1. Datos para temperaturas Globales

Utilizando los datos del clima de línea base a nivel global, genere un un código en R que permita construir mapas de aptitud en términos climáticos para la caña de azúcar (con base en los rangos óptimos). Grafique los mapas con una escala de colores adecuada.

library(raster)
library(maptools)
library(rgdal)
library(tidyverse)
require(pacman)
require(geodata)
require(geodaData)
require(sf)
require(rgeos)
require(leaflet)
require(tmaptools)
require(rasterVis)
g<-gc(reset=T)
rm(list = ls())

Establecemos nuestro directorio de trabajo

setwd("C:/Users/TELEMATICA/Desktop/archivos para r/imagenes_raster/")

Cargamos los raster para la temperatura global

#cargar capas raster por lotes
archivos=list.files("C:/Users/TELEMATICA/Desktop/archivos para r/imagenes_raster/data_temperatura global/",full.names = TRUE)
temperaturas=stack(archivos)
names(temperaturas)=month.name
levelplot(temperaturas,par.settings=BuRdTheme,main = "Temperatura Durante todos los meses")

Analizamos los valores

summary(temperaturas)
##               January      February         March         April           May
## Min.        -41.86300     -39.61800     -53.38000     -59.48900     -59.80000
## 1st Qu.     -20.59475     -23.91225     -24.84618     -23.93575     -23.71550
## Median       -8.36300      -8.56550      -2.58050       5.11750      12.06750
## 3rd Qu.      20.38775      22.28967      24.76450      25.46850      25.99225
## Max.         41.78400      39.88800      40.86800      43.16400      44.42800
## NA's    6145248.00000 6145248.00000 6145248.00000 6145248.00000 6145248.00000
##                  June          July        August     September       October
## Min.        -60.26000     -64.50000     -61.79000     -59.50000     -50.54000
## 1st Qu.     -24.59100     -25.94850     -26.72350     -24.35000     -21.25775
## Median       17.88050      20.14250      18.28650      12.44750       4.81300
## 3rd Qu.      27.39825      28.25125      28.41542      27.50425      26.17025
## Max.         46.08700      47.23700      46.19900      43.81300      40.02000
## NA's    6145248.00000 6145248.00000 6145248.00000 6145248.00000 6145248.00000
##              November      December
## Min.        -38.20000     -40.99500
## 1st Qu.     -21.07275     -19.42425
## Median       -3.58200      -6.90750
## 3rd Qu.      24.22450      21.19700
## Max.         40.53800      40.68300
## NA's    6145248.00000 6145248.00000

2.Datos para el rango de temperaturas ideales

Para identificar los Paises con temperatura media optima para caña de azucar vamos a realizar el filtro de temperaturas adecuadas

library(RColorBrewer)
temperatura_optima =temperaturas>=22.5&temperaturas<=28
mytheme <- rasterTheme(region = brewer.pal(9, "Greens"))
levelplot(temperatura_optima,par.settings=mytheme,main = "Temperatura Óptima para el cultivo de caña")

Realizando la grafica y analizando los resultado podemos observar que los paises que tienen una temperatura optima para el cultivo de la caña de azucar, deberan contar con temperaturas entre los 22.5° y 28°, para lo cual los paises que cumplen está condicion durante lo largo del año se encuentran cerca a la linea del ecuador, ya que suelen tener temperaturas similares a lo largo del año.

Graficamos el mapa para las temperaturas de los doce meses

levelplot(temperatura_optima,par.settings=BuRdTheme)

En esta grafica se puede evidenciar que existen temepraturas superiores en varios paises para los meses de Mayo a Septiembre, siendo Julio y Agosto los meses mas calurosos.

Vamos a sacar la sumatoria de la temperatura global

indi_temp<-sum((temperatura_optima)*100/12)
plot(indi_temp, main="Sumatoria de rango de temperaturas")

Cuando tenemos la temperatura promedio del año vemos que efectivamente, los paises que se encuentran en la parte superior de america del sur y gran parte de los paises de la parte inferior de africa, mantienen esta temperaturas.

3.Paises optimos con rangos de temperatura

Identifique 2 o 3 países con áreas de alto potencial para la caña de azúcar y realice un corte para estas zonas con el shape global. Grafique los mapas con una escala de colores adecuada.

Vamos a escoger los tres paises de estudio

library(RColorBrewer)
mytheme <- rasterTheme(region = brewer.pal(3, "Greens"))

df_puntos <- data.frame(x = c(-74.4,-75.27, 17.39 ), y = c(4.37, 9.19,-12.23),descripcion = c("Colombia","Peru", "Angola\n (Africa)"))



levelplot(indi_temp, main = "Paises con temperatura  Óptima para la Caña de Azucar", par.settings=mytheme,
          names.attr = c("Temperatura Durante todos los meses"),
          panel = function(...) {
            panel.levelplot(...)
            panel.xyplot(df_puntos$x, df_puntos$y, col = "red", pch = 1,fill = "transparent")
            panel.text(df_puntos$x, df_puntos$y, df_puntos$descripcion, pos = 3,cex = 0.4, col = "red")
          })

Analizando las graficas y lo niveles optimos de temperaturas se van analizar los paises de Colombia, Peru y Angola de Africa.

Vamos a tomar como primer ejemplo a Colombia

#cargar una capa de poligono de colombia
col<-readOGR("C:/Users/TELEMATICA/Desktop/archivos para r/imagenes_raster/deptos_col/Municipios.shp")
## OGR data source with driver: ESRI Shapefile 
## Source: "C:\Users\TELEMATICA\Desktop\archivos para r\imagenes_raster\deptos_col\Municipios.shp", layer: "Municipios"
## with 1118 features
## It has 22 fields
plot(col)

#Obtener informacion de la data
colnames(col@data)
##  [1] "OBJECTID_1" "DPTO_CCDGO" "MPIO_CCDGO" "Shape_Leng" "OBJECTID"  
##  [6] "MPIO_CNMBR" "DESCRPCION" "DEPTO"      "P_ENERSI"   "P_ENERNO"  
## [11] "P_ALCANSI"  "P_ALCANNO"  "P_ACUESI"   "P_ACUENO"   "P_GASNSI"  
## [16] "P_GASNNO"   "P_GASNNOIN" "P_TELEFSI"  "P_TELEFNO"  "P_TELEFNOI"
## [21] "ShapeSTAre" "ShapeSTLen"

Con esta informacion vamos a cortar el raster para la region de colombia

temp_col<-crop(indi_temp,col)
plot(temp_col)

Unimos la dos capas para realizar una mejor visualizacion del nivel optimo en colombia mediante el corte de las areas

temp_pred_col=mask(temp_col,col)
plot(temp_pred_col,main="Rango de temperaturas Colombia")

Como se logra evidenciar Colombia cuenta con una amplia zona para la siembra de este cultivo.

Realizamos el procedimiento de Guardar imagen tipo Png en el ordenador

png( file="C:/Users/TELEMATICA/Desktop/archivos para r/imagenes_raster/mapacol.png")
plot(temp_col, main="Rango de temperaturas Colombia")
plot(col,add=TRUE)
dev.off()
## png 
##   2

vamos a guardar la imagen tipo raster en el equipo

writeRaster(temp_pred_col, filename = "temp_colombiafinal.tif", format="GTiff", overwrite=TRUE, datatype="INT2S")

Realizamos el cargue del mapa para Peru

peru<-readOGR("C:/Users/TELEMATICA/Desktop/archivos para r/imagenes_raster/peru/Limites_Departamentales.shp")
## OGR data source with driver: ESRI Shapefile 
## Source: "C:\Users\TELEMATICA\Desktop\archivos para r\imagenes_raster\peru\Limites_Departamentales.shp", layer: "Limites_Departamentales"
## with 25 features
## It has 5 fields
plot(peru)

#Obtener informacion de la data
colnames(peru@data)
## [1] "OBJECTID"   "NOMBDEP"    "HECTARES"   "Shape__Are" "Shape__Len"

Se realiza el corte del area para la zona de estudio

temp_peru<-crop(indi_temp,peru)
plot(temp_peru)

UnimoS las dos capas para relizar una mejor visualizacion

temp_pred_peru=mask(temp_peru,peru)
plot(temp_pred_peru,main="Rango de temperaturas Peru")

Como se puede evidenciar en la grafica se aprecia que cuenta con bastantes zonas optimas para el cultivo de la caña segun la escala del mapa.

Paso seguido Guardar imagen tipo Png en el equipo

png( file="C:/Users/TELEMATICA/Desktop/archivos para r/imagenes_raster/mapaperu_tem.png")
plot(temp_peru, main="Rango de temperaturas Peru")
plot(peru,add=TRUE)
dev.off()
## png 
##   2

De igual forma se guarda la imagen tipo raster en el equipo

writeRaster(temp_pred_peru, filename = "temp_perufinal.tif", format="GTiff", overwrite=TRUE, datatype="INT2S")

Ahora vamos a cargar el raster para un pais Africano Angola

angola<-readOGR("C:/Users/TELEMATICA/Desktop/archivos para r/imagenes_raster/angola/IITA_weather_station_.shp")
## OGR data source with driver: ESRI Shapefile 
## Source: "C:\Users\TELEMATICA\Desktop\archivos para r\imagenes_raster\angola\IITA_weather_station_.shp", layer: "IITA_weather_station_"
## with 1 features
## It has 7 fields
plot(angola)

#Obtener informacion de la data
colnames(angola@data)
## [1] "OBJECTID"   "STATUS"     "ADM0_NAME"  "ShortName"  "Hub"       
## [6] "Shape__Are" "Shape__Len"

Vamos a cortar el area de temperaturas a la Region de Angola

temp_angola<-crop(indi_temp,angola)
plot(temp_angola)

ahora vamos a unir las dos capas para tener mejor visualizacion de area

temp_pred_angola=mask(temp_angola,angola)
plot(temp_pred_angola,main="Rango de temperaturas Angola Africa")

Como se puede observar este pais tambien cuenta con unos niveles de temperaturas adecuados en cuanto a temperatura para la caña.

Se Guarda imagen tipo Png en el equipo

png( file="C:/Users/TELEMATICA/Desktop/archivos para r/imagenes_raster/mapaangola_tem.png")
plot(temp_angola, main="Rango de temperaturas Angola")
plot(angola,add=TRUE)
dev.off()
## png 
##   2

igualmente se guarda la imagen tipo raster en el equipo

writeRaster(temp_pred_angola, filename = "temp_angolafinal.tif", format="GTiff", overwrite=TRUE, datatype="INT2S")

4.Datos para temperaturas del valle del cauca

Ahora vamos a sacar el poligono del valle del cauca para Colombia

valle=col[col@data$DEPTO %in% 'VALLE DEL CAUCA',]
dpto=aggregate(col,'DEPTO')
plot(valle)

#Obtener informacion de la data
colnames(valle@data)
##  [1] "OBJECTID_1" "DPTO_CCDGO" "MPIO_CCDGO" "Shape_Leng" "OBJECTID"  
##  [6] "MPIO_CNMBR" "DESCRPCION" "DEPTO"      "P_ENERSI"   "P_ENERNO"  
## [11] "P_ALCANSI"  "P_ALCANNO"  "P_ACUESI"   "P_ACUENO"   "P_GASNSI"  
## [16] "P_GASNNO"   "P_GASNNOIN" "P_TELEFSI"  "P_TELEFNO"  "P_TELEFNOI"
## [21] "ShapeSTAre" "ShapeSTLen"

Guardamos la imagen en el equipo

shapefile(valle,"C:/Users/TELEMATICA/Desktop/archivos para r/imagenes_raster/dto_valle",overwrite=TRUE)

Cortar raster al area del poligono del valle

temp_valle<-crop(indi_temp,valle)
plot(temp_valle,main="Rango de temperaturas en el valle")

temp_pred_valle=mask(temp_valle,valle)
plot(temp_pred_valle,main="Rango de temperaturas Valle del Cauca")

Como se puede apreciar gran parte del valle del cauca presenta temperaturas favorables para este tipo de cultivo

Se Guarda la imagen tipo Png en el equipo

png( file="C:/Users/TELEMATICA/Desktop/archivos para r/imagenes_raster/mapavalle_tem.png")
plot(temp_valle, main="Rango de temperaturas Valle del Cauca")
plot(valle,add=TRUE)
dev.off()
## png 
##   2

Se guarda la imagen tipo raster en el equipo

writeRaster(temp_pred_valle, filename = "temp_vallefinal.tif", format="GTiff", overwrite=TRUE, datatype="INT2S")

5.Datos para temperaturas para 3 municipios

Ahora vamos a sacar el poligono de los tres municipios del valle para Colombia

Iniciamos con el Municipio de Buga

buga=col[col@data$MPIO_CNMBR %in% 'BUGA',]
mpio=aggregate(col,'MPIO_CNMBR')
plot(buga)

Guardamos la imagen en el equipo

shapefile(buga,"C:/Users/TELEMATICA/Desktop/archivos para r/imagenes_raster/mcpio_buga_tem",overwrite=TRUE)

cortar raster al area del poligono de Buga

temp_buga<-crop(indi_temp,buga)
plot(temp_buga,main="Rango de temperaturas en el Municipio de Buga")

plotear raster y poligono a la vez de Buga

plot(temp_buga, main="Rango de Temperatura en Buga")
plot(buga,add=TRUE)

Obtener el shapefile del Municipio de Cartago

cartago=col[col@data$MPIO_CNMBR %in% 'CARTAGO',]
mpio=aggregate(col,'MPIO_CNMBR')
plot(cartago)

Guardamos la imagen raster en el equipo

shapefile(cartago,"C:/Users/TELEMATICA/Desktop/archivos para r/imagenes_raster/mcpio_carta_tem",overwrite=TRUE)

Cortar raster al area del poligono de Cartago

temp_cartago<-crop(indi_temp,cartago)
plot(temp_buga,main="Rango de temperaturas en el Municipio de Cartago")

Plotear raster y poligono a la vez de cartago

plot(temp_cartago, main="Rango de Temperatura en Cartago")
plot(cartago,add=TRUE)

Obtener el shapefile del Municipio de Bueanventura

buena=col[col@data$MPIO_CNMBR %in% 'BUENAVENTURA',]
mpio=aggregate(col,'MPIO_CNMBR')
plot(buena)

Guardamos la imagen en el equipo

shapefile(buena,"C:/Users/TELEMATICA/Desktop/archivos para r/imagenes_raster/mcpio_buena_tem",overwrite=TRUE)

Cortar raster al area del poligono de Buenaventura

temp_buena<-crop(indi_temp,buena)
plot(temp_buena,main="Rango de temperaturas en el Municipio de Buenventura")

Plotear raster y poligono a la vez de Buenaventura

plot(temp_buena, main="Rango de Temperatura en Buenaventura")
plot(buena,add=TRUE)

6. Datos de las precipitaciones Globales

Analisis de las precipitaciones Globales

ruta=list.files("C:/Users/TELEMATICA/Desktop/archivos para r/imagenes_raster/data_precipitacion global/",full.names = TRUE)
prec=stack(ruta)
names(prec)=month.name
mytheme <- rasterTheme(region = brewer.pal(6, "Blues"))
levelplot(prec,par.settings=mytheme,main = "Precipitaciones durante los meses")

En estos graficos se puede visualizar el nivel de precipitaciones a nivel mundial mes a mes

Vemos la informacion

summary(prec)
##         January February   March   April     May    June    July  August
## Min.          0        0       0       0       0       0       0       0
## 1st Qu.       0        2       5       7       8       2       7      14
## Median       12       13      17      21      24      23      33      39
## 3rd Qu.      38       36      46      47      52      63      74      74
## Max.        741      583     655     630     640    1258    2238    1506
## NA's    6145248  6145248 6145248 6145248 6145248 6145248 6145248 6145248
##         September October November December
## Min.            0       0        0        0
## 1st Qu.         5       4        2        1
## Median         29      24       17       14
## 3rd Qu.        60      55       48       42
## Max.          785     722      619      715
## NA's      6145248 6145248  6145248  6145248

7.Precipitaciones adecuadas para el cultivo

Ahora vamos a realizar el filtro en la condiciones optimas para el cultivo de la caña de azucar

rango_prec =prec>=125&prec<=290
mytheme <- rasterTheme(region = brewer.pal(9, "Blues"))
levelplot(rango_prec,main = "Precipitación Mensual Óptima para la caña",par.settings=mytheme) #BuRdTheme

Ahora se visualiza de manera mas clara mes a mes las zonas de interes para el cultivo

levelplot(rango_prec,par.settings=BuRdTheme)

Realizaremos la validacion general para la precipitacion

indi_preci <- sum((rango_prec)*100/12)
plot(indi_preci)

En una escala de 1 a 100 se puede apreciar las zona mas favorables en donde todo lo que se acerque o sea igual a 100 es lo mas optimo

Guardar imagen raster de precipitacion Global

writeRaster(indi_preci, filename = "Precipitacion_global", format="GTiff", overwrite=TRUE)
prec_anual = sum(prec)
prec_anual_optima =prec_anual>=1500&prec_anual<=3500
mytheme <- rasterTheme(region = brewer.pal(9, "Blues"))
levelplot(prec_anual_optima, main = "Precipitación Anual Óptima", par.settings=mytheme)

8.Paises de estudio para precipitaciones adecuadas

Vamos a escoger los tres paises de estudio

library(RColorBrewer)
mytheme <- rasterTheme(region = brewer.pal(3, "Blues"))

df_puntos <- data.frame(x = c(-74.4,-75.27, 17.39 ), y = c(4.37, 9.19,-12.23),descripcion = c("Colombia","Peru", "Angola\n (Africa)"))



levelplot(indi_preci, main = "Paises con Precipitacion  Óptima para la Caña de Azucar", par.settings=mytheme,
          names.attr = c("Precipitacion optima Durante todos los meses"),
          panel = function(...) {
            panel.levelplot(...)
            panel.xyplot(df_puntos$x, df_puntos$y, col = "red", pch = 1,fill = "transparent")
            panel.text(df_puntos$x, df_puntos$y, df_puntos$descripcion, pos = 3,cex = 0.4, col = "red")
          })

Realizaremos el corte para nuestro primer pais de estudio Colombia

prec_col<-crop(indi_preci,col)
plot(prec_col)

prec_pred_col=mask(prec_col,col)
plot(prec_pred_col,main="Rango de Precipitaciones en Colombia")

Segun la escala se observa buenas condiciones a lo largo del pais en cuanto a precipitaciones

Realizamos el procedimiento de Guardar imagen tipo Png en el ordenador

png( file="C:/Users/TELEMATICA/Desktop/archivos para r/imagenes_raster/mapacol_prec.png")
plot(prec_col, main="Rango de Precipitaciones en Colombia")
plot(col,add=TRUE)
dev.off()
## png 
##   2

vamos a guardar la imagen tipo raster en el equipo

writeRaster(prec_pred_col, filename = "prec_colombiafinal.tif", format="GTiff", overwrite=TRUE, datatype="INT2S")

Se realiza el corte para el segundo de pais de estudio en esta caso peru

prec_peru<-crop(indi_preci,peru)
plot(prec_peru)

prec_pred_peru=mask(prec_peru,peru)
plot(prec_pred_peru,main="Rango de Precipitaciones en Peru")

Al igual de Colombia se detalla el mapa con la integracion de capas y se puede apreciar que tambien presenta buena parte con buena precipitaciones

Guardar imagen tipo Png

png( file="C:/Users/TELEMATICA/Desktop/archivos para r/imagenes_raster/mapaperu_prec.png")
plot(prec_peru, main="Rango de Precipitaciones en Peru")
plot(peru,add=TRUE)
dev.off()
## png 
##   2

vamos a guardar la imagen tipo raster en el equipo

writeRaster(prec_pred_peru, filename = "prec_perufinal.tif", format="GTiff", overwrite=TRUE, datatype="INT2S")

Por ultimo realizamos el mismo procedimiento con el pais africano de Angola

prec_angola<-crop(indi_preci,angola)
plot(prec_angola)

prec_pred_angola=mask(prec_angola,angola)
plot(prec_pred_angola,main="Rango de Precipitaciones en Angola Africa")

De igual forma al realizar la superposicion de capas se puede observar que tambien presenta consideraciones favorables para este tipo de cultivo

Guardar imagen tipo Png

png( file="C:/Users/TELEMATICA/Desktop/archivos para r/imagenes_raster/mapaangola_prec.png")
plot(prec_angola, main="Rango de Precipitaciones en Angola-Africa")
plot(angola,add=TRUE)
dev.off()
## png 
##   2

Se gurda la imagen raster

writeRaster(prec_pred_angola, filename = "Precipitacion_angola", format="GTiff", overwrite=TRUE)

9.Precipitaciones para el valle del Cauca

Ahora vamos a realizar el procedimiento con el departamento de cauca

Cortar raster al area del poligono del valle con precipitaciones

prec_valle<-crop(indi_preci,valle)
plot(prec_valle,main="Rango de precipitaciones en el valle")

prec_pred_valle=mask(prec_valle,valle)
plot(prec_pred_valle,main="Rango de Precipitaciones en el Valle del Cauca")

Al realizar el procedimiento se observa que la region del cauca tambien presenta en general buenas condiciones de precipitacion para el cultivo

Guardar imagen tipo Png

png( file="C:/Users/TELEMATICA/Desktop/archivos para r/imagenes_raster/mapavalle_prec.png")
plot(prec_valle, main="Rango de Precipitaciones en el Valle del cauca")
plot(valle,add=TRUE)
dev.off()
## png 
##   2

Gurdar imagen tipo raster

writeRaster(prec_pred_valle, filename = "Precipitacion_valle", format="GTiff", overwrite=TRUE)

10.Precipitaciones para en tres municipios

Ahora vamos a iniciar el analisis con los municipios para la precipitacion

Cortar raster al area del poligono para el municipio de Buga

prec_buga<-crop(indi_preci,buga)
plot(prec_buga,main="Rango de Precipitaciones en el Municipio de Buga")

Plotear raster y poligono a la vez

plot(prec_buga, main="Rango de Precipitaciones en Buga")
plot(buga,add=TRUE)

prec_pred_buga=mask(prec_buga,buga)
plot(prec_pred_buga,main="Rango de Precipitaciones en Buga")

Hacemos el msmo procedimiento para el Municipio de Cartago

Cortar raster al area del poligono

prec_cartago<-crop(indi_preci,cartago)
plot(prec_cartago,main="Rango de Precipitaciones en el Municipio de Cartago")

plot(prec_cartago, main="Rango de Precipitaciones en Cartago")
plot(cartago,add=TRUE)

Hacemos el msmo procedimiento para el Municipio de Buenaventura Cortar raster al area del poligono

prec_buena<-crop(indi_preci,buena)
plot(prec_buena,main="Rango de Precipitaciones en el Municipio de Buenaventura")

plotear raster y poligono a la vez

plot(prec_buena, main="Rango de Precipitaciones en Buenaventura")
plot(buena,add=TRUE)

11. Comparacion de datos y conclusiones

Compare los mapas generados por ambas aproximaciones y concluya.

Vamos a visualizar los graficos para Tempertauras y precipitaciones ideales para la caña de azucar

Se realiza la comparacion Global con los dos factores de interes

par(mfrow = c(1,2))
plot(indi_temp,main="Indic de Temperatura al año")
plot(indi_preci,main="Indic de precipitaciones al año")

Visualizamos para Colombia

par(mfrow = c(1,2))
plot(temp_pred_col,main="Rango de temp Colombia")
plot(prec_pred_col,main="Rango de prec Colombia")

Al realizar el anlisis de las dos graficas se puede evidenciar que efectivamente Colombia presenta un alto potencial para este cultivo especialmente hacia la zona de las coordilleras.

Realizamos analisis para peru

par(mfrow = c(1,2))
plot(temp_pred_peru,main="Rango de temp Peru")
plot(prec_pred_peru,main="Rango de prec Peru")

Para este pais en especifico si comparamos las dos graficas aunque cumple con los requerimientos pero pues no es fuerte en la misma zona, por ejemplo las temperaturas son buenas hacia la region de la consta, pero no no las precipitaciones de igual forma ocurre con las precipitaciones que son buenas hacia la parte central pero no las temperaturas.

Con angola ocurre lo siguiente:

par(mfrow = c(1,2))
plot(temp_pred_angola,main="Rango de temp Angola")
plot(prec_pred_angola,main="Rango de prec Angola")

Al realizar el anlisis de las dos graficas se puede evidenciar que efectivamente Angola presenta un alto potencial para este cultivo especialmente hacia la zona central del pais.

Analizamos ahora la zona especifica para colombia en el Valle

par(mfrow = c(1,2))
plot(temp_pred_valle,main="Rango de temp valle")
plot(prec_pred_valle,main="Rango de prec valle")

Al comparar las graficas con los indicadores para el valle del cauca se puede evidenciar que efectivamente es un departamento con muy buenas condiciones en su gran mayoria para este tipo de cultivo.

Ahora vamos analizar los tres municipios escogidos:

Para el caso de Buga:

par(mfrow = c(1,2))
plot(temp_buga, main="Nivel Temp en Buga")
plot(buga,add=TRUE)
plot(prec_buga, main="Nivel Prec en Buga")
plot(buga,add=TRUE)

Para este municipio podemos observar que toda su margen izquierda presenta buenas condiciones para el cultivo en las dos variables de interes.

Para el municipio de Cartago:

par(mfrow = c(1,2))
plot(temp_cartago, main="Nivel Temp en Cartago")
plot(cartago,add=TRUE)
plot(prec_cartago, main="Nivel Prec en Cartago")
plot(cartago,add=TRUE)

En este municipio se observa que en la parte inferior derecha es donde presenta probabilidad en ambos factores para el cultivo.

Para Buenaventura

par(mfrow = c(1,2))
plot(temp_buena, main="Nivel Temp en Buenaventura")
plot(buena,add=TRUE)
plot(prec_buena, main="Nivel Prec en Buenaventura")
plot(buena,add=TRUE)

En este municipio se evidencia sitios de interes en la margen derecha para el cultivo de la caña de azucar.