Taller 2 - Estadística espacial
Juan Sebastián Meza
2024-04-15
Presentación del caso
Para el desarrollo del presente estudio de caso, se procede a analizar las zonas y regiones del mundo que tienen la mayor potencialidad para el cultivo de caña de azúcar. Para este proceso se deben tener en cuenta los siguientes criterios:
- La temperatura media debe estar entre los 22.5 y 28 grados centigrados
- La precipitación anual debe estar entre el rango de 1.500 a 3.000 milimetros
- La precipitación mensual debería estar entre 125 y 290 milimetros.
Considerando los criterios expuestos previamente, se debe utilizar los datos del clima a nivel global para generar un código R que permita construir mapas exponiendo los datos del clima más apropiados para el cultivo de la caña de azúcar.
En virtud de lo anterior, se descargan los datos desde la plataforma WorldClim y se procede a ejecutar el código. Para ello, en un primer momento, se cargan los datos en archivos Raster para el año 2020, empezando con los datos de la temperatura, tal y como se muestra a continuación.
require(raster)## Loading required package: raster## Loading required package: sprequire(sp)
datos_temperatura = list.files("/Users/juan/Downloads/temperatura", full.names = TRUE)
temp_promedio = stack(datos_temperatura)
names(temp_promedio) = month.name
plot(temp_promedio)
Luego de cargar los datos sobre la temperatura promedio para el año 2020, se procede a cargar los datos sobre la precipitación para el mismo periodo temporal
datos_precipitacion = list.files("/Users/juan/Downloads/Precipitación", full.names = TRUE)
prec_promedio = stack(datos_precipitacion)
names(prec_promedio) = month.name
plot(prec_promedio)
Luego de cargar los anteriores datos, se continua cargando la división político-administrativa de todos los países del mundo con el objetivo de ayudar a definir los límites geográficos y facilitar el proceso de análisis.
require(sf)## Loading required package: sf## Linking to GEOS 3.10.2, GDAL 3.4.2, PROJ 8.2.1; sf_use_s2() is TRUErequire(raster)
paises=shapefile("/Users/juan/Downloads/shp_mapa_paises_mundo_2014/Mapa_paises_mundo.shp")
plot(paises)
Rangos óptimos para cúltivo de caña de azúcar
Luego de haber cargado los mapas de temperatura y precipitaciones, se procede a realizar el análisis para identificar 2 o 3 países que tengan las condiciones climáticas necesarias para el cultivo del caña de azúcar.
Rangos óptimos de temperatura
En primer lugar, se procede a analizar las condiciones de temperatura necesarias para el cultivo de caña de azúcar. Sobre ello, es importante recordar que las condiciones de temperatura óptima para este cultivo están entre 22.5 y 28 grados centigrados.
temp_optima=temp_promedio>=22.5 & temp_promedio<=28
temp_final=sum(temp_optima)
plot(temp_final)
De acuerdo con los datos presentados previamente, se evidencia que los países que presentan las condiciones descritas previamente son aquellas áreas cercana a la línea del ecuador. En efecto, se puede reconocer que países como Colombia, Brasil, algunas zonas de Perú y algunos países de África cuplen con dichos criterios.
Para mejorar el análisis se procede a transformar el mapa de forma porcentual para identificar mejor los países que cumplen con el criterio
temp_final2 = temp_final/12*100
plot(temp_final2)
En este gráfico podemos observar de mejor manera, la distribución porcentual de los países que cumplen con las condiciones de temperatura para el cultivo de caña de azúcar, así, se puede ver que gran parte de los países de Sur América tienen tienen territorios aptos para este cultivo. Nuevamente, se evidencia que países de Africa y Oceanía tienen criterios para cumplir con las temperaturas óptimas para el cultivo.
Rangos óptimos de precipitación
Ahora se procede a evaluar los rangos óptimos de precipitación para el cultivo de caña de azúcar. Es importante recordar que estos criterios deben estar entre 125 y 290 mm por mes. Este procedimiento se ilustra a continuación
prec_optima=prec_promedio>=125 & prec_promedio<=290
prec_final=sum(prec_optima)
plot(prec_final)
Teniendo en cuenta los resultados presentados previamente, se logra identificar que en términos de precipitación, los países que presnetan las condiciones óptimas para el cultivo de caña de azúcar son la parte sur y central de Latinoamérica y algunas zonas de Asia, África y Oceania.
Para mejorar el proceso de análisis, se procede a transformar el proceso en porcentajes para tener una mejor visión sobre los países que tienen las mejores condiciones climáticas para el cultivo de caña de azúcar.
prec_final2 = prec_final/12*100
plot(prec_final2)
En el anterior gráfico, podemos observar que la mejores condiciones de precipitación se concentran en la zona sur de Latinoamérica, en algunos países del sur de Asía y en la parte central del continente africano.
Países con condiciones climáticas óptimas
Al finalizar el proceso anterior, se continua con la identificación de los países que presentan tanto las condiciones de temperatura como de precipitación anual óptima para el cultivo de caña de azúcar. Para ello, es necesario establecer que países no tienen unos criterios óptimos para el cultivo de caña partiendo del subconjunto de países que ya estan seleccionados. Este proceso se realiza a continuación.
temperatura_no_optima=which(temp_final2[]<75)
temp_final2[temperatura_no_optima]=NA
plot(temp_final2)
Ahora, se continua el proceso, con la precipitación
precipitacion_no_optima=which(prec_final2[]<50)
prec_final2[precipitacion_no_optima]=NA
plot(prec_final2)
Ahora, ya se puede realizar el proceso de selección de los países con las mejores condiciones para el cultivo de caña de azúcar en el mundo
inter = temp_final2 & prec_final2
opar <- par()
par(mar = c(0,0, 0, 0))
plot(paises, main="Áreas con alto potencial de cultivo de caña")
plot(inter,add=T, col="lightblue",breaks=c(1,1.1),legend=FALSE)
Teniendo en cuenta los resultados presentados previamente, se logra reconocer que los países con las condiciones climáticas más favorables para el cultuvo de caña de azúcar son Cuba, Brasil, Perú, las guyanas, la República del Congo del Sur y algunos países del sur de Asia y norte de Oceania.
Identificación de puntos en el Valle del Cauca
Luego de identificar los países con las mejores condiciones climáticas para el cultivo de caña de azúcar, procedemos a identificar dos puntos en el departamento del Valle del Cauca para identificar sus condiciones de temperatura y precipitación, para luego compararlos con otros lugares en el mundo y que presenten condiciones similares.
Ingenio manuelita
Para la elección de los dos puntos, se deciden seleccionar puntos donde se lleva a cabo el cultivo de caña de azúcar, el primer de ellos es el ingenio manuelita
require(leaflet)## Loading required package: leafletleaflet() %>% addTiles() %>% addCircleMarkers(lng =-76.30749588236598 ,lat =3.5830462652466983)Con el anterior código, se puede visualizar el punto donde se encuentra ubicado el ingenio manuelita. Ahora se procede a extraer la temperatura promedio para dicho punto.
punto1 <- data.frame(
longitude = c(-76.30749588236598),
latitude = c(3.5830462652466983)
)
temp_punto1=as.data.frame(extract(temp_promedio,punto1))
prec_punto1= as.data.frame(extract(prec_promedio,punto1))
temp_punto1## January February March April May June July August September
## 1 22.50275 22.6155 22.73675 22.44175 22.3585 22.328 22.6225 22.74675 22.57575
## October November December
## 1 22.02075 21.88275 22.14775punto1_temp=ts(as.numeric(temp_punto1[1,]))
plot(punto1_temp, main= "Temperatura - Ingenio Manuelita", col="darkred", xlab = "Meses",
ylab = "Temperatura")
Tenieno en cuenta los datos anteriores, se puede observar que en la zona donde se ubica el ingenio manuelita se presentan dos picos en la temperatura promedio de la zona. El primer de ellos es en marzo con una temperatura promedio de 22.7 grados centigrados y el mes de agosto con 22.7 grados centigrados. Igualmente, es importante reconcoer que los dos puntos más bajos se presentan en los meses de octubre y noviembre con 22.02 y 21.8 grados centigrados respectivamente.
En relación con el comportamiento de la precipitación se obtienen los siguientes datos
prec_punto1## January February March April May June July August September October November
## 1 92 102 132 172 146 112 61 73 105 195 173
## December
## 1 121De forma gráfica, los resultados anteriores adquieren la siguiente disposición
punto1_prec=ts(as.numeric(prec_punto1[1,]))
plot(punto1_prec, main= "Precipitación - Ingenio Manuelita", col="navyblue", xlab = "Meses",
ylab = "Precipitación")
Teniendo en cuenta el anterior gráfico, se puede observar que en el mes de octubre se presenta el pico con mayor precipitación (195mm), seguido del mes de abril (172mm). En contraste, los meses más secos en la región donde se encuentra el ingenio Manuelita son los meses de julio (61mm) y agosto (73 mm).
Ingenio la Carmelita
El segundo punto seleccionado para la realización del análisis es el ingenio la Carmlita. Pirmero, procedemos a identificar el lugar donde se encuentra ubicado.
leaflet() %>% addTiles() %>% addCircleMarkers(lng =-76.334641 ,lat =4.071176)Luego de obtener la visualización, se procede a extraer los datos promedios de tempertura y precipitación para la zona donde se ubica el Ingenio Carmelita
punto2 <- data.frame(
longitude = c(-76.334641),
latitude = c(4.071176)
)
temp_punto2=as.data.frame(extract(temp_promedio,punto2))
prec_punto2= as.data.frame(extract(prec_promedio,punto2))
temp_punto2## January February March April May June July August September
## 1 17.467 17.601 17.75725 17.587 17.57075 17.46775 17.6365 17.556 17.4915
## October November December
## 1 17.01025 16.995 17.34175punto2_temp=ts(as.numeric(temp_punto2[1,]))
plot(punto2_temp, main= "Temperatura - Ingenio Carmelita", col="darkred", xlab = "Meses",
ylab = "Temperatura")
De acuerdo con los resultados expuestos previamente, se evidencia que la temperatura en la zona donde se ubica el Ingenio Carmelita presenta dos picos en los meses de abril con 17.75 grados centigrados y agosto con 17.5 grados centigrados. Por otro lado, los meses más fríos en la zona son octubre y noviembre con 17.01 y 16.9 grados centigrados.
Ahora procedemos a realizar el análisis con la precipitación promedio en la zona donde se ubica el Ingenio Carmelita.
prec_punto2## January February March April May June July August September October November
## 1 105 110 143 207 182 132 87 107 131 242 203
## December
## 1 148Ahora, se procede a graficar la información de la tabla anterior.
punto2_prec=ts(as.numeric(prec_punto2[1,]))
plot(punto2_prec, main= "Precipitación - Ingenio Carmelita", col="navyblue", xlab = "Meses",
ylab = "Precipitación")
En relación con la precipitación de la zona donde se ubica el ingenio Carmelita, se encuentra que los meses de abril y octubre son los mas lluviosos con 207 y 242 mm respectivamente. En contraste, los meses más secos en la región son los meses de julio y enero con 87 y 105 mm.
Similaridad de datos de los puntos seleccionados
Luego de identificar la temperatura promedio y la precipitación promedio de los sitios ubicados, se procede a relizar un análisis de similaridad de las condiciones climáticas de las regiones seleccionadas alrededor del mundo. Este proceso se realiza a continuación
Ingenio Manuelita
En primer lugar, se procede a realizar la similaridad de las condiciones climáticas del ingenio Manuelita.
require(RColorBrewer)## Loading required package: RColorBrewerrequire(rasterVis)## Loading required package: rasterVis## Loading required package: lattice## Error: package or namespace load failed for 'rasterVis' in loadNamespace(j <- i[[1L]], c(lib.loc, .libPaths()), versionCheck = vI[[j]]):
## there is no package called 'interp'require(lattice)
diferencia <- sqrt(sum((temp_promedio - as.numeric(punto1_temp))^2))Al finalizar este procemdimiento, se genera el mapa donde se pueda identificar las zonas en el mundo que tienen las condiciones de temperatura similares a las que se presentan en el ingenio manuelita
plot(diferencia, main = "Mapa de temperaturas similares a Ingenio Manuelita")
De acuerdo con el anterior mapa, se visualiza que las temperaturas promedios similares a las presentadas en la zona del ingenio Manuelita son centro y sur América, África, el sur de Asia y Oceanía.
Ahora, se procede a realizar la comparación con los niveles de precipitación
diferencia2=sqrt(sum((prec_promedio-as.numeric(punto1_prec))^2))
plot(diferencia2, main = "Mapa de precipitaciones similares a Ingenio Manuelita")
En relación con la precipitación se ubica que las zonas con las condiciones climáticas similares a las presentadas en el ingenio Manuelita son las zona central de Colombia, la zona norte de Brasil y sur de Uruguay, la república del Congo y algunas zonas de este de Estados Unidos.
Ahora procedemos, a realizar la intersección de las dos variables analizadas.
filtro_temp<-diferencia
filtro_temp[(filtro_temp >24)] <- NA
filtro_prec<-diferencia2
filtro_prec[(filtro_prec >240)] <- NA
manuelita<-filtro_prec & filtro_temp
opar <- par()
par(mar = c(0,0, 0, 0))
plot(paises)
plot(manuelita,add=T, col="purple",breaks=c(1,1.1),legend=FALSE)
Teniendo en cuenta las condiciones climáticas de temperatura y preciputación, las zonas con condiciones similares a las presentadas en el ingenio manuelita están en Uruguay, sur de Brasil, Colombia, Cuba, África (República del Congo) y algunos paises del sur de Asia.
Ingenio Carmelita
Ahora se procede con la identificación de las condiciones climáticas similares a las presentadas en el Ingenio Carmelita. Empezamos con el análisis de la temperatura promedio.
diferencia3 <- sqrt(sum((temp_promedio - as.numeric(punto2_temp))^2))
plot(diferencia3, main = "Mapa de temperaturas similares a Ingenio Carmelita")
En relación con la temperatura, se identifica que algunas América Latina y central, así como África, sur de Asia y Oceania presentan un promedio similar al presentado en la zona donde se ubica el ingenio Carmelita.
Ahora se procede, a realizar el análisis con la precipitación
diferencia4=sqrt(sum((prec_promedio-as.numeric(punto2_prec))^2))
plot(diferencia4, main = "Mapa de precipitaciones similares a Ingenio Carmelita")
En relación, con las precipitaciones se logra evidenciar que los lugares con condiciones similares al ingenio Carmelita se encuentran en la zona de Colombia, Uruguay, República del Congo y la zona este de Estados Unidos.
Finalmente, para tener una visión más clara de los países donde se presentan las condiciones climáticas más similares a las presentadas en el ingenio Carmelita, se procede a identificarlas en el mapa.
filtro_temp1<-diferencia3
filtro_temp1[(filtro_temp1 >20)] <- NA
filtro_prec1<-diferencia4
filtro_prec1[(filtro_prec1 >240)] <- NA
carmelita<-filtro_prec1 & filtro_temp1
opar <- par()
par(mar = c(0,0, 0, 0))
plot(paises)
plot(carmelita,add=T, col="lightblue",breaks=c(1,1.1),legend=FALSE)
Teniendo en cuenta los resultados presentados previamente, se identifica que los países que presentan condiciones climáticas parecidas a la del ingenio Carmelita son Uruguay, sur de Brasil y algunas zonas de la República del Congo. Igualmente, se encuentran algunas zonas de Colombia.
Conclusiones
El análisis de las condiciones climáticas (temperatura y precipictación) permitió identificar las condiciones óptimas para el cultivo de caña de azúcar en el mundo, teniendo como base los datos recopilados históricamente. Este análisis permite generar una mejor focalización y ubicación geográfica sobre las potenciales áreas donde se puede generar majores condiciones de eficiencia, eficacia, economía y productividad de los cultivos, evitando pérdidas significativas tanto en el volúmen de producción como en las condiciones económicas de los agricultores.
El análisis de datos geográficos permite tener una visión más clara y precisa sobre las condiciones de éxito para el proceso agrícola. Este análisis se puede replicar a otros cultivos y procesos productivos con el objetivo de disminuir los riesgos que están inmersos en los procesos de producción agrícola. En efecto, este tipo de investigaciones adquieren mayor importancia en el marco actual debido a las fluctuaciones del clima debido al calentamiento global, lo cual ha generado un mayor necesidad de análisis que permitan disminuir los riesgos de pérdida de cosechas debido a la volatilidad en las condiciones climáticas.