Caso 2 - Zonas óptimas Cultivo de Caña de Azúcar
María Camila Mendoza García: Análisis de información geográfica
13 de Mayo de 2024
El caso de estudio esta centrado a encontrar las mejores zonas del mundo que pueden obtener mejores rendimientos potenciales para el cultivo de la caña de azucar, teniendo en cuenta los siguientes factores limitantes:
La Temperatura media debe estar entre 22.5 y 28 grados centrigados. Precipitación anual entre 1500 y 3500 milimetros. Precipitación mensual entre 125 y 290 milimetros.
- 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.
Para lo anterior, se adjunta la base de datos tipo raster del clima del año 2020 para precipitación y temperatura descargada de la plataforma worldClim
Raster para temperatura año 2020
require(raster)
require(rgdal)
require(sp)
archivo=list.files("C:/Users/maria/OneDrive/Documentos/datostemp", full.names = TRUE)
temp_avg=stack(archivo)
names(temp_avg)=month.name
plot(temp_avg)
Raster para precipitación año 2020
archivo_prec=list.files("C:/Users/maria/OneDrive/Documentos/datosprec", full.names = TRUE)
prec_avg=stack(archivo_prec)
names(prec_avg)=month.name
plot(prec_avg)
Adicionalmente, se carga el archivo shapefile que contiene la división político administrativo en todo el mundo con información actualizada del 31 de marzo del 2014 descargado de la paltaforma ArcGIS Hub
paises = shapefile("C:/Maria Camila/Maestría Ciencia de datos/2do semestre/Análisis de información geográfica/Modulo 2/shp_mapa_paises_mundo_2014/Mapa_paises_mundo.shp")
plot(paises)
- 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.
Rangos óptimos para temperatura
En primer lugar, se identifican los rangos óptimos potenciales del cultivo de caña de azúcar por temperatura que en este caso que tengan una temperatura media entre 22.5 y 28 grados centrigados
En el mapa tipo raster de las temperaturas según los rangos establecidos en el caso de estudio, se observa que la parte central cercana a la línea del Ecuador cumple con este criterio.
Ahora, se debe convertir la temperatura a porcentaje porque proporciona una mejor comprensión relativa de cuántos países tienen una temperatura media dentro del rango deseado en comparación con el total de países evaluados.
#Se ajusta el indicador para presentarlo como porcentaje
temp_indicador2=temp_indicador/12*100
plot(temp_indicador2)
Al convertir la cantidad de países con una temperatura óptima a porcentaje, se puede visualizar de manera más clara la proporción de países que cumplen con el criterio establecido en relación con el total de países evaluados ubicados cercanos a línea ecuatorial.
Rangos óptimos para precipitación
En segundo lugar, se identifican los rangos óptimos potenciales del cultivo de caña de azúcar por precipitación mensual entre 125 y 290 mm.
En el caso de la precipitación, se observan que los países cercanos a Colombia, como Venezuela, Brasil, Ecuador y Perú presentan un comportamiento de precipitación idóneo para el cultivo al igual que los países centrales de África y de Asia.
Seguidamente, se debe convertir la precipitación a porcentaje porque proporciona una mejor comprensión relativa de cuántos países tienen una precipitación mensual dentro del rango deseado en comparación con el total de países evaluados.
Al ejecutar la conversión de la cantidad de países con una precipitación óptima a porcentaje, se puede visualizar de manera más clara la proporción de países que cumplen con el criterio establecido en relación con el total de países evaluados.
Posteriormente, se hace el recorte de los países que cumplen con los criterios mencionados anteriormente.
Para ello, se eligen los países óptimos para temperatura
A continuación, se hace la elección de los países que cumplen con los criterios de precipitación
Finalmente, se hace la compilación de criterios que definen las zonas óptimas para llevar a cabo la elección final de los países donde pueden establecerse cultivos de caña de azúcar con rendimientos óptimos.
lugares_optimos= (temp_indicador2+indicador_prec2)/2
plot(paises, main="Area con los mejores resultados para el cultivo de cana de azucar")
plot(lugares_optimos, add=T, col="green")
De acuerdo con el análisis realizado, se infiere que las zonas óptimas para llevar a cabo cultivos de caña de azúcar de acuerdo a los criterior definidos en cuánto a la temperatura y la precipitación, son Colombia, Brasil, República del Congo y en el Sur del continente asiático
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.
Identificar puntos aleatorios en el Valle del Cauca
Punto 1. Vijes Valle del Cauca
punto1 <- data.frame(
longitude = c(-76.428578),
latitude = c(3.688596)
)
temp_punto1=as.data.frame( extract(temp_avg,punto1))
prec_punto1= as.data.frame( extract(prec_avg,punto1))Con base en la visualización que brinda OpenStreetMap a través del uso de la librería Leaflet, muestra la ubicación absoluta del punto seleccionado que queda en el municipio de Vijes.
Posteriormente, se extrae la información de temperatura de este punto para todo el año 2020
Punto1_temp=ts(as.numeric(temp_punto1[1,]))
plot(Punto1_temp, main= "Temperatura - Punto 1", col="purple")
En la Serie de tiempo podemos inferir que el aumento de las temperaturas tuvo dos picos importantes, el primero de ellos en los tres primeros meses del año y el siguiente de Julio a Agosto. Sin embargo, en los últimos 3 meses del año disminuye la temperatura considerablemente debido a un aumento en las precipitaciones.
En cuánto al comportamiento de la precipitación, se tiene lo siguiente
Punto1_prec=ts(as.numeric(prec_punto1[1,]))
plot(Punto1_prec, main= "Precipitacion - Punto 1", col="blue")
En el gráfico de serie de tiempo, podemos visualizar que es bastante notorio un comportamiento bimodal en las precipitaciones, eso indica dos temporadas lluvias al año entre los meses de abril-mayo y octubre-noviembre que alteran notablemente las precipitaciones medias mensuales. Este es un comportamiento normal en la región Andina del país.
Punto 2. Ingenio La Carmelita
punto2 <- data.frame(
longitude = c(-76.334641),
latitude = c(4.071176)
)
temp_punto2=as.data.frame( extract(temp_avg,punto2))
prec_punto2= as.data.frame( extract(prec_avg,punto2))Con base en la visualización que brinda OpenStreetMap a través del uso de la librería Leaflet, muestra la ubicación absoluta del punto seleccionado cercano al ingenio La Carmelita en el departamento del Valle del Cauca.
Posteriormente, se extrae la información de temperatura de este punto para todo el año 2020
Punto2_temp=ts(as.numeric(temp_punto2[1,]))
plot(Punto2_temp, main= "Temperatura - Punto 2", col="orange")
En la serie de tiempo de temperatura en este punto, el comportamiento de esta variable es similar con una temperatura de 17.4°C a 17.6°C hasta el mes de septiembre, en los útlimos tres meses del año empieza a disminuir la temperatura a causa del aumento de precipitación en la zona.
En cuánto al comportamiento de la precipitación, se tiene lo siguiente
Punto2_prec=ts(as.numeric(prec_punto2[1,]))
plot(Punto2_prec, main= "Precipitacion - Punto 2", col="green")
En el gráfico de serie de tiempo, podemos visualizar que es bastante notorio un comportamiento bimodal en las precipitaciones, eso indica dos temporadas lluvias al año entre los meses de abril-mayo y octubre-noviembre que alteran notablemente las precipitaciones medias mensuales. A pesar de que existen de las dos temporadas de lluvias, es importante mencionar que la segunda temporada tiene un valor de precipitación mucho mayor.
Punto 3. Yumbo
punto3 <- data.frame(
longitude = c(-76.483677),
latitude = c(3.543138)
)
temp_punto3=as.data.frame( extract(temp_avg,punto3))
prec_punto3= as.data.frame( extract(prec_avg,punto3))Con base en la visualización que brinda OpenStreetMap a través del uso de la librería Leaflet, muestra la ubicación absoluta del punto seleccionado cercano al municipio de Yumbo.
Posteriormente, se extrae la información de temperatura de este punto para todo el año 2020
Punto3_temp=ts(as.numeric(temp_punto3[1,]))
plot(Punto3_temp, main= "Temperatura - Punto 3", col="brown")
En la serie de tiempo de temperatura en este punto, el comportamiento de esta variable es mayor que los puntos anterior, con rangos desde los 23°C hasta los 23.8°C, en los útlimos tres meses del año empieza a disminuir la temperatura a causa del aumento de precipitación en la zona.
En cuánto al comportamiento de la precipitación, se tiene lo siguiente
Punto3_prec=ts(as.numeric(prec_punto3[1,]))
plot(Punto3_prec, main= "Precipitacion - Punto 3", col="red")
En el gráfico de serie de tiempo, podemos visualizar que es bastante notorio un comportamiento bimodal en las precipitaciones, eso indica dos temporadas lluvias al año entre los meses de abril-mayo y octubre-noviembre que alteran notablemente las precipitaciones medias mensuales. A pesar de que existen de las dos temporadas de lluvias, es importante mencionar que la segunda temporada tiene un valor de precipitación mucho mayor.
- 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.
Mapa de similaridad en los sitios seleccionados
Punto 1 Vijes
Primero, se cálcula la diferencia de temperaturas
Ahora se define la paleta de colores apropiadas que para temperatura es “YlOrRd” de RColorBrewer y se gráfica la comparación de la temperatura en relación al comportamiento del punto 1 en Vijes.
mi_paleta <- colorRampPalette(brewer.pal(9, "YlOrRd"))
levelplot(Punto1_ctemp, par.settings = BTCTheme, at = seq(0, 176, 10), main = "Zonas similares en temperatura a Vijes", col.regions = mi_paleta)
Según el mapa de comparación, las zonas similares para temperatura se encuentran en Sudamérica, en África y el continente Océanico.
Luego, se procede a realizar la comparativa con la precipitación
Punto1_cprec=sqrt(sum((prec_avg-as.numeric(Punto1_prec))^2))
levelplot(Punto1_cprec,par.settings=BTCTheme,at=seq(0,2383,100), main="Zonas similares en Precipitación a Vijes")
De acuerdo con el mapa de comparación de la precipitación, los lugares similares se encuentran cerca a la zona del pacífico colombiano, el noroeste de África y el Sureste de Asia.
Finalmente, se ejecuta la intersección de zonas similares al punto 1
Punto1_ctemp_filtro<-Punto1_ctemp
Punto1_ctemp_filtro[(Punto1_ctemp_filtro >28)] <- NA
Punto1_cprec_filtro<-Punto1_cprec
Punto1_cprec_filtro[(Punto1_cprec_filtro >290)] <- NA
interse<-Punto1_ctemp_filtro & Punto1_cprec_filtro
opar <- par()
par(mar = c(0,0, 0, 0))
plot(paises)
plot(interse,add=T, col="purple",breaks=c(1,1.1),legend=FALSE)
Este gráfico muestra la superposición de los datos y la ubicación espacial para el punto 1 y las zonas en color violeta representan las áreas donde hay intersección entre los datos de temperatura y precipitación filtrados, en su gran mayoría se encuentran en Brasil, En la República Democrática del Congo y centroamérica.
Punto 2 Ingenio La Carmelita
Primero, se cálcula la diferencia de temperaturas
Ahora se define la paleta de colores apropiadas que para temperatura es “YlOrRd” de RColorBrewer y se gráfica la comparación de la temperatura en relación al comportamiento del punto 2 en el Ingenio Carmelita.
mi_paleta <- colorRampPalette(brewer.pal(9, "YlOrRd"))
levelplot(Punto2_ctemp, par.settings = BTCTheme, at = seq(0, 176, 10), main = "Zonas similares de temperatura del Ingenio Carmelita", col.regions = mi_paleta)
Según el mapa de comparación, las zonas similares para temperatura se encuentran en Sudamérica”, en África y el continente Océanico.
Luego, se procede a realizar la comparativa con la precipitación
Punto2_cprec=sqrt(sum((prec_avg-as.numeric(Punto2_prec))^2))
levelplot(Punto2_cprec,par.settings=BTCTheme,at=seq(0,2383,100), main="Zonas similares a Punto 2 en Precipitación")
De acuerdo con el mapa de comparación de la precipitación, los lugares similares se encuentran cerca a la zona del pacífico colombiano, el noroeste de África y el Sureste de Asia.
Finalmente, se ejecuta la intersección de zonas similares al punto 1
Punto2_ctemp_filtro<-Punto2_ctemp
Punto2_ctemp_filtro[(Punto2_ctemp_filtro >28)] <- NA
Punto2_cprec_filtro<-Punto2_cprec
Punto2_cprec_filtro[(Punto2_cprec_filtro >290)] <- NA
interse<-Punto2_ctemp_filtro & Punto2_cprec_filtro
opar <- par()
par(mar = c(0,0, 0, 0))
plot(paises)
plot(interse,add=T, col="orange",breaks=c(1,1.1),legend=FALSE)
Este gráfico muestra la superposición de los datos y la ubicación espacial para el punto 1 y las zonas en color violeta representan las áreas donde hay intersección entre los datos de temperatura y precipitación filtrados, en su gran mayoría se encuentran en Brasil, En la República Democrática del Congo y centroamérica.
Punto 3 Yumbo
Primero, se debe calcular la diferencia de temperaturas para el punto 3 cercano al municipio de Yumbo departamento del Valle del Cauca
Ahora se define la paleta de colores apropiadas que para temperatura es “YlOrRd” de RColorBrewer y se gráfica la comparación de la temperatura en relación al comportamiento del punto 3 en el municipio de Yumbo.
mi_paleta <- colorRampPalette(brewer.pal(9, "YlOrRd"))
levelplot(Punto2_ctemp, par.settings = BTCTheme, at = seq(0, 176, 10), main = "Zonas similares de temperatura en el Yumbo", col.regions = mi_paleta)
Según el mapa de comparación, las zonas similares para temperatura se encuentran en Centroamérica y Sudamérica, en África, centro de Europa y el continente Océanico.
Luego, se procede a realizar la comparativa con la precipitación
Punto3_cprec=sqrt(sum((prec_avg-as.numeric(Punto3_prec))^2))
levelplot(Punto3_cprec,par.settings=BTCTheme,at=seq(0,2383,100), main="Zonas similares de Precipitación a Yumbo")
De acuerdo con el mapa de comparación de la precipitación, los lugares similares se encuentran cerca a la zona del pacífico colombiano, el noroeste de África y el Sureste de Asia.
Finalmente, se ejecuta la intersección de zonas similares al municipio de Yumbo
Punto3_ctemp_filtro<-Punto3_ctemp
Punto3_ctemp_filtro[(Punto3_ctemp_filtro >28)] <- NA
Punto3_cprec_filtro<-Punto3_cprec
Punto3_cprec_filtro[(Punto3_cprec_filtro >290)] <- NA
interse<-Punto3_ctemp_filtro & Punto3_cprec_filtro
opar <- par()
par(mar = c(0,0, 0, 0))
plot(paises)
plot(interse,add=T, col="blue",breaks=c(1,1.1),legend=FALSE)
Este gráfico muestra la superposición de los datos y la ubicación espacial para el punto 3 y las zonas en color azul representan las áreas donde hay intersección entre los datos de temperatura y precipitación filtrados, en su gran mayoría se encuentran en Brasil, En la República Democrática del Congo, centroamérica y en el Sur del continente Asiático.
Conclusión
En relación a los mapas generados en similitud a la temperatura y precipitación de los puntos seleccionados del departamento del Valle del Cauca, se concluye que sus comportamientos no tienen una variabilidad espacial alta de acuerdo a su ubicación, a que presentan períodos bimodales de lluvia y su comportamiento climático a través del tiempo se mantiene.
Si se desea ver una variabilidad alta en relación a las variables climáticas usadas en este caso, se deben de tomar puntos aleatorios más lejanos entre ellos para considerar otras variables geográficas, biológicas y climatológicas que pueden alterar y variar para precipitación y temperatura