Los mapas de aptitud climática para el cultivo son herramientas cruciales en la planificación agrícola y la gestión de cultivos. Estos mapas en su construcción integran datos climáticos históricos para identificar las regiones geográficas donde las condiciones climáticas son más favorables para el crecimiento y desarrollo de cultivos específicos, en este caso de caña de azucar. Todo lo anterior por medio de una combinación de variables como temperatura, humedad, precipitación, etc.
El objetivo se centrará en identificar las zonas geográficas estratégicas a nivel mundial óptimas en la producción de Caña.
require(raster)
require(sf) # para procesar info espacial
require(leaflet)
require(dplyr)1. Condiciones climatologicas para cultivos de caña.
Los datos climatológicos históricos globales de temperatura promedio son tomados en formato raster.
1.1 Temperatura
ruta=list.files(path_carpeta_tiff,full.names = TRUE)
temp=stack(ruta)
names(temp)=month.name
plot(temp)
La serie de mapas muestra cómo las temperaturas globales fluctúan mensualmente. Se observa una distribución más uniforme de temperaturas moderadas en ciertos meses, mientras que en otros, estas áreas pueden estar concentradas en regiones específicas.
La temperatura ideal para que un cultivo de caña de azucar crezca en excelentes condiciones es a una temperatura entre 20 y 30 grados, para establecer esta condición en el conjunto de datos, se procede a diseñar un raster binario que cumpla la condición de que la temperatura esté en los rangos definidos.
temp_cond=temp>20&temp<30
plot(temp_cond) #grafica mapas binarios (1 verde: cumple , 0 gris: no cumple)
Esta serie de mapas con la condición aplicada (temp_cond) resalta las zonas donde las temperaturas son óptimas para el cultivo de caña de azúcar. Las áreas sombreadas en verde indican regiones potencialmente aptas para este cultivo durante cada mes.
Esta información se convierte vital para los agricultores y planificadores agrícolas en este momento, ya que permite identificar las regiones y meses donde el cultivo de caña de azúcar puede prosperar en términos de temperatura.
temp_cond_gral <- calc(temp_cond, mean)
library(rasterVis)
require(RColorBrewer)
mytheme <- rasterTheme(region = brewer.pal(9, "YlOrRd"))
levelplot(temp_cond_gral, par.settings = mytheme, main = "Condición Óptima de Temperatura Promedio anual (20° - 30°)")
plot(temp_cond_gral,main = "Condición Óptima de Temperatura Promedio anual (20° - 30°)",
xlab = "Longitud", ylab="Latitud")
Ahora observemos que sucede con las características asociadas a la precipitación en el cultivo de caña:
1.2. Precipitación mundial.
Los datos climatológicos históricos globales de precipitación son tomados en formato raster.
files_precip = list.files(path_precipit_tiff, full.names= TRUE)
precip<- stack(files_precip)
names(precip) = month.name
plot(precip)
Cada mapa generado por este código representa la precipitación acumulada en un mes específico. Al observar estos mapas, se pueden identificar regiones con alta o baja precipitación en diferentes épocas del año. Por ejemplo:
- Zonas Tropicales:
Se espera que las regiones tropicales muestren altas precipitaciones durante la temporada de lluvias.
- Zonas Áridas:
Las regiones áridas o semiáridas, como ciertos desiertos, mostrarán poca o ninguna precipitación durante todo el año.
- Estacionalidad:
En algunas regiones, la precipitación puede ser altamente estacional, mostrando claros patrones de lluvias en ciertos meses y sequías en otros.
Veamos las siguientes representaciones espaciales:
# Calcular la precipitacion total (anual) sumando las capas mensuales
precip_total <- calc(precip, sum)
library(rasterVis)
library(RColorBrewer)
# Graficar la temperatura total
mytheme <- rasterTheme(region = brewer.pal(9, "Blues"))
levelplot(precip_total, par.settings = mytheme, main = "Precipitación Total Anual")
plot(precip_total, main = "Precipitación Total Anual",
xlab = "Longitud", ylab="Latitud")
La caña de azúcar es un cultivo tropical que requiere algunas condiciones climáticas para crecer de manera óptima. La temperatura y precipitación son factores importantes. La temperatura promedio mensual entre 20°C y 30°C, asi mismo una precipitacón mensual entre 125 y 290 mm (milimetros) promete un crecimiento robusto y una alta productividad. Este tipo de análsis adicionalmente podrá ayudar en la planificación de estrategias de riego y manejo de cultivos, optimizando los recursos y mejorando los rendimientos.
El siguiente código se utiliza para visualizar datos raster de la precipitación mundial en un rango específico (125 - 290 mm):
precip_cond=precip_total>125&precip_total<290
plot(precip_cond, main = "Precipitación Mundial (125 - 290 mm)",
xlab = "Longitud", ylab="Latitud") 
El mapa generado muestra las áreas del mundo donde la precipitación mensual está entre 125 mm y 290 mm. Al observar estos mapas, se pueden identificar regiones que reciben una cantidad moderada de precipitación.
Combinando las condiciones de temperatura y precipitación se tiene:
combined_cond = temp_cond & precip_cond
plot(combined_cond)
Este último serie de gráficas muestra las áreas del mundo donde la temperatura promedio mensual está entre 20°C y 30°C y la precipitación total mensual está entre 125 mm y 290 mm. Este tipo de visualización es especialmente útil para identificar regiones climáticamente óptimas para el cultivo de caña de azúcar (considerando variables en conjunto), ya que estos rangos de temperatura y precipitación son favorables para su crecimiento..
condiciones_optimas_temp_y_Precip <- calc(combined_cond, mean)
plot(condiciones_optimas_temp_y_Precip)
1.3. Indice de Aridez Martonne para identificar zonas optimas en cultivo de caña
El Índice de Aridez de Martonne es una medida utilizada para evaluar el grado de aridez de una región. Fue desarrollado por el geógrafo Emmanuel de Martonne en 1926. Este índice es especialmente útil para estudios climáticos y agrícolas, como lo es el estudio realizado por Troyo, D. et al. (2014), ya que permite conocer las condiciones ambientales en las que se desarrolla un cultivo en función de la precipitación y temperatura para la producción.
\[ I_a = \frac{P}{tm+10} \]
- \(P\): Hace referencia a la precipitación.
- \(tm\): Hace referencia a la tempertura media.
El punto de referencia para este índice se caracteriza en Troyo et al. 2014. y se clasifica en las siguiente tabla:
\[ \begin{array}{|c|c||c|} \hline \bf{Zona} & \bf{Valor\; del\; Indice \; (I_a)} \\ \hline Desiertos\;(Hiperárido) & 0-5 \\ Semidesiertos\;(Árido) & 5 - 10 \\ Semiárido & 10 - 20 \\ Subhúmedo & 20 - 30 \\ Humedo & 30 - 60 \\ Hiperhúmedo & >60 \\ \hline \end{array}\\ \]
Considerando que para el calculo del Indice de Aridez Martonne se debe
identificar la temperatura media temp_media_gral y
precipitación total precip_total, se procede a identificar
estas condiciones climáticas en la infomración raster obtenida. Para
iniciar se obtiene la temperatura media considerando todos los meses:
ruta=list.files(path_carpeta_tiff,full.names = TRUE)
temp_media=stack(ruta)
names(temp_media)=month.name
temp_media_gral <- calc(temp_media, mean)library(rasterVis)
require(RColorBrewer)
mytheme <- rasterTheme(region = brewer.pal(9, "YlOrRd"))
levelplot(temp_media_gral, par.settings = mytheme, main = "Temperatura Promedio Anual")
#plot(temp_media_gral,main = "Temperatura Promedio Anual",
# xlab = "Longitud", ylab="Latitud")El anterior mapa muestra la temperatura promedio anual a nivel global. Esta visualización utiliza una paleta de colores específica (YlOrRd), que va desde el amarillo claro hasta el rojo oscuro) para representar las diferentes temperaturas en grados Celsius. Adicionalmente se puede identificar que existen tipos de zonas las cuales se podrían clasificar en:
Zonas Cálidas: Las áreas en rojo y rojo oscuro, que se encuentran principalmente cerca del ecuador, indican regiones con temperaturas promedio anuales más altas, típicamente entre 20°C y 30°C. Estas zonas incluyen partes de América del Sur, África, el sureste asiático y Oceanía.
Zonas Templadas: Las áreas en tonos amarillos y anaranjados, que representan temperaturas moderadas, se encuentran generalmente en las latitudes medias. Estas regiones experimentan una gama más amplia de temperaturas estacionales pero mantienen promedios anuales más moderados.
Zonas Frías: Las áreas en tonos de amarillo claro, que representan temperaturas más bajas, se encuentran en las latitudes más altas, cerca de los polos. Estas regiones incluyen partes de Canadá, Rusia y la Antártida, donde las temperaturas pueden ser extremadamente bajas durante todo el año.
Ahora observemos el mapa de precipitación total:
ruta2=list.files(path_carpeta_tiff2,full.names = TRUE) #muestra la ruta y los nombres de archivos
precip=stack(ruta2) #cargar multiples imágenes al mismo tiempo
names(precip)=month.name
# Calcular la temperatura total (anual) sumando las capas mensuales
precip_total <- calc(precip, sum)library(rasterVis)
library(RColorBrewer)
# Graficar la temperatura total
mytheme <- rasterTheme(region = brewer.pal(9, "Blues"))
levelplot(precip_total, par.settings = mytheme, main = "Precipitación Total Anual")
#plot(precip_total, main = "Precipitación Total Anual",
# xlab = "Longitud", ylab="Latitud")Se diseña esta visualización anterior con una paleta de color diferente (azul), en esta se puede identificar
Zonas de Alta Precipitación: Las áreas en tonos de azul oscuro, que se encuentran principalmente en regiones tropicales, generan altos niveles altos de precipitación anual. Estas zonas incluyen el Amazonas, el sur este asiático y algunas partes de África central.
Zonas de Baja Precipitación: Las áreas en tonos de azul claro representan regiones con baja precipitación anual. Estas áreas incluyen los desiertos, como el Sahara en África, el desierto de Arabia y gran parte de Australia central.
Zonas Moderadas: Las áreas con tonos intermedios de azul indican niveles moderados de precipitación, típicos de las zonas templadas y algunas regiones montañosas.
La caña de azúcar al requerir condiciones específicas de precipitación y temperatura para prosperar.Como lo expuesto por la FAO, quien esablece que las condiciones óptimas para el cultivo de caña de azúcar son temperaturas medias diarias entre 20°C y 30°C. El Índice de Martonne podría entonces establecerse con:
- Temperatura: 20°C - 30°C
- Precipitación: Al menos 1250 mm anuales (mínimo recomendado para la caña de azúcar)
Dado que el índice toma en cuenta tanto la precipitación como la temperatura, podemos analizar un valor representativo. Por ejemplo, para una precipitación de 1250 mm y una temperatura media de 25°C
\[ I_a = \frac{1250}{25+10} = 35.7 \] Por consiguiente se procede a graficar este indice de Aridez anual, identificando las zonas a nivel mundial que tienen valores aproximados a zonas subhúmedas y humedas:
\[ \begin{array}{|c|c||c|} \hline \bf{Zona} & \bf{Valor\; del\; Indice \; (I_a)} \\ \hline Subhúmedo & 20 - 30 \\ Humedo & 30 - 60 \\ \hline \end{array}\\ \]
#--- Indice Aridez
ia_ridez <- precip_total/(temp_media_gral+10)
valor = ia_ridez>25 & ia_ridez<40
plot(valor, main="Indice de Aridez - Martonne",
xlab = "Longitud", ylab="Latitud")
2 Países con alto potencial para cultivo de Caña de Azucar
El Valle del Cauca en Colombia, es una región reconocida por sus altos rendimientos en el cultivo de caña de azúcar. Este éxito agrícola se debe a varios factores, incluyendo las condiciones climáticas favorables, suelos fértiles y una infraestructura bien desarrollada para la agricultura. La región goza de temperaturas promedio ideales que oscilan entre 20°C y 30°C, así como una precipitación anual que proporciona suficiente humedad sin ser excesiva. Por tal razon es interesante identificar zonas a nivel mundial con estas condiciones climáticas similares (temperatura y precipitación) que permita generar rendimientos en la producción de caña de azucar.
Considerando la grafica del indice de Aridez anual del apartado anterior, se observan algunos países óptimos para el cultivo de caña de azucar (sitios que posiblemente generen altos rendimientos), como es el caso de Brazil, :
plot(valor, main="Indice de Aridez - Martonne",
xlab = "Longitud", ylab="Latitud")
library(rnaturalearth)
map1 = ne_countries(type = "countries", country = "Brazil",
scale = "medium", returnclass = "sf")
map_tanzania <- ne_countries(type = "countries", country = "Zambia",
scale = "medium", returnclass = "sf")
aptitud_opc2_brasil=mask(valor,map1)
aptitud_opc2_brasil=crop(valor,map1)
plot(aptitud_opc2_brasil, main="Indice de Aridez Martonne en Brazil" ,
xlab = "Longitud", ylab="Latitud")
aptitud_opc2_tanzania=mask(valor,map_tanzania)
aptitud_opc2_tanzania=crop(valor,map_tanzania)
plot(aptitud_opc2_tanzania, main="Indice de Aridez Martonne en Tanzania" ,
xlab = "Longitud", ylab="Latitud")
Los anteriores mapas muestran el indice de Martonne para Brazil y Tanzania, estos dos países muestran unas condiciones adecuadas para el cultivo de Caña de azucar.
3 Detección del clima en sitios del Valle del Cauca
Considerando que Palmira es una zona donde hay cultivos de caña, se seleccionan dos puntos epecíficos de este sitio geográfico Colombiano, uno donde el cultivo de caña es predominante y otra muy conocida denominda ingenio providencia. Estos sitios prevalecen por las condiciones climáticas, véase su ubicación espacial en en la imágen raster de temperatura promedio:
pal_loc=cbind(-76.491742, 3.451623) #palmira
ingenio_prov = cbind( -76.3031 , 3.5381) #ingenio providencia
#pal_loc=cbind(-76.55377, 3.14205) #palmira
#ingenio_prov = cbind( -75.87233 , 4.39912) #ingenio providencia
puntos_cultivos = rbind.data.frame(pal_loc,ingenio_prov)#--- Temperatura
require(raster)
require(sf)
temp_media_gral_valle <- crop(temp_media_gral,valle_del_cauca)
plot(temp_media_gral_valle, main="Temperatura Promedio Anual en Valle del Cauca - Palmira",
xlab = "Longitud", ylab = "Latitud")
plot(valle_del_cauca, add=TRUE, border="black") # lwd=2
plot(palmira, add=TRUE, border="red", lwd=2) # Red color for Palmira
temp_media_gral_valle <- crop(temp_media_gral,valle_del_cauca)
plot(temp_media_gral_valle, main="Temperatura Promedio Anual en Valle del Cauca - Palmira",
xlab = "Longitud", ylab = "Latitud")
plot(municipios_valle, add=TRUE, border="black")
plot(palmira, add=TRUE, border="red", lwd=2) # Red color for Palmira
pal_loc=cbind(-76.491742, 3.451623) #palmira
ingenio_prov = cbind( -76.3031 , 3.5381) #ingenio providencia
points(pal_loc, col="blue", pch=19, cex=1)
points(ingenio_prov, col="blue", pch=19, cex=1)
Considerando que se tienen zonas optimas para el cultivo, se muestra a continuación la gráfica de serie de tiempo de la temperatura promedio para los dos puntos caracterizados:
temp_1loc = extract(temp_media,ingenio_prov)
temp_2loc = extract(temp_media,puntos_cultivos)
matplot(t(temp_2loc), type="l", main="Temperatura promedio en Cultivos de Caña de azucar",
xlab="Mes", ylab="Temperatura")
Es interesante notar que, a pesar de que los sitios están separados geográficamente, la diferencia de temperatura entre ellos no varía significativamente a lo largo del año, al menos según los datos de temperatura que estás analizando. Esto podría sugerir que ambos sitios experimentan condiciones climáticas bastante similares en términos de temperatura, lo cual podría ser útil para el cultivo de caña de azúcar, ya que esta planta puede ser sensible a las variaciones extremas de temperatura.. Considerando lo anterior, obsérvese los mapas de precipitación total en las zonas de palmira identificadas:
#--- Temperatura
require(raster)
require(sf)
precip_total_gral_valle <- crop(precip_total,valle_del_cauca)
plot(precip_total_gral_valle, main="Precipitación Total Anual en Valle del Cauca - Palmira",
xlab = "Longitud", ylab = "Latitud")
plot(valle_del_cauca, add=TRUE, border="black") # lwd=2
plot(palmira, add=TRUE, border="red", lwd=2) # Red color for Palmira
precip_total_gral_valle <- crop(precip_total,valle_del_cauca)
plot(precip_total_gral_valle, main="Precipitación Total Anual Anual en Valle del Cauca - Palmira",
xlab = "Longitud", ylab = "Latitud")
plot(municipios_valle, add=TRUE, border="black")
plot(palmira, add=TRUE, border="red", lwd=2) # Red color for Palmira
pal_loc=cbind(-76.491742, 3.451623) #palmira
ingenio_prov = cbind( -76.3031 , 3.5381) #ingenio providencia
points(pal_loc, col="blue", pch=19, cex=1)
points(ingenio_prov, col="blue", pch=19, cex=1)
prec_1loc = extract(precip_total,ingenio_prov)
prec_2loc = extract(precip_total,puntos_cultivos)
matplot(t(prec_2loc), type="l", main="Precipitación Total en Cultivos de Caña de azucar",
xlab="Mes", ylab="Precipitación")3 Similaridad climática a nivel global
Para evaluar la similitud climática a nivel global con respecto a puntos estratégicos en el Valle del Cauca, se selecciona un punto representativo en la región y se procede a analizar su temperatura en un conjunto de imágenes raster que cubren todo el mundo. En este caso, se ha tomado como referencia el punto ubicado en las coordenadas (-76.3031, 3.5381).
plot(temp[[5]], main="Temperatura Mundial en Mayo" ,
xlab = "Longitud", ylab="Latitud")
loc0=cbind(-76.3031 , 3.5381)
points(loc0)
extract(temp[[5]],loc0)##
## 22.3585temp_sitio0=extract(temp,loc0)se extraen los datos de temperatura para dicho lugar. Luego, se calcula la diferencia absoluta de temperatura entre este punto y cada mes del año, buscando determinar cuántos meses presentan una diferencia de temperatura menor que 2 grados Celsius.
diferencia=abs(temp[[1:12]]-temp_sitio0[1,])
aptitud=sum(diferencia<2)
aptitud2=aptitud/12*100
plot(aptitud2, main="Zonas con buenas condiciones para el cultivo de caña" ,
xlab = "Longitud", ylab="Latitud")
Esta métrica de similitud climática establecida, expresada como un porcentaje de los meses del año, proporciona una medida de la adecuación del clima global a las condiciones climáticas del Valle del Cauca. En este análisis, una alta aptitud indicaría que las condiciones climáticas globales son similares a las del Valle del Cauca.
library(rnaturalearth)
aptitud1=mask(aptitud2,map1)
aptitud1=crop(aptitud2,map1)
plot(aptitud1, main="Mapa con metrica de similaridad en Brazil" ,
xlab = "Longitud", ylab="Latitud")
library(rnaturalearth)
aptitud22=mask(aptitud2,map_tanzania)
aptitud22=crop(aptitud2,map_tanzania)
plot(aptitud22, main="Mapa con metrica de similaridad en Tanzania" ,
xlab = "Longitud", ylab="Latitud")
Conclusiones
Para concluir sobre el uso de las dos metodologías para identificar zonas adecuadas para cultivar caña de azúcar a nivel mundial, se puede destacar lo siguiente:
Identificación de Zonas con Buenas Condiciones a partir de Dos Puntos: Esta metodología se basa en la identificación de zonas con condiciones climáticas óptimas para el cultivo de caña de azúcar, utilizando como referencia las condiciones de dos puntos estratégicos. Al comparar las condiciones climáticas de estos puntos con los datos climáticos globales, se pueden identificar áreas con similitudes climáticas que podrían ser adecuadas para el cultivo de caña de azúcar. Esta metodología es útil para identificar áreas potencialmente adecuadas a partir de puntos de referencia específicos, pero puede ser limitada en su alcance global y en la consideración de otros factores que afectan el cultivo.
Métrica de Similitud y Gráfica de Mapas: como se establecíó, basa su análisis en similitudes climáticas a nivel mundial utilizando datos climáticos globales. A través de métricas de similitud y análisis de mapas, se pueden identificar áreas con condiciones climáticas similares a las de los puntos de referencia, sin limitarse a zonas específicas como la anterior metodología. Ahora bien, este tipo de analisis proporciona una visión más amplia y completa de las áreas potencialmente adecuadas para el cultivo de caña de azúcar en todo el mundo, teniendo en cuenta una variedad de factores climáticos.
En conclusión, combinar ambas metodologías podría ofrecer una estrategia importante para identificar zonas con buenas condiciones para el cultivo de caña de azúcar a nivel mundial y se generen grander rendimientos. El enfoque basado en dos puntos de referencia proporciona una base para la selección de áreas potencialmente adecuadas, mientras que el análisis de similitudes climáticas a nivel mundial permite una evaluación más amplia y detallada de las condiciones climáticas en todo el mundo. Al integrar estas metodologías en conjunto, se pueden obtener perspectivas más completa y precisa de las zonas óptimas para el cultivo de caña de azúcar, convirtiendose en una estrategia importante para la planificación y toma de decisiones en la agricultura a nivel global.
Referencias
FAO. (2021). Sugarcane. Retrieved from FAO Website
Troyo, D. E., Mercado, M. G., Cruz, A., Nieto, G. A., Valdez C. R. D., García, J. L., & Murillo, B. (2014). Análisis de la sequía y desertificación mediante índices de aridez y estimación de la brecha hídrica en Baja California Sur, noroeste de México. Investigaciones geográficas, (85), 66-81.