1. Construcción de mapas de aptitud para la temperatura y la precipitación

Se importan los raster de temperatura y precipitación

library(terra)
library(ggplot2)
library(raster)


# °°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°
# Temperatura
# °°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°
ruta1 <- "C:/Jorge Gomez/Maestria/Temperatura"

temp <- list.files(path = ruta1, pattern = "\\.tif$", full.names = TRUE)

temp_rasters <- lapply(temp, rast)

prom_temp_rasters <- do.call(mean, temp_rasters)



# °°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°
# Precipitacion
# °°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°
ruta2 <- "C:/Jorge Gomez/Maestria/Precipitacion"

prec <- list.files(path = ruta2, pattern = "\\.tif$", full.names = TRUE)

prec_rasters <- lapply(prec, rast)

prom_prec_rasters <- do.call(mean, prec_rasters)



# °°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°
# Division politica mapa
# °°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°
fronteras <- vect("C:/Jorge Gomez/Maestria/Administrativo mundial/ne_10m_admin_0_countries.shp")

Se crean los mapas de aptitud delimitando los países cuya temperatura y precipitación sean las más adecuadas para el cultivo de caña de azucar

# °°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°
# 1. PARA TEMPERATURA
# °°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°
temp_por_pais <- zonal(prom_temp_rasters, fronteras, fun = "mean")

paises_seleccionados1 <- subset(fronteras, temp_por_pais >= 22.5 & temp_por_pais <= 28)

plot(prom_temp_rasters)

lines(paises_seleccionados1, col = "blue", lwd = 1)

#text(paises_seleccionados1, labels = paises_seleccionados1$NAME, col = "black", cex = 0.7)


# °°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°
# 1. PARA PRECIPITACIÓN
# °°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°
prec_por_pais <- zonal(prom_prec_rasters, fronteras, fun = "mean")

paises_seleccionados2 <- subset(fronteras, prec_por_pais >= 125 & temp_por_pais <= 290)

plot(prom_prec_rasters)

lines(paises_seleccionados2, col = "blue", lwd = 1)

#text(paises_seleccionados2, labels = paises_seleccionados2$NAME, col = "black", cex = 0.7)

2. Selección de 3 países

Se señalan los países que cumplen condiciones tanto de temperatura como de precipitación para el cultivo de caña de azucar

paises_seleccionados3 <- intersect(paises_seleccionados1, paises_seleccionados2)

plot(prom_temp_rasters)

lines(paises_seleccionados3, col = "blue", lwd = 1)

#text(paises_seleccionados3, labels = paises_seleccionados3$NAME, col = "black", cex = 0.7, pos = 1, offset = 0.5)

3 paises con alto potencial para el cultivo en diferentes continentes son Brasil, Congo y filipinas

3. Selección de 3 regiones del Valle del Cauca

Se seleccionan al azar 3 municipios del Valle del Cauca, se extrae su información del clima tanto para temperatura y precipítación y se realiza una serie de tiempo de los 12 meses del año

# °°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°
# 1. PARA TEMPERATURA
# °°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°
raster_list <- lapply(temp, raster)

temp2 <- stack(raster_list)

names(temp2) <- month.name

loc1 <- cbind(3.2745, -77.1284)
loc2 <- cbind(3.8817, -77.0654)
loc3 <- cbind(3.8367, -76.9042)
locs <- rbind.data.frame(loc1, loc2, loc3)

temp_loc <- abs(extract(temp2, locs))
temp_loc
##       January February    March    April      May     June     July   August
## [1,] 20.09625 26.16075 34.05875 40.60425 41.18225 41.13325 42.33800 42.46250
## [2,] 20.36050 26.43175 34.33350 40.84000 41.43250 41.41300 42.62375 42.80250
## [3,] 20.38375 26.36875 34.20950 40.76150 41.36450 41.33000 42.51625 42.69025
##      September  October November December
## [1,]  41.78500 34.93975 26.20025 20.00725
## [2,]  42.02775 35.25250 26.50900 20.26200
## [3,]  41.90450 35.16400 26.47750 20.29650
matplot(t(temp_loc),type="l")

# °°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°
# 1. PARA PRECIPITACIÓN
# °°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°
raster_list2 <- lapply(prec, raster)
prec2 <- stack(raster_list2)
names(prec2) <- month.name

prec_loc <- extract(prec2, locs)
prec_loc
##      January February March April May June July August September October
## [1,]       0        0     3     5  19    0    7     20         8       0
## [2,]       0        0     3     4  18    0    7     19         8       0
## [3,]       0        0     3     4  18    0    7     20         8       0
##      November December
## [1,]        0        0
## [2,]        0        0
## [3,]        0        0
matplot(t(prec_loc),type="l")

Se observa que los 3 municipíos poseen un temperatura y precipitación similar durante todo el año. En cuanto a la temperatura esta aumenta desde marzo hasta septiembre y luego empieza a disminuir. Con respecto a la precipitación existen picos altos en mayo y agosto.

4. Métrica de similaridad

# °°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°
# 1. PARA TEMPERATURA
# °°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°
similitud=abs(temp_loc[1,]-temp2)

#plot(similitud[[1]])
similar_menosde_2=similitud<2
aptitud=sum(similar_menosde_2)/12*100
plot(aptitud)

# °°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°
# 1. PARA PRECIPITACIÓN
# °°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°°
similitud2=abs(prec_loc[1,]-prec2)

#plot(similitud2[[1]])
similar_menosde_2=similitud2<2
aptitud2=sum(similar_menosde_2)/12*100
plot(aptitud2)

5. Conclusiones

Se utiliza una métrica de similaridad para determinar cuales regiones alrededor del mundo poseen un clima similar a las regiones seleccionadas en el Valle del Cauca. El criterio para la similaridad es que estos no excedan en mas o menos 2 puntos con respecto a las zonas del Valle del Cauca. Estas zonas se pueden visualizar con colores en los dos mapas anteriores; uno para la temperatua y otro para la precipitación.

Para la temperatura: son similares las zonas de Centro America, el norte y centro de Suramerica, toda Africa excepto el Africa del desierto del Sahara, el sur de Asia y muchas zonas de Australia.

Para la precipitación: son similares las zonas de Africa sahariana, algunas regiones del medio oriente, zonas de Australia, Brasil y el occidente de Norte América.

Asi pues, una región idónea para que el agricultor establezca sus cultivos puede ser Brasil o Australia, donde se presentan condiciones climáticas favorables y así disminuya su incertidumbre sobre cualquier afectación en sus cultivos.