true

#Caso siembra de caña de azucar

Punto 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.

library(geodaData)
require(raster)
## Cargando paquete requerido: raster
## Cargando paquete requerido: sp
files <- list.files(path = "C:/Users/karenca/OneDrive - HDI Seguros/Documentos/Visualizacion de datos/temperatura/temperatura/", pattern = ".tif$", full.names = TRUE)
raster_list <- lapply(files, raster)

temp=stack(raster_list)

names(temp)=month.name
plot(temp)

library(geodaData)
require(raster)

files2 <- list.files(path = "C:/Users/karenca/OneDrive - HDI Seguros/Documentos/Visualizacion de datos/Precipitacion/", pattern = ".tif$", full.names = TRUE)
raster_list <- lapply(files2, raster)

Prec=stack(raster_list)

names(Prec)=month.name
plot(Prec)

Punto 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.

Cálculo de indicador de temperatura

temp_cumple=temp>=22.5 & temp<=28
indicador_temp=sum(temp_cumple)

#Se ajusta el indicador para presentarlo como porcentaje
indicador_temp2=indicador_temp/12*100
plot(indicador_temp2)

Cálculo de indicador de precipitación

#Identificar los paises con una precipitación mensual entre 125 y 290 mm.
prec_cumple=Prec>=125 & Prec<=290
indicador_prec=sum(prec_cumple)

#Se ajusta el indicador para presentarlo como porcentaje
indicador_prec2=indicador_prec/12*100
plot(indicador_prec2)

Se procede a eliminar los umbrales de menor representación para la identificación de las mejores zonas para siembra de caña de azucar

Eliminación de umbrales no optimos para precipitación

#Retirar los pixeles del indicador de precipitación

pix_no_optimos_p=which(indicador_prec2[]<75)
indicador_prec2[pix_no_optimos_p]=NA

plot(indicador_prec2)

Eliminación de umbrales no optimos para temperatura

#Retirar los pixeles del indicador de temperatura

pix_no_optimos_t=which(indicador_temp2[]<75)
indicador_temp2[pix_no_optimos_t]=NA

plot(indicador_temp2)

Carga de mapa de paises del mundo

paises = shapefile("C:/Users/karenca/OneDrive - HDI Seguros/Documentos/Visualizacion de datos/shp_mapa_paises_mundo_2014/Mapa_paises_mundo.shp")

plot(paises)

Se procede a graficas las areas del mundo más optimas para el cultivo de caña de azucar de acuerdo a los resultados optenidos anterioremente.

lugares_optimos= (indicador_temp2+indicador_prec2)/2
plot(paises, main="Lugares en el mundo óptimos para el cultivo de caña de azúcar")
plot(lugares_optimos, add=T, col="turquoise")

De acuerdo con el gráfico, se puede identificar que los principales países con alto potencial para la siembra de caña de azúcar son Colombia, Brasil, la República del Congo y algunos países asiáticos.

Punto 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.

require(leaflet)
## Cargando paquete requerido: leaflet
leaflet() %>% addTiles() %>% addCircleMarkers(lng =-76.5319 ,lat = 3.4525)

Se procede a selecionar la primera zona que corresponde a Cali y posteriormente se procede a extraer la información climatica de la ciudad

#Extraer la información de temperatura y precipitación del punto seleccionado.
punto1 <- data.frame(
  longitude = c(-76.523255), 
  latitude = c(3.429866)        
)
temp_punto1=as.data.frame( extract(temp,punto1))
prec_punto1= as.data.frame( extract(Prec,punto1))

#Temperatura por mes
temp_punto1
##    January February   March  April     May   June    July   August September
## 1 20.28125 20.38825 20.5215 20.306 20.2295 20.109 20.3215 20.43625    20.309
##    October November December
## 1 19.86275  19.7955 20.01875
prec_punto1
##   January February March April May June July August September October November
## 1     133      130   155   215 191  128   74     88       129     232      186
##   December
## 1      171

Datos de temperatura promedio por mes para la ciudad de Cali

Grafica serie temperatura y precipitación Cali

#Graficar serie de tiempo de temperatura
Punto1_temp=ts(as.numeric(temp_punto1[1,]))
plot(Punto1_temp, main= "Temperatura - Cali", col="red")

Punto1_prec=ts(as.numeric(prec_punto1[1,]))
plot(Punto1_prec, main= "Precipitacion - Cali", col="turquoise")

Se extrae información climatica de Tuluá

#Extraer la información de temperatura y precipitación del punto seleccionado.
punto2 <- data.frame(
  longitude = c(-76.1941), 
  latitude = c(4.0897)        
)
temp_punto2=as.data.frame( extract(temp,punto2))
prec_punto2= as.data.frame( extract(Prec,punto2))

#Temperatura por mes
temp_punto2
##    January February    March April      May   June    July   August September
## 1 23.60025   23.874 23.87925 23.63 23.56375 23.583 24.1205 24.02375    23.764
##   October November December
## 1 23.0775   22.831  23.1125
prec_punto2
##   January February March April May June July August September October November
## 1      85      108   137   185 170  119   67     88       124     206      159
##   December
## 1      103

Grafica serie temperatura y precipitación Tuluá

#Graficar serie de tiempo de temperatura
Punto2_temp=ts(as.numeric(temp_punto2[1,]))
plot(Punto1_temp, main= "Temperatura - Tuluá", col="red")

Punto2_prec=ts(as.numeric(prec_punto2[1,]))
plot(Punto1_prec, main= "Precipitacion - Tuluá", col="turquoise")

Se extrae información climatica de Palmira

#Extraer la información de temperatura y precipitación del punto seleccionado.
punto3 <- data.frame(
  longitude = c(-76.2973), 
  latitude = c(3.9023)        
)
temp_punto3=as.data.frame( extract(temp,punto3))
prec_punto3= as.data.frame( extract(Prec,punto3))

#Temperatura por mes
temp_punto3
##   January February    March    April     May    June     July  August September
## 1 21.8315 21.99775 22.08325 21.84725 21.7095 21.6125 21.95925 21.9355  21.79975
##   October November December
## 1  21.233   21.111 21.47525
prec_punto3
##   January February March April May June July August September October November
## 1      91      101   132   184 167  133   77     95       118     208      174
##   December
## 1      120

Grafica serie temperatura y precipitación Palmira

#Graficar serie de tiempo de temperatura
Punto3_temp=ts(as.numeric(temp_punto3[1,]))
plot(Punto1_temp, main= "Temperatura - Palmira", col="red")

Punto3_prec=ts(as.numeric(prec_punto3[1,]))
plot(Punto1_prec, main= "Precipitacion - Palmira", col="turquoise")

Punto 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.

require(RColorBrewer)
## Cargando paquete requerido: RColorBrewer
require(rasterVis)
## Cargando paquete requerido: rasterVis
## Cargando paquete requerido: lattice
require(lattice)

Punto1_comp_temp <- sqrt(sum((temp - as.numeric(Punto1_temp))^2))
mi_paleta <- colorRampPalette(brewer.pal(9, "Blues"))  
levelplot(Punto1_comp_temp, par.settings = BTCTheme, at = seq(0, 176, 10), main = "Zonas similares en temperatura a Cali", col.regions = mi_paleta)

Punto1_comp_prec=sqrt(sum((Prec-as.numeric(Punto1_prec))^2))
levelplot(Punto1_comp_prec,par.settings=BTCTheme,at=seq(0,2383,100), main="Zonas similares a Cali en precipitación")

#Intersección de zonas similares al punto 1

Punto1_comp_temp_filtro<-Punto1_comp_temp
Punto1_comp_temp_filtro[(Punto1_comp_temp_filtro >28)] <- NA
Punto1_comp_prec_filtro<-Punto1_comp_prec
Punto1_comp_prec_filtro[(Punto1_comp_prec_filtro >290)] <- NA

interse<-Punto1_comp_temp_filtro & Punto1_comp_prec_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)

Punto2_comp_temp=sqrt(sum((temp-as.numeric(Punto2_temp))^2))
levelplot(Punto2_comp_temp,par.settings=BTCTheme,at=seq(0,176,10), main="Zonas similares a Tuluá en temperatura")

Punto2_comp_prec=sqrt(sum((Prec-as.numeric(Punto2_prec))^2))
levelplot(Punto2_comp_prec,par.settings=BTCTheme,at=seq(0,2383,100), main="Zonas similares a Tuluá en precipitación")

#Intersección de zonas similares al punto 2

Punto2_comp_temp_filtro<-Punto2_comp_temp
Punto2_comp_temp_filtro[(Punto2_comp_temp_filtro >28)] <- NA
Punto2_comp_prec_filtro<-Punto2_comp_prec
Punto2_comp_prec_filtro[(Punto2_comp_prec_filtro >290)] <- NA

interse<-Punto2_comp_temp_filtro & Punto1_comp_prec_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)

Punto3_comp_temp=sqrt(sum((temp-as.numeric(Punto3_temp))^2))
levelplot(Punto3_comp_temp,par.settings=BTCTheme,at=seq(0,176,10), main="Zonas similares a Palmira en temperatura")

Punto3_comp_prec=sqrt(sum((Prec-as.numeric(Punto3_prec))^2))
levelplot(Punto2_comp_prec,par.settings=BTCTheme,at=seq(0,2383,100), main="Zonas similares a Palmira en precipitación")

Punto3_comp_temp_filtro<-Punto3_comp_temp
Punto3_comp_temp_filtro[(Punto3_comp_temp_filtro >28)] <- NA
Punto3_comp_prec_filtro<-Punto3_comp_prec
Punto3_comp_prec_filtro[(Punto3_comp_prec_filtro >290)] <- NA

interse<-Punto2_comp_temp_filtro & Punto1_comp_prec_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)

Punto 5

Compare los mapas generados por ambas aproximaciones y concluya.

En vista de los resultados obtenidos en el análisis de los mapas de similitud de temperatura y precipitación en el departamento del Valle del Cauca, se evidencia una estabilidad relativa en el comportamiento climático de la región. Sin embargo, para obtener una perspectiva más amplia de la variabilidad climática, es necesario considerar una mayor diversidad geográfica y climática.

La selección de puntos más distantes entre sí permitiría abarcar una gama más amplia de condiciones geográficas, biológicas y climáticas que podrían influir significativamente en los patrones de temperatura y precipitación. Esto podría revelar relaciones más complejas y variabilidad espacial en las variables climáticas estudiadas, brindando así una comprensión más completa de los fenómenos climáticos en la región del Valle del Cauca.

En resumen, aunque los resultados actuales sugieren una relativa estabilidad en el comportamiento climático de la región, explorar puntos más alejados entre sí en futuros estudios podría proporcionar una visión más completa y detallada de la variabilidad climática en el Valle del Cauca.