En este documento se analizarán las áreas globales donde se podrían alcanzar los máximos rendimientos en el cultivo de caña de azúcar, teniendo en cuenta lo siguiente:

Rango de temperatura promedio de 32 a 38 grados Celsius.
Cantidad de lluvia anual entre 1200 y 2000 milímetros: 100 a 166 mensuales.

# Carga de las librerías
library(raster)

## Loading required package: sp

## The legacy packages maptools, rgdal, and rgeos, underpinning the sp package,
## which was just loaded, will retire in October 2023.
## Please refer to R-spatial evolution reports for details, especially
## https://r-spatial.org/r/2023/05/15/evolution4.html.
## It may be desirable to make the sf package available;
## package maintainers should consider adding sf to Suggests:.
## The sp package is now running under evolution status 2
##      (status 2 uses the sf package in place of rgdal)

library(rgdal)

## Please note that rgdal will be retired during October 2023,
## plan transition to sf/stars/terra functions using GDAL and PROJ
## at your earliest convenience.
## See https://r-spatial.org/r/2023/05/15/evolution4.html and https://github.com/r-spatial/evolution
## rgdal: version: 1.6-7, (SVN revision 1203)
## Geospatial Data Abstraction Library extensions to R successfully loaded
## Loaded GDAL runtime: GDAL 3.5.2, released 2022/09/02
## Path to GDAL shared files: C:/Users/david/AppData/Local/R/win-library/4.2/rgdal/gdal
## GDAL binary built with GEOS: TRUE 
## Loaded PROJ runtime: Rel. 8.2.1, January 1st, 2022, [PJ_VERSION: 821]
## Path to PROJ shared files: C:/Users/david/AppData/Local/R/win-library/4.2/rgdal/proj
## PROJ CDN enabled: FALSE
## Linking to sp version:2.0-0
## To mute warnings of possible GDAL/OSR exportToProj4() degradation,
## use options("rgdal_show_exportToProj4_warnings"="none") before loading sp or rgdal.

library(sp)
library(here)

## here() starts at C:/Users/david/OneDrive - PUJ Cali/Análisis Información Geográfica

library(dplyr)

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:raster':
## 
##     intersect, select, union

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

Rutas y datos

# Ruta de archivos
ruta <- here()

Importar el archivo .tif

archivos_precipitaciones <- list.files(paste(ruta,"precipitaciones/", sep = "/"), full.names = TRUE)

precipitaciones_all <- stack(archivos_precipitaciones)

## Warning in sp::CRS(...): sf required for evolution_status==2L

precipitaciones_all

## class      : RasterStack 
## dimensions : 4320, 8640, 37324800, 12  (nrow, ncol, ncell, nlayers)
## resolution : 0.04166667, 0.04166667  (x, y)
## extent     : -180, 180, -90, 90  (xmin, xmax, ymin, ymax)
## crs        : +proj=longlat +datum=WGS84 +no_defs 
## names      : wc2.1_2.5m_prec_01, wc2.1_2.5m_prec_02, wc2.1_2.5m_prec_03, wc2.1_2.5m_prec_04, wc2.1_2.5m_prec_05, wc2.1_2.5m_prec_06, wc2.1_2.5m_prec_07, wc2.1_2.5m_prec_08, wc2.1_2.5m_prec_09, wc2.1_2.5m_prec_10, wc2.1_2.5m_prec_11, wc2.1_2.5m_prec_12 
## min values :                  0,                  0,                  0,                  0,                  0,                  0,                  0,                  0,                  0,                  0,                  0,                  0 
## max values :          1541.6693,          1277.0668,          1838.3458,           917.6643,          1128.9183,          1328.0711,          3106.0163,          2134.3019,           852.9240,           965.3761,           881.3589,          1301.6273

Análisis de precipitaciones (lluvias)

names(precipitaciones_all)=month.name
plot(precipitaciones_all)

Se identificarán 3 países con áreas de alto potencial para la caña de azúcar y se realizará un corte para estas zonas usando el mapa global.

# Calculate indicators in a single line without intermediate variables, assuming vectorized operations
indicador_precipitaciones <-  sum(precipitaciones_all >= 100 & precipitaciones_all <= 166)

# Calculate the percentage in one step
indicador_precipitaciones_perc <- indicador_precipitaciones / 12 * 100
plot(indicador_precipitaciones_perc)

#Retirar los pixeles del indicador de precipitación
indicador_precipitaciones_adecuadas <- indicador_precipitaciones_perc

lugares_no_adecuados <- which(indicador_precipitaciones_perc[]<40)
indicador_precipitaciones_adecuadas[lugares_no_adecuados] <- NA

plot(indicador_precipitaciones_adecuadas)

world_map <- shapefile(paste(ruta,"World_Countries/World_Countries.shp", sep = "/"))

lugares_adecuados <- (indicador_precipitaciones_adecuadas+indicador_precipitaciones_adecuadas)/2
plot(world_map, main="Lugares con lluvia adecuada")

## Warning in is.projected(p4str): Package sf not available

plot(lugares_adecuados, add=T, col="lightblue")

Análisis de temperatura

#Cargue de imagenes raster de la temperatura
my_pallete <- colorRampPalette(c("blue", "red"))(100)
archivos_temperatura=list.files(paste(ruta,"temperatura/", sep = "/"), full.names = TRUE)
temperatura_all=stack(archivos_temperatura)
names(temperatura_all)=month.name
plot(temperatura_all, col = my_pallete)

# Identificar los paises con una temperatura media máxima entre 28 y 35 grados celcius
indicador_temperatura <-sum(temperatura_all>=30 & temperatura_all <= 35)
indicador_temperaturas_adecuadas=sum(indicador_temperatura)

#Se ajusta el indicador para presentarlo como porcentaje
indicador_temperaturas_perc=indicador_temperaturas_adecuadas/12*100
plot(indicador_temperaturas_perc)

Ahora, se tomarán 2 puntos al azar en el valle del cauca y se extraerá información del clima.

# Zona en el valle del cauca #1
require(leaflet)

## Loading required package: leaflet

leaflet() %>% addTiles() %>% addCircleMarkers(lng =-76.241701 ,lat = 4.398927)

#Extraer la información de temperatura y precipitación del punto seleccionado.
zona_1 <- data.frame(
  longitude = c(-76.241701), 
  latitude = c(4.398927)        
)
temperatura_1 <- as.data.frame(extract(temperatura_all, zona_1))
precipitaciones_1 <-  as.data.frame(extract(precipitaciones_all, zona_1))

# Serie de tiempo de temperatura
temperatura_zona_1 <- ts(as.numeric(temperatura_1[1,]))
plot(temperatura_zona_1, 
     main= "Temperatura: Zona 1", 
     col="purple",
     xlab = "Meses",
     ylab="Grados Celcius")

# Serie de tiempo de precipitaciones
precipitaciones_zona_1 <- ts(as.numeric(precipitaciones_1[1,]))
plot(precipitaciones_zona_1, 
     main= "Precipitaciones: Zona 1", 
     col="blue",
     xlab = "Meses",
     ylab="mm")

# Zona en el valle del cauca #2

leaflet() %>% addTiles() %>% addCircleMarkers(lng =-76.259093 ,lat = 3.733896)

#Extraer la información de temperatura y precipitación de la zona 2
zona_2 <- data.frame(
  longitude = c(-76.259093), 
  latitude = c(3.733896)        
)
temperatura_2 <- as.data.frame(extract(temperatura_all, zona_2))
precipitaciones_2 <-  as.data.frame(extract(precipitaciones_all, zona_2))

# Serie de tiempo de temperatura
temperatura_zona_2 <- ts(as.numeric(temperatura_2[1,]))
plot(temperatura_zona_2, 
     main= "Temperatura: Zona 2", 
     col="purple",
     xlab = "Meses",
     ylab="Grados Celcius")

# Serie de tiempo de precipitaciones
precipitaciones_zona_2 <- ts(as.numeric(precipitaciones_2[1,]))
plot(precipitaciones_zona_2, 
     main= "Precipitaciones: Zona 2", 
     col="blue",
     xlab = "Meses",
     ylab="mm")

Como siguiente paso se aplicarán técnicas de similitud a nivel global para las zonas seleccionadas

require(RColorBrewer)

## Loading required package: RColorBrewer

require(rasterVis)

## Loading required package: rasterVis

## Loading required package: lattice

temperatura_zona_1_simil = sqrt(sum((temperatura_all-as.numeric(temperatura_zona_1))^2))
my_palette <- colorRampPalette(c("red", "blue"))

# Use the custom palette in the levelplot
levelplot(temperatura_zona_1_simil, 
          par.settings = list(axis.line = list(col = "transparent"), 
                              superpose.polygon = list(col = my_palette(10), border = "transparent")),
          at = seq(0, 170, 20), 
          main = "Temperatura Zona 1 similares")

# Zona 1 comparada en cuanto precipitaciones
precipitaciones_zona_1_simil <- sqrt(sum((precipitaciones_all-as.numeric(precipitaciones_zona_1))^2))

levelplot(precipitaciones_zona_1_simil,par.settings=BTCTheme,at=seq(0,3670,100), main="Precipitaciones Zona 1 similares")

#Intersección de zonas similares a la zona 1

temperatura_similar_zona_1 <- temperatura_zona_1_simil
temperatura_similar_zona_1[(temperatura_similar_zona_1 > 30)] <- NA
precipitaciones_similar_zona_1<-precipitaciones_zona_1_simil
precipitaciones_similar_zona_1[(precipitaciones_similar_zona_1 > 300)] <- NA

interseccion <- temperatura_similar_zona_1 & precipitaciones_similar_zona_1
paridad <- par()
par(mar = c(0,0, 0, 0))
plot(world_map)

## Warning in is.projected(p4str): Package sf not available

plot(interseccion,add=T, col="blue",breaks=c(1,1.1),legend=FALSE)

El mapa nos arroja que la zona 1 tiene un clima parecido en general a los encontrados en el sur de Brasil, el este de los estados unidos (Carolina del Norte) y el área de la República Democrática del Congo.

require(RColorBrewer)
require(rasterVis)
temperatura_zona_2_simil = sqrt(sum((temperatura_all-as.numeric(temperatura_zona_2))^2))

# Use the custom palette in the levelplot
levelplot(temperatura_zona_2_simil, 
          par.settings = list(axis.line = list(col = "transparent"), 
                              superpose.polygon = list(col = my_palette(10), border = "transparent")),
          at = seq(0, 190, 20), 
          main = "Temperatura Zona 2 similares")

# Zona 2 comparada en cuanto precipitaciones
precipitaciones_zona_2_simil <- sqrt(sum((precipitaciones_all-as.numeric(precipitaciones_zona_2))^2))

levelplot(precipitaciones_zona_2_simil,par.settings=BTCTheme,at=seq(0,3670,100), main="Precipitaciones Zona 2 similares")

#Intersección de zonas similares a la zona 1

temperatura_similar_zona_2 <- temperatura_zona_2_simil
temperatura_similar_zona_2[(temperatura_similar_zona_2 > 30)] <- NA
precipitaciones_similar_zona_2<-precipitaciones_zona_2_simil
precipitaciones_similar_zona_2[(precipitaciones_similar_zona_2 > 300)] <- NA

interseccion_2 <- temperatura_similar_zona_2 & precipitaciones_similar_zona_2
paridad_2 <- par()
par(mar = c(0,0, 0, 0))
plot(world_map)
plot(interseccion_2,add=T, col="blue",breaks=c(1,1.1),legend=FALSE)

Laz zonas similares a la zona 2 son mayores: Uruguay, norte de Argentina, centro de África, la zona de Yucatán en México, entre otras.

Entregable 2

David Pinedo

Rutas y datos

Importar el archivo .tif

Análisis de precipitaciones (lluvias)

Análisis de temperatura