI 
  KyrNIIZ  510  7  SI 
  Uchkhoz  510  3  SI 
  ZhanyPakhta  510  4  Rainfed 
Tajikistan  Bakht  510  11  SI 
  Faizabad  1032  8  Rainfed 
  Khorasan  510  10  Rainfed 
  Shahristan  532  9  SI 
  Spitamen  510  5  SI 
Uzbekistan  Akaltyn  510  14  SI 
  Akkavak  510  17  SI 
  Khorezm  310  13  Full Irrig. 
  Kushmanata  510  15  Full Irrig. 
  Kuva  310  16  Full Irrig. 
*Due to lack of sufficient calibration data site no. 12, was excluded from further analyses 

7
1.2 Climate change scenarios 
1.2.1 Description of CC scenarios 
From the range of scenarios published by the Intergovernmental Panel on Climate Change (IPCC) on 
the basis of prediction on future economic growth, energy use and resulting greenhouse gas 
emissions as have been first mentioned in the IPCC Special Report on Emissions Scenarios (SRES; 
IPCC, 2000), the following two scenarios were considered in the investigation:  
A2, which reflects a more pessimistic future, assuming a continuous population growth, increasing 
divergence  between  regions,  less  transfer  of  technological  innovations.  The  corresponding 
change in global surface temperature, comparing 2090‐99 with 1980‐99 is estimated to 2.0‐5.4 °C 
(average best estimate: 3.4 °C) 
A1b, which is neither optimistic nor pessimistic. It assumes population stabilization, continued 
globalized  world,  balance  between  fossil‐intensive  and  non‐fossil  energy  sources.  The 
corresponding change in global surface temperature (2090‐99 vs. 1980‐99) is estimated to 1.7‐
4.4 °C (average best estimate: 2.8 °C).For further details see IPCC (2007 page 18). 
Related  projections  on  atmospheric  CO   concentration  are  given  in  Figure  2.  SRES  ‐  A2  CO  
2 2
concentrations were projected to surpass A1B concentration from 2050 onwards. 
1000
m)
p
n (p 800 SRES A1B
o
ati SRES A2
r 600
nt
e
c
n
o 400
c
O2
C
200
1950 1975 2000 2025 2050 2075 2100
Year  
Figure 2: Increase of the atmospheric CO  concentration as predicted by SRES A1B and A2 (redrawn from 
2
IPCC, 2000) 

The values of CO  concentration used in the simulation of CC impact are listed in the Table 3. 
2
Table 3: Atmospheric CO2 concentrations for the three distinguished futures under SRES A1B and A2; 
immediate future = 2011‐2040, mid‐term future = 2041‐2070, long‐term future = 2071‐2100 
Emission Scenario  Future  Atmospheric CO  
2
concentration (ppm) 
Baseline  350 
A1B  Immediate  435 
Mid‐term  544 
Long‐term  656 
A2  Immediate  435 
Mid‐term  550
Long‐term  726

8
The IPCC furthermore released results of global climate simulations using the published Emission 
Scenarios as baseline. From the outputs of 23 global circulation models (GCM), on which the IPCC 
report is based, 17 GCM results were selected by ICARDA's GIS‐unit (de Pauw and co‐workers) for 
this study. The minimum requirement for a GCM output dataset to be selected was the availability of 
average temperature and precipitation data for the two above‐mentioned GHG emission scenarios 
and three time horizons, namely immediate future (year 2011‐2040), mid‐term future (2041‐2070) 
and long‐term future (2071‐2100). Subsequently, the seven models listed in the Table 4 were chosen 
as most realistic/most advanced GCMs. Among them are BCCR‐BCM2.0, CSIRO‐MK3.0, MIROC3.2, 
CGCM3.1 and CNRM‐CM3, which have complete and public available datasets for precipitation, 
maximum, minimum and mean temperature, and ECHAM5/MPI‐OM, GFDL‐CM2.0 for which full 
precipitation and mean temperature datasets are available.  
Table 4: GCM models used in investigation  
No  Name  Country  Year Resolution (°)  Source 
and vertical 
levels) 
1  BCCR‐ Norway  2005 2.8 x 2.8 (31) http://www.ipcc‐data.org/
BCM2.0  https://esg.llnl.gov:8443/home/publicHomePage.do 
2  CSIRO‐MK3.0  Australia  2001 1.9 x 1.9 (18) http://www.ipcc‐data.org/ 
https://esg.llnl.gov:8443/home/publicHomePage.do 
4  MIROC3.2   Japan  2004 2.8 x 2.8 (20) http://www.ipcc‐data.org/
8  CGCM3.1(T6 Canada  2005 2.8 x 2.8 (31) http://www.ipcc‐data.org/ 
3)  http://www.cccma.ec.gc.ca/data/cgcm3/cgcm3.shtml 
9  CNRM‐CM3  France  2005 2.8 x 2.8 (45) http://www.ipcc‐data.org/
https ://esg.llnl.gov:8443/home/publicHomePage.do 
http://www.mad.zmaw.de/projects‐at‐
md/ensembles/experiment‐list‐for‐stream‐1/cnrm‐cm3/ 
10  ECHAM5/   Germany  2003 1.9 x 1.9 (31) http://www.ipcc‐data.org/ 
MPI‐OM 
12  GFDL‐CM2.0  USA  2005 2 x 2.5 (24) http://www.ipcc‐data.org/ 
1.2.2 Daily data (weather generators) 
Since CC data were available only in form of absolute deviation of monthly temperature (∆T) and 
relative deviation of monthly sum of precipitation (∆P) from historic data (reference period of 1961‐
1990), there was a need to produce multiple‐year climate change data at the daily time scale, which 
is required for crop modeling. Stochastic weather generators (WGs) are commonly used for this 
purpose.  
Based on comparative analysis of WG’s outputs under Central Asian climate variability conditions the 
LARS‐WG  (Semenov  and  Barrow,  1997)  was  chosen  as  most  suitable  weather  generator  for 
producing  the  required  crop  modeling  weather  data  sets.  In  contrast  to  the  other  weather 
generators, LARS‐WG uses an alternating renewal model for precipitation occurrence (Semenov et 
al., 1998). However, there was a shortcoming in regard of the applicability of LARS‐WG: its output is 
limited to maximum (T ) and minimum temperature (T ), solar radiation and precipitation. Since 
max min
CropSyst  requires  seven  meteorological  parameters,  namely  T ,  T ,  precipitation  (P),  solar 
max min
radiation (Rs), maximum relative humidity (RHmax), minimum relative humidity (RHmin) and wind 
speed (W), the ClimGen weather generator (Stöckle et al., 1998), which is part of the CropSyst 
modeling  suite,  was  used  for  estimating  missing  parameters.  Table  5  provides  a  comparative 
description of the underlying methods used in both WGs. 
9
Table 5: Comparative description of the methods used in the LARS‐WG and ClimGen weather generators 
ClimGen  LARS‐WG 
Developers  Stöckle & Nelson & Campbell  Semenov & Barrow & Racsko 
Precipitation 
Definition of wet day  Daily precipitation > 0.25 mm Daily precipitation > 0.1 mm 
Determination of  Transition probabilities of a first‐order 2‐state  Lengths of alternate wet and dry sequences 
precipitation status for a Markov chain applied to the previous day's status.  chosen from a semi‐empirical distribution fitted 
given day   Transitional probabilities can be determined  to the observed series. Separate parameters 
directly from daily data if long records (>20 years)  are calculated for each month. 
are available. They can also be estimated from the 
fraction of wet days in a month. Separate 
probabilities are calculated for each month. 
Daily distribution  Two‐parameter Weibull distribution. One of the  Semi‐empirical distribution 
parameters was found by Selker and Haith (Selker 
and Haither, 1990) to be 0.75 after optimization 
using data from several locations (including Central 
Asia) 
Parameters  Separate parameters are calculated for each monthSeparate parameters are calculated for each 
month 
Minimum temperature
Daily distribution  Normal distribution  Normal distribution  
Parameters  The mean and standard deviation of the normal  The mean and standard deviation of the normal 
vary daily.   vary daily. These parameters are obtained by 
fitting Fourier series to the means and standard 
deviations of the observed data throughout the 
year (grouped into months) 
Conditioned on  Yes  Yes. Separate Fourier series are fitted for wet 
precipitation status?  and dry days. 
Correlation  Cross‐correlation between maximum temperature, Constant lag 1 auto‐correlation. Pre‐set cross‐
minimum temperature and radiation.  correlation between maximum and minimum 
temperature 
Maximum temperature 
Daily distribution  Normal distribution Normal distribution  
Parameters  The mean and standard deviation of the normal  The mean and standard deviation of the normal 
vary daily.   vary daily. These parameters are obtained by 
fitting Fourier series to the means and standard 
deviations of the observed data throughout the 
year (grouped into months) 
Conditioned on  Yes  Yes. Separate Fourier series are fitted for wet 
precipitation status?  and dry days. 
Correlation  Cross‐correlation between maximum temperature, Constant lag 1 auto‐correlation. Pre‐set cross‐
minimum temperature and radiation.    correlation between maximum and minimum 
temperature 
Radiation 
Daily distribution  Normal distribution  Semi‐empirical distribution 
Parameters  The mean and standard deviation of the normal  Separate parameters are calculated for each 
vary daily.   month 
Conditioned on  Yes  Yes. Separate parameters are calculated for wet 
precipitation status?  and dry days for each month. 
Correlation  Cross‐correlation between maximum temperature, Constant lag 1 auto‐correlation.  
minimum temperature and radiation.   
Relative humidity of  Calculated via dew point temperature and vapor 
the air  pressure calculation. Two years of humidity and 
temperature data are sufficient. 
Wind speed  Wind speed generated using Weibull distribution.   
Source  http://www.bsyse.wsu.edu/cropsyst/ClimGen/inde http://www.rothamsted.bbsrc.ac.uk/mas‐
x.html  models/larswg.php 

10