En este documento, se presenta el paso a paso para llevar a cabo el requerimiento solicitado para cumplimiento de la actividad del módulo 1, Unidad 2:

Nota: A lo largo del documento, por sección, se realizan las interpretaciones y conclusiones pertinentes para cumplir los requerimientos de la rúbrica

1. Requerimiento No. 1

Utilizando los datos de clima de línea base a nivel global, genere 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.

Como primera medida, se procede con la descarga de la información de datos de clima de línea base a nivel gobal, de la página web: https://www.worldclim.org/data/worldclim21.html

Cita: Fick, S.E. and R.J. Hijmans, 2017. WorldClim 2: new 1km spatial resolution climate surfaces for global land areas. International Journal of Climatology 37 (12): 4302-431

Esta información, se almacena en una ruta local para su posterior procesamiento:

suppressMessages(library(raster))
suppressMessages(library(rasterVis))

# Ruta base donde están almacenados los archivos
base_path <- "C:/Users/jlafaurie/Dropbox/Datos personales/Maestría ciencia de datos/2. Segundo Semestre/4. Análisis de información geográfica y espacial/Módulo 1/Unidad 2"

# Crear listas de archivos para cada variable usando patrones
temp_avg_files <- list.files(path = base_path, pattern = "wc2.1_10m_tavg_.*tif$")
precip_files  <- list.files(path = base_path, pattern = "wc2.1_10m_prec_.*tif$")

# Cargar los archivos en RasterStacks
temp_media <- stack(temp_avg_files)
precip_final  <- stack(precip_files)

1.1 Temperatura

Después de descargar la información y almacenarlas en bases de datos separadas (Precipitación acumulada y Temperatura promedio), se procede con la visualización de la misma:

# Visualización avanzada de temperatura media
levelplot(temp_media, main="Temperatura Media", 
          xlab="Longitud", ylab="Latitud", 
          scales=list(draw=TRUE), 
          col.regions=colorRampPalette(c("purple", "blue", "cyan", "green")))

Interpretación y conclusiones del gráfico de temperatura mensual

El gráfico muestra la visualización de la temperatura media mensual a lo largo de un año, con cada panel representando un mes diferente, desde enero (tavg_01) hasta diciembre (tavg_12). Permiten identificar patrones estacionales y variaciones geográficas en la temperatura a nivel global. A continuación, se presenta un análisis del mismo:

Tendencias Estacionales:
- Hemisferio Norte (enero a diciembre): Se observa un incremento gradual de las temperaturas comenzando con valores más bajos en enero y alcanzando un pico en julio y agosto, que son típicamente los meses más cálidos en el hemisferio norte. Posteriormente, las temperaturas comienzan a disminuir hasta diciembre.
- Hemisferio Sur: El patrón es inverso al del hemisferio norte con los meses más cálidos ocurriendo entre diciembre y febrero, y los más fríos en junio y julio.

1.2 Precipitación

Una vez analizada la información de temperatura, se procede con el análisis de la información de precipitación acumulada, tanto mensual, como acumulada anual:

#Precipitación

# Visualización de preicipitacion
levelplot(precip_final, main="Precipitación acumulada", 
          xlab="Longitud", ylab="Latitud", 
          scales=list(draw=TRUE), 
          col.regions=colorRampPalette(c("blue", "cyan", "green", "yellow", "red")))

precip_total_anual <- sum(stack(lapply(1:nlayers(precip_final), function(i) {
    raster::calc(precip_final[[i]], function(x) { ifelse(is.na(x), 0, x) })
})))

levelplot(precip_total_anual, col.regions=c("white", terrain.colors(99)), 
          main="Precipitación Acumulada Anual")

Interpretación y conclusiones del gráfico de precipitación mensual y anual

La primera gráfica, presenta la visualización de la precipitación mensual a nivel global para cada mes del año, con cada panel representando un mes específico desde enero (prec_01) hasta diciembre (prec_12), la segunda, corresponde al acumulado anual. Estas visualizaciones son útiles para identificar patrones de precipitación, variaciones estacionales y diferencias regionales en la cantidad de precipitación.

Variación Estacional y Geográfica:
- Hemisferio Norte: Se observan mayores cantidades de precipitación durante los meses de primavera y otoño, particularmente en regiones como el sudeste de Asia. Europa y América del Norte también muestran un aumento en la precipitación durante los meses de primavera y verano.
- Hemisferio Sur: La precipitación es más alta durante los meses de verano del hemisferio sur (diciembre a marzo), especialmente en regiones como el sur de Brasil, el Sur de América Latina, y partes de Australia.
- Las regiones desérticas como el Sahara y el Medio Oriente muestran bajos niveles de precipitación en todos los paneles, lo que refleja sus condiciones climáticas áridas.

2. Requerimiento No. 2

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.

En esta sección, se procede a unificar los criterios de temperatura y precipitación, que permitirán seleccionar 3 países idóneos para el cultivo de la caña de azúcar:

Una vez analizado el comportamiento de temperatura por mes, se procede a unificar la información, a través del promedio de todos los meses, para así, identificar aquellas zonas donde se cumple el requerimiento de temperatura para el cultivo de la caña de azúcar:

Temperatura Mínima: 22.5 C Temperatura Máxima: 28 C

#Calcular promedio anual

temp_promedio_anual <- calc(temp_media, fun = mean, na.rm = TRUE)

# Crear un raster binario basado en el rango óptimo
temp_optima <- calc(temp_promedio_anual, fun = function(x) {
  x >= 22.5 & x <= 28
})

levelplot(temp_optima, col.regions=c("grey", "green"), main="Zonas Óptimas para Caña de Azúcar",
          xlab="Longitud", ylab="Latitud", 
          at=c(0, 0.5, 1), 
          margin=FALSE)

Interpretación y conclusiones del gráfico de temperatura promedio anual

Se visualiza las regiones geográficas globales que cumplen con los criterios climáticos ideales de temperatura estableciddos para el cultivo de la caña de azúcar.

Distribución Global:
- Las áreas en verde representan las zonas que cumplen óptimamente con los requisitos de temperatura para el cultivo de la caña de azúcar. Estas áreas están predominantemente situadas en las regiones tropicales y subtropicales del mundo.
- Se observa una concentración significativa de zonas óptimas en partes de Sudamérica, especialmente en Brasil, que es conocido por ser uno de los mayores productores de caña de azúcar del mundo.
- Otras regiones destacadas incluyen partes del sur y sudeste de Asia, incluyendo India y Tailandia, así como partes de África.

Después de analizado el comportamiento de temperatura por mes y año, se procede a unificar la información de precipitación, a través del acumulado de todos los meses, para así, identificar aquellas zonas donde se cumple el requerimiento de precipitación acumulada anual para el cultivo de la caña de azúcar:

Precipitación acumulada anual mínima: 1.500 mm

Precipitación acumulada anual máxima: 3.000 mm

# Definir las condiciones de precipitación óptima
rango_min_precip = 1500  # Mínimo de precipitación anual en mm
rango_max_precip = 3500  # Máximo de precipitación anual en mm

# Crear un raster binario donde 1 indica que la precipitación está dentro del rango óptimo
precip_aptitud <- calc(precip_total_anual, function(x) {
  x >= rango_min_precip & x <= rango_max_precip
})

Por último, se presenta la unión de criterios de temperatura y precipitación para la identificación de lugares óptimos para el cultivo de la caña de azúcar:

#Determinación de lugares óptimos con base en precip

mapafinal=stack(precip_aptitud, temp_optima)
lugaresoptimos=sum(mapafinal)
lugaresoptimos_final=(lugaresoptimos/2)
levelplot(lugaresoptimos_final, par.settings=BuRdTheme(), main="Lugares óptimos",
          panel.background=list(col="lightblue"))

Interpretación y conclusiones del gráfico de plugares óptimos

Basado en las zonas óptimas mostradas en la gráfica para la caña de azúcar y tomando en cuenta las áreas de alta precipitación anual del gráfico anterior, se seleccionan los siguientes países que cumplen con los requisitos climáticos óptimos para el cultivo de la caña de azúcar descritos anteriormente:

1. Colombia

Temperatura: Colombia muestra áreas significativas en el mapa de zonas óptimas para la caña de azúcar, lo cual indica que tiene regiones con temperaturas dentro del rango óptimo (22.5 a 28 grados Celsius).

Precipitación: Colombia también se caracteriza por tener altas precipitaciones, especialmente en la región del Pacífico y la Amazonía, lo cual es visible en la gráfica de precipitación.

2. Brasil

Temperatura: Brasil tiene extensas áreas, especialmente en su región oriental, que indican temperaturas adecuadas para el cultivo de caña de azúcar.

Precipitación: Además, Brasil tiene una precipitación alta en la mayoría de sus áreas, especialmente en el Amazonas y en el este, lo que también es favorable para el cultivo de la caña de azúcar.

3. India

Temperatura: India muestra áreas adecuadas en el mapa de temperatura, especialmente en sus regiones del sur y este, que se alinean con las zonas ideales para el cultivo de caña.

Precipitación: La precipitación en India es bastante alta. Lo que cumple con los requisitos de precipitación para la caña de azúcar.

Estos países seleccionados representan regiones tropicales y subtropicales donde las condiciones climáticas son favorables para el cultivo de la caña de azúcar, respaldado por las visualizaciones de temperatura y precipitación que hemos revisado.

Una vez seleccionado los países, se procede a realizar los cortes por región, para los cuales, se presenta la siguiente interpretación que es transveral a los 3 países:

Interpretación de información de temperatura:
- Verde (0): Representa áreas donde la temperatura es completamente inadecuada.
- Azul (0.2) y Morado (0.4): Indican bajos niveles de idoneidad, probablemente temperaturas que no son ideales pero tolerables para el cultivo.
- Naranja (0.6) y Rojo (0.8): Zonas con alta idoneidad, donde la temperatura se acerca a las condiciones óptimas.
- Magenta (1): Denota las condiciones perfectas de temperatura, lo que implica el máximo nivel de idoneidad para el propósito evaluado.
Interpretación de información de precipitación:
- Verde (0): Indica zonas donde la precipitación es completamente inadecuada, posiblemente muy seca.
- Azul (0.2) y Morado (0.4): Representan niveles bajos de idoneidad, que podrían ser áreas con precipitación insuficiente para las necesidades del cultivo.
- Naranja (0.6) y Rojo (0.8): Muestran zonas con alta idoneidad, donde la cantidad de precipitación es casi óptima.
- Amarillo (1): Denota la precipitación perfecta para el cultivo, implicando que estas áreas reciben la cantidad de lluvia necesaria.
India

suppressMessages(library(terra))
suppressMessages(library(raster))
suppressMessages(library(sf))
suppressMessages(library(dplyr))
suppressMessages(library(viridis))

# Cargar el shapefile
india_shape <- shapefile("C:/Users/jlafaurie/Dropbox/Datos personales/Maestría ciencia de datos/2. Segundo Semestre/4. Análisis de información geográfica y espacial/Módulo 1/Unidad 2/IND_adm1.shp")

india_shape_sf <- st_as_sf(india_shape)
st_crs(india_shape_sf) <- 4326
crs(temp_optima) <- crs(india_shape_sf)
crs(precip_aptitud) <- crs(india_shape_sf)

# Aplicar la máscara
masked_temp_optima_india <- mask(temp_optima, india_shape_sf)
masked_precip_aptitud_india <- mask(precip_aptitud, india_shape_sf)

# Visualizar el resultado de temperatura
plot(masked_temp_optima_india, main="Temperatura Óptima en Regiones de India",
     xlim=c(68, 97), ylim=c(8, 37),
     col=rainbow(200, start=0.1, end=0.9), 
     axes=TRUE, box=FALSE)
legend("topright", legend=seq(0, 1, by=0.2), fill=rainbow(5, start=0.1, end=1), title="Temperatura")

# Visualizar el resultado de precipitación
plot(masked_precip_aptitud_india, main="Precipitación Óptima en Regiones de India",
     xlim=c(68, 97), ylim=c(8, 37),
     col=viridis(200), 
     axes=TRUE, box=FALSE)
legend("topright", legend=seq(0, 1, by=0.2), fill=rainbow(5, start=0.1, end=0.9), title="Precipitación")

Colombia

# Cargar el shapefile
colombia_shape <- shapefile("C:/Users/jlafaurie/Dropbox/Datos personales/Maestría ciencia de datos/2. Segundo Semestre/4. Análisis de información geográfica y espacial/Módulo 1/Unidad 2/COL_adm1.shp")

colombia_shape_sf <- st_as_sf(colombia_shape)
st_crs(colombia_shape_sf) <- 4326
crs(temp_optima) <- crs(colombia_shape_sf)
crs(precip_aptitud) <- crs(colombia_shape_sf)

# Aplicar la máscara
masked_temp_optima_colombia <- mask(temp_optima, colombia_shape_sf)
masked_precip_aptitud_colombia <- mask(precip_aptitud, colombia_shape_sf)

# Visualizar el resultado de temperatura
plot(masked_temp_optima_colombia, main="Temperatura Óptima en Regiones de Colombia",
     xlim=c(-79, -67), ylim=c(-4, 12), 
     col=rainbow(200, start=0.1, end=0.9), 
     axes=TRUE, box=FALSE)
legend("topright", legend=seq(0, 1, by=0.2), fill=rainbow(5, start=0.1, end=1), title="Temperatura")

# Visualizar el resultado de precipitación
plot(masked_precip_aptitud_colombia, main="Precipitación Óptima en Regiones de Colombia",
   xlim=c(-79, -67), ylim=c(-4, 12), 
     col=viridis(200), 
     axes=TRUE, box=FALSE)
legend("topright", legend=seq(0, 1, by=0.2), fill=rainbow(5, start=0.1, end=0.9), title="Precipitación")

Brasil

# Cargar el shapefile
brasil_shape <- shapefile("C:/Users/jlafaurie/Dropbox/Datos personales/Maestría ciencia de datos/2. Segundo Semestre/4. Análisis de información geográfica y espacial/Módulo 1/Unidad 2/BRA_adm1.shp")

brasil_shape_sf <- st_as_sf(brasil_shape)
st_crs(brasil_shape_sf) <- 4326
crs(temp_optima) <- crs(brasil_shape_sf)
crs(precip_aptitud) <- crs(brasil_shape_sf)

# Aplicar la máscara
masked_temp_optima_brasil <- mask(temp_optima, brasil_shape_sf)
masked_precip_aptitud_brasil <- mask(precip_aptitud, brasil_shape_sf)

# Visualizar el resultado de temperatura
plot(masked_temp_optima_brasil, main="Temperatura Óptima en Regiones de Brasil",
    xlim=c(-74, -34), ylim=c(-34, 5),  
     col=rainbow(200, start=0.1, end=0.9), 
     axes=TRUE, box=FALSE)
legend("topright", legend=seq(0, 1, by=0.2), fill=rainbow(5, start=0.1, end=1), title="Temperatura")

# Visualizar el resultado de precipitación
plot(masked_precip_aptitud_brasil, main="Precipitación Óptima en Regiones de Brasil",
   xlim=c(-74, -34), ylim=c(-34, 5),  
     col=viridis(200), 
     axes=TRUE, box=FALSE)
legend("topright", legend=seq(0, 1, by=0.2), fill=rainbow(5, start=0.1, end=0.9), title="Precipitación")

3. Requerimiento No. 3

Identificar algunos puntos (2 o 3) al azar en la región del valle del cauca (use google maps) y extraer la información de clima. Grafique las series de tiempo de temperatura y precipitación.

Para este caso, se escogen los municipios de Palmira y Tulua, cuyas coordenadas se ubican por medio de la aplicación Google Maps:

Serie de tiempo - Temperatura:

suppressMessages(library(ggplot2))

ubicacion <- data.frame(x = c(-75.50, -76.27), y = c(3.85, 4.09))
valores_temperatura <- as.data.frame(t(as.data.frame(extract(temp_media, ubicacion, method = 'bilinear'))))
colnames(valores_temperatura) <- c('Palmira', 'Tulua')

meses <- month.name
data <- data.frame(
  temperatura = as.numeric(unlist(valores_temperatura)),
  Ubicacion = rep(colnames(valores_temperatura), each = nrow(valores_temperatura)),
  Mes = rep(meses, nrow(valores_temperatura))
)

data$Mes <- factor(data$Mes, levels = meses)

ggplot(data, aes(x = Mes, y = temperatura, group = Ubicacion, color = Ubicacion)) +
  geom_line() +
  labs(x = "Mes", y = "Temperatura") +
  ggtitle("Temperaturas en los municipios por mes") +
  scale_color_discrete(name = "Municipios") +
  theme(axis.text.x = element_text(angle = 90, hjust = 1)) +
  ylim(16, NA)

Análisis de las Tendencias de Temperatura
- Palmira: La línea azul que representa Palmira muestra una tendencia estacional típica con temperaturas que aumentan hacia la mitad del año y luego disminuyen, alcanzando el pico en junio o julio. Esto sugiere un clima con estaciones bien marcadas, probablemente influenciado por la posición geográfica dentro de una región tropical.
- Tuluá: La línea roja que representa Tuluá muestra temperaturas más consistentemente bajas en comparación con Palmira. Las temperaturas en Tuluá son bastante estables a lo largo del año, lo que puede indicar un clima único.
- Palmira tiende a ser más cálido que Tuluá durante todo el año. La diferencia de temperatura entre los dos municipios podría ser resultado de varios factores, incluyendo diferencias en la altitud, la cobertura vegetal, la urbanización, y la proximidad a cuerpos de agua.
Serie de tiempo - Precipitación:

#precipitacion

ubicacion <- data.frame(x = c(-75.50, -76.27), y = c(3.85, 4.09))
valores_precipitaciones <- as.data.frame(t(as.data.frame(extract(precip_final, ubicacion, method = 'bilinear'))))
colnames(valores_precipitaciones) <- c('Palmira', 'Tulua')

meses <- month.name
data <- data.frame(
  precipitaciones = as.numeric(unlist(valores_precipitaciones)),
  Ubicacion = rep(colnames(valores_precipitaciones), each = nrow(valores_precipitaciones)),
  Mes = rep(meses, nrow(valores_precipitaciones))
)

data$Mes <- factor(data$Mes, levels = meses)

ggplot(data, aes(x = Mes, y = precipitaciones, group = Ubicacion, color = Ubicacion)) +
  geom_line() +
  labs(x = "Mes", y = "Precipitaciones") +
  ggtitle("Precipitaciones en los municipios por mes") +
  scale_color_discrete(name = "Municipios") +
  theme(axis.text.x = element_text(angle = 90, hjust = 1)) +
  ylim(0, NA)

Análisis de las Tendencias de Precipitación
- Ambos Municipios: Las precipitaciones en ambos municipios muestran un patrón estacional marcado, con incrementos significativos en los meses de marzo a mayo y una segunda subida prominente en septiembre y octubre. Esto podría corresponder a los periodos de lluvias de la región, comúnmente asociados con los ciclos o cambios estacionales específicos en el clima de la zona.
- Diferencias Menores entre los Municipios: Aunque las tendencias generales en ambos municipios son similares, hay pequeñas variaciones en la cantidad de precipitación. Por ejemplo, Tuluá parece recibir un poco más de lluvia en los picos de mitad de año, mientras que Palmira tiene un pico más alto en octubre.
- Meses de Menor Precipitación: Para ambos municipios, los meses de enero, febrero y diciembre muestran los niveles más bajos de precipitación.
- Meses de Mayor Precipitación: Los máximos en mayo y octubre pueden indicar la transición entre estaciones secas y lluviosas, un patrón común en regiones tropicales

4. Requerimiento No. 4

Por medio de alguna métrica de similaridad (ejemplo: distancia euclidiana) genere un código en R que permita identificar mapas de similaridad a nivel global para los sitios identificados en 3. Grafique los mapas con una escala de colores adecuada.

Se utiliza la Distancia de Manhattan (Distancia del Taxi) para generar mapas de similaridad con los 3 municipios seleccionadas

4.1. Similaridad Temperatura con Palmira

suppressMessages(library(raster))

# Coordenadas de Palmira, Valle
palmira_coords <- cbind(-75.50, 3.85)

# Extraer el valor de temperatura promedio
palmira_temp <- extract(temp_promedio_anual, palmira_coords)

# Calcular la Distancia de Manhattan (Distancia del Taxi)
temp_distance_palmira <- calc(temp_promedio_anual, function(x) {
  sum(abs(x - palmira_temp))
})

temp_distance_palmira[is.na(temp_distance_palmira)] <- 0  # Tratar los NA como 0 para propósitos de visualización

plot(temp_distance_palmira, main="Mapa de Similaridad de Temperatura - Palmira",
     col=rev(terrain.colors(100)))

El Mapa Similaridad de Temperatura - Palmira proporciona una visualización global de las regiones cuyas temperaturas son similares a las de Palmira, Colombia. Se utiliza una escala de colores donde los tonos más verdes indican mayor similaridad y los tonos más claros y rosados indican menor similaridad.

Zonas de Alta Similaridad:
- Regiones Tropicales: Las áreas de color verde oscuro, que indican una alta similaridad con las temperaturas de Palmira, están predominantemente ubicadas en las regiones tropicales alrededor del ecuador. Esto incluye partes de América del Sur, África central y el Sudeste Asiático. Estas regiones, al igual que Palmira, tienden a tener climas tropicales con temperaturas altas.
Zonas de Baja Similaridad:
- Regiones Templadas y Polares: Las áreas de color más claro y rosado, que indican una baja similaridad con las temperaturas de Palmira, se encuentran en las zonas templadas y polares. Esto incluye gran parte de Canadá, Rusia, Europa del Norte y la mayor parte de Australia. Estas regiones experimentan una mayor variabilidad estacional en temperatura comparado con Palmira.

4.2. Similaridad Precipitación con Palmira

# Coordenadas de Palmira, Valle
palmira_coords <- cbind(-75.50, 3.85)

# Extraer el valor de precipitación acumulada
palmira_precip <- extract(precip_total_anual, palmira_coords)

# Calcular la Distancia de Manhattan (Distancia del Taxi)
precip_distance_palmira <- calc(precip_total_anual, function(x) {
  sum(abs(x - palmira_temp))
})

precip_distance_palmira[is.na(temp_distance_palmira)] <- 0  # Tratar los NA como 0 para propósitos de visualización

# Crear una paleta de colores que comience en blanco y progrese hacia el verde
colors <- colorRampPalette(c("white", "darkblue"))(200)

# Dibujar el mapa con la nueva paleta de colores
plot(precip_distance_palmira, main="Mapa de Similaridad de Precipitación - Palmira",
     col=colors)

El Mapa Similaridad de Precipitación - Palmira proporciona una visualización global de las regiones cuyas acumulados de precipitación son similares a las de Palmira, Colombia.

Distribución Global de Precipitación:
- Áreas Sombreadas Más Oscuras: Las regiones sombreadas en tonos más oscuros de azul indican áreas con una alta similaridad en la precipitación a Palmira. Estas áreas probablemente reciben cantidades de precipitación comparables a las de Palmira, que podrían estar en el rango de 2000 a 10000 mm anuales según la leyenda.
- Áreas Claras: Las áreas más claras en el mapa representan regiones donde la precipitación es significativamente diferente (probablemente mucho menor) comparada con Palmira.
Áreas de Alta Similaridad:
- Zonas Tropicales: Es probable que las áreas con alta similaridad incluyan otras zonas tropicales, donde los patrones de precipitación tienden a ser más intensos y frecuentes, similar a la región de Palmira.
Áreas de Baja Similaridad:
- Zonas Áridas y Polares: Las vastas áreas claras probablemente incluyan desiertos, zonas de baja precipitación y regiones polares, donde los patrones de precipitación son muy diferentes a los de una región tropical como Palmira.

4.3. Similaridad Temperatura con Tuluá

suppressMessages(library(raster))

# Coordenadas de Tulua, Valle
tulua_coords <- cbind(-76.27, 4.09)

# Extraer el valor de temperatura promedio 
tulua_temp <- extract(temp_promedio_anual, tulua_coords)

# Calcular la Distancia de Manhattan (Distancia del Taxi)
temp_distance_tulua <- calc(temp_promedio_anual, function(x) {
  sum(abs(x - tulua_temp))
})

temp_distance_tulua[is.na(temp_distance_tulua)] <- 0  # Tratar los NA como 0 para propósitos de visualización
plot(temp_distance_tulua, main="Mapa de Similaridad de Temperatura - Tulua",
     col=rev(terrain.colors(100)))

El Mapa Similaridad de Temperatura - Palmira proporciona una visualización global de las regiones cuyas temperaturas son similares a las de Tulua, Colombia. Se utiliza una escala de colores donde los tonos más verdes indican mayor similaridad y los tonos más claros y rosados indican menor similaridad.

Distribución de Similaridad de Temperatura:
- Áreas más cálidas (verde oscuro y amarillo): Las regiones coloreadas en tonos más oscuros y hacia el amarillo indican una alta similaridad con las temperaturas de Tuluá. Estas zonas probablemente experimentan temperaturas medias similares, lo cual podría ser indicativo de climas tropicales.
- Áreas menos similares (rosa y blanco): Las áreas en tonos más claros, rosados y blancos, muestran una baja similaridad de temperatura con Tuluá. Estas áreas podrían experimentar temperaturas significativamente más frías o más calientes que las de Tuluá.
Regiones Específicas:
- Tropicales y Subtropicales: Las zonas cercanas al ecuador, incluyendo partes de América Central y del Sur, algunas regiones de África y el Sudeste Asiático, muestran una mayor similaridad. Estas áreas son conocidas por sus climas cálidos y húmedos, lo cual concuerda con el perfil climático de Tuluá.
- Áreas con Menor Similaridad: Las regiones de latitudes más altas, incluyendo Canadá, Rusia y la mayoría de Europa y Asia del Norte, así como las regiones desérticas visibles en tonos claros, muestran poca similaridad, lo que refleja diferencias significativas en las condiciones climáticas.

4.4. Similaridad Precipitación con Tuluá

# Coordenadas de Tulua, Valle
tulua_coords <- cbind(-76.27, 4.09)

# Extraer el valor de precipitación acumulada 
tulua_precip <- extract(precip_total_anual, tulua_coords)

# Calcular la Distancia de Manhattan (Distancia del Taxi)
precip_distance_tulua <- calc(precip_total_anual, function(x) {
  sum(abs(x - tulua_temp))
})

# Crear una paleta de colores que comience en blanco y progrese hacia el verde
colors <- colorRampPalette(c("white", "darkblue"))(200)

# Dibujar el mapa con la nueva paleta de colores
plot(precip_distance_tulua, main="Mapa de Similaridad de Precipitación - Tulua",
     col=colors)

El Mapa Similaridad de Precipitación - Tulua proporciona una visualización global de las regiones cuyas acumulados de precipitación son similares a las de Tuluá, Colombia.

Zonas de Alta Similaridad:
- Áreas Azules: Las zonas en tonos más oscuros de azul, indican una alta similaridad con la precipitación en Tuluá, y parecen concentrarse en regiones tropicales y subtropicales. Esto incluye partes de América del Sur, regiones centrales de África, y algunas áreas del Sudeste Asiático.
Zonas de Baja Similaridad
- Áreas Claras: Las áreas más claras, cercanas al blanco, representan regiones donde la precipitación es considerablemente menor o el patrón estacional de lluvias es muy diferente al de Tuluá. Esto incluye la mayoría de las regiones áridas como desiertos y zonas semiáridas en Norteamérica, Europa, Asia y Australia.

5. Requerimiento No. 5

Compare los mapas generados por ambas aproximaciones y concluya.

A continuación, se presenta la comparación de los mapas de similiridad por región geográfica:

5.1. Comparación de mapa de similiaridad de Precipitación

Similitudes
- Distribución Geográfica: Ambos mapas presentan patrones de similaridad de temperatura que son concentrados en las regiones tropicales alrededor del ecuador. Esto refleja las condiciones climáticas similares de Palmira y Tuluá, ambas localizadas en Colombia en climas predominantemente cálidos.
- Zonas de Alta Similaridad: Las zonas de mayor similaridad, indicadas por los colores más oscuros en la escala, se ubican principalmente en América Central y del Sur, partes de África y el Sudeste Asiático, lo que sugiere que estas regiones comparten características climáticas similares con ambas ciudades.
Diferencias
- Intensidad y Distribución de Colores: Aunque los patrones generales son similares, hay variaciones en la intensidad de los colores entre los dos mapas. El mapa de Palmira muestra áreas de similaridad más extendidas en regiones específicas comparado con el mapa de Tuluá, lo que podría indicar que Palmira tiene un perfil de temperatura que coincide con más regiones globalmente.
- Concentración de Áreas Similares: El mapa de Tuluá parece tener áreas más concentradas de similaridad alta en ciertas regiones, especialmente en América del Sur, mientras que el mapa de Palmira muestra una distribución algo más dispersa de similaridad alta en las mismas regiones.

5.2. Comparación de mapa de similiaridad de Temperatura

Similitudes:
- Distribución Geográfica: Ambos mapas muestran patrones de similaridad de precipitación principalmente concentrados en áreas tropicales. Las regiones de América del Sur, partes de África central y del sur, y el sudeste asiático destacan por su similaridad en ambos mapas. Esto refleja el clima comúnmente húmedo y lluvioso de estas zonas, similar al de Palmira y Tuluá.
- Zonas de Baja Similaridad: Las áreas extensas de color más claro en los mapas indican regiones con niveles de precipitación significativamente distintos (probablemente mucho menores) que Palmira y Tuluá. Estas incluyen grandes partes de Europa, Asia central, y el norte de Australia.
Diferencias en los Mapas:
- Distribución y Extensión de la Similaridad: Aunque ambos mapas muestran patrones generales similares, puede haber ligeras diferencias en la intensidad de las áreas coloreadas. Estas diferencias podrían ser resultado de variaciones sutiles en los patrones de precipitación anual entre Palmira y Tuluá, reflejando diferencias locales en topografía y otros factores climáticos.

Estos mapas ofrecen una representación visual valiosa de cómo las precipitaciones y temperatura en Palmira y Tuluá se comparan con otras regiones del mundo. Tales visualizaciones son esenciales para múltiples aplicaciones, incluyendo la planificación agrícola, la gestión ambiental, y los estudios climáticos.

Informe Introducción a la Estadística Espacial - Módulo 1 - Unidad 2

Elaborado por: Jonathan Andres Lafaurie Suarez

12 de mayo de 2024

1. Requerimiento No. 1

2. Requerimiento No. 2

3. Requerimiento No. 3

4. Requerimiento No. 4

5. Requerimiento No. 5