Unidad 2
Diana socha
2024-06-13
Caso 2
Datos a revisar para el cultivo de caña de azucar
La temperatura media debe estar entre 20 y 30 grados centígrados. La Precipitación mensual debe estar entre 125 y 290 milimetros. La Precipitación anual debe estar entre 1500 y 3500 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.
library(raster)
library(sp)
library(viridis)Mapa_1=raster("temperatura/temperatura/wc2.1_10m_tavg_01.tif")
color_palette <- c("lightgray", viridis(99))
plot(Mapa_1, col = color_palette, main = "Mapa de Temperatura con Gradiente de Colores",
xlab = "Longitud", ylab = "Latitud")
Primera condicion (Temperatura)
Mapa_1_temp=Mapa_1>20&Mapa_1<30
Mapa_1_temp## class : RasterLayer
## dimensions : 1080, 2160, 2332800 (nrow, ncol, ncell)
## resolution : 0.1666667, 0.1666667 (x, y)
## extent : -180, 180, -90, 90 (xmin, xmax, ymin, ymax)
## crs : +proj=longlat +datum=WGS84 +no_defs
## source : memory
## names : layer
## values : 0, 1 (min, max)Mapa de regiones que cumplen con la condicion 1
plot(Mapa_1_temp, col = color_palette, main = "Temperatura optima",
xlab = "Longitud", ylab = "Latitud")
Ruta=list.files("temperatura/temperatura/", full.names = TRUE)
temp=stack(Ruta)
temp## class : RasterStack
## dimensions : 1080, 2160, 2332800, 12 (nrow, ncol, ncell, nlayers)
## resolution : 0.1666667, 0.1666667 (x, y)
## extent : -180, 180, -90, 90 (xmin, xmax, ymin, ymax)
## crs : +proj=longlat +datum=WGS84 +no_defs
## names : wc2.1_10m_tavg_01, wc2.1_10m_tavg_02, wc2.1_10m_tavg_03, wc2.1_10m_tavg_04, wc2.1_10m_tavg_05, wc2.1_10m_tavg_06, wc2.1_10m_tavg_07, wc2.1_10m_tavg_08, wc2.1_10m_tavg_09, wc2.1_10m_tavg_10, wc2.1_10m_tavg_11, wc2.1_10m_tavg_12
## min values : -45.88400, -44.80000, -57.92575, -64.19250, -64.81150, -64.35825, -68.46075, -66.52250, -64.56325, -55.90000, -43.43475, -45.32700
## max values : 34.00950, 32.82425, 32.90950, 34.19375, 36.25325, 38.35550, 39.54950, 38.43275, 35.79000, 32.65125, 32.78800, 32.82525Mapas con los meses del año
names(temp)=month.name
plot(temp, col = color_palette)
Revision de la condición
Temperatura_condicion=temp>20&temp<30
Temperatura_condicion## class : RasterBrick
## dimensions : 1080, 2160, 2332800, 12 (nrow, ncol, ncell, nlayers)
## resolution : 0.1666667, 0.1666667 (x, y)
## extent : -180, 180, -90, 90 (xmin, xmax, ymin, ymax)
## crs : +proj=longlat +datum=WGS84 +no_defs
## source : memory
## names : January, February, March, April, May, June, July, August, September, October, November, December
## min values : 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0
## max values : 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1Mapa de la temperatura
plot(Temperatura_condicion, col = color_palette,
xlab = "Longitud", ylab = "Latitud")
Revisión de la temperatura a nivel mundia
porc_temp=sum(Temperatura_condicion)/12*100
plot(porc_temp, col = color_palette, main = "Porcentaje Temperatura",
xlab = "Longitud", ylab = "Latitud")
Segunda y tercera condición
color_palette <- c("#EEF8F8", "lightblue","blue")
Mapa_2=raster("wc2_1_5m_prec/wc2.1_5m_prec_01.tif")
plot(Mapa_2, col = color_palette, main = "Precipitación mensual")
Mapa precipitación
Mapa_2_prec=Mapa_2>125&Mapa_2<290
Mapa_2_prec## class : RasterLayer
## dimensions : 2160, 4320, 9331200 (nrow, ncol, ncell)
## resolution : 0.08333333, 0.08333333 (x, y)
## extent : -180, 180, -90, 90 (xmin, xmax, ymin, ymax)
## crs : +proj=longlat +datum=WGS84 +no_defs
## source : memory
## names : layer
## values : 0, 1 (min, max)plot(Mapa_2_prec, col = color_palette, main = "Precipitación mensual optima")
Mapa precipitación Optima
ruta2=list.files("wc2_1_5m_prec/", full.names = TRUE)
prec=stack(ruta2)
prec## class : RasterStack
## dimensions : 2160, 4320, 9331200, 12 (nrow, ncol, ncell, nlayers)
## resolution : 0.08333333, 0.08333333 (x, y)
## extent : -180, 180, -90, 90 (xmin, xmax, ymin, ymax)
## crs : +proj=longlat +datum=WGS84 +no_defs
## names : wc2.1_5m_prec_01, wc2.1_5m_prec_02, wc2.1_5m_prec_03, wc2.1_5m_prec_04, wc2.1_5m_prec_05, wc2.1_5m_prec_06, wc2.1_5m_prec_07, wc2.1_5m_prec_08, wc2.1_5m_prec_09, wc2.1_5m_prec_10, wc2.1_5m_prec_11, wc2.1_5m_prec_12
## min values : 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0
## max values : 936, 1005, 774, 1004, 2068, 2210, 2578, 1897, 1955, 2328, 736, 827Mapa precipitación por meses del año
names(prec)=month.name
plot(prec,col = color_palette)
Revision de la condición.
prec_cond=prec>125&prec<290
prec_cond## class : RasterBrick
## dimensions : 2160, 4320, 9331200, 12 (nrow, ncol, ncell, nlayers)
## resolution : 0.08333333, 0.08333333 (x, y)
## extent : -180, 180, -90, 90 (xmin, xmax, ymin, ymax)
## crs : +proj=longlat +datum=WGS84 +no_defs
## source : r_tmp_2024-06-13_234532_7700_94996.grd
## names : layer.1, layer.2, layer.3, layer.4, layer.5, layer.6, layer.7, layer.8, layer.9, layer.10, layer.11, layer.12
## min values : 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0
## max values : 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1names(prec_cond)=month.name
plot(prec_cond,col = color_palette)
Revision de la precipitación a nivel mundial
porc_preci=sum(prec_cond)/12*100
plot(porc_preci , col = color_palette, main = "Precipitación mundial")
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.
- Colombia
- Brasil
library(raster)
library(sf)
library(rnaturalearth)
library(rnaturalearthdata)Colombia
Visualizando la temperatura de Colombia en enero:
im1 <- raster("temperatura/temperatura/wc2.1_10m_tavg_01.tif")
world <- ne_countries(scale = "medium", returnclass = "sf")
country <- world[world$name == "Colombia", ]
im1_crop <- crop(im1, extent(country))
im1_mask <- mask(im1_crop, country)
color_palette <- c("lightgray", viridis(99))
plot(im1_mask, main = "Temperatura promedio en enero - Colombia",col = color_palette)
bras = list.files("temperatura/temperatura/", full.names = TRUE)
bras_temp = stack(bras)
world <- ne_countries(scale = "medium", returnclass = "sf")
country <- world[world$name == "Colombia", ]
im1_crop <- crop(bras_temp, extent(country))
im1_mask <- mask(im1_crop, country)
names(im1_mask)=month.name
plot(im1_mask,col = color_palette)
porc_temp=sum(im1_mask)/12*1
plot(porc_temp,col = color_palette)
Visualizando la precipitación de Colombia en enero:
im1 <- raster("wc2_1_5m_prec/wc2.1_5m_prec_01.tif")
world <- ne_countries(scale = "medium", returnclass = "sf")
country <- world[world$name == "Colombia", ]
im1_crop <- crop(im1, extent(country))
im1_mask <- mask(im1_crop, country)
color_palette_preci <- c("#EEF8F8", "lightblue","blue")
plot(im1_mask, main = "Precipitación promedio en enero - Colombia", col=color_palette_preci)
bras = list.files("wc2_1_5m_prec/", full.names = TRUE)
bras_temp = stack(bras)
world <- ne_countries(scale = "medium", returnclass = "sf")
country <- world[world$name == "Colombia", ]
im1_crop <- crop(bras_temp, extent(country))
im1_mask <- mask(im1_crop, country)
names(im1_mask)=month.name
plot(im1_mask, col=color_palette_preci)
porc_temp_bra=sum(im1_mask)/12*10
plot(porc_temp_bra, col=color_palette_preci)
Brasil
Visualizando la temperatura de Brasil en enero:
im1 <- raster("temperatura/temperatura/wc2.1_10m_tavg_01.tif")
world <- ne_countries(scale = "medium", returnclass = "sf")
country <- world[world$name == "Brazil", ]
im1_crop <- crop(im1, extent(country))
im1_mask <- mask(im1_crop, country)
plot(im1_mask, main = "Temperatura promedio en enero - Brasil", col=color_palette)
bras = list.files("temperatura/temperatura/", full.names = TRUE)
bras_temp = stack(bras)
world <- ne_countries(scale = "medium", returnclass = "sf")
country <- world[world$name == "Brazil", ]
im1_crop <- crop(bras_temp, extent(country))
im1_mask <- mask(im1_crop, country)
names(im1_mask)=month.name
plot(im1_mask, col=color_palette)
Temperatura Optima
porc_temp_bra=sum(im1_mask)/12*1
plot(porc_temp_bra, col=color_palette)
Visualizando la precipitación de Brasil en enero:
im1 <- raster("wc2_1_5m_prec/wc2.1_5m_prec_01.tif")
world <- ne_countries(scale = "medium", returnclass = "sf")
country <- world[world$name == "Brazil", ]
im1_crop <- crop(im1, extent(country))
im1_mask <- mask(im1_crop, country)
plot(im1_mask, main = "Precipitación promedio en enero - Brasil", col=color_palette_preci)
bras = list.files("wc2_1_5m_prec/", full.names = TRUE)
bras_temp = stack(bras)
world <- ne_countries(scale = "medium", returnclass = "sf")
country <- world[world$name == "Brazil", ]
im1_crop <- crop(bras_temp, extent(country))
im1_mask <- mask(im1_crop, country)
names(im1_mask)=month.name
plot(im1_mask, col=color_palette_preci)
porc_temp_bra=sum(im1_mask)/12*10
plot(porc_temp_bra, col=color_palette_preci)
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.
Punto 1: Palmira
library(leaflet)
leaflet() %>% addTiles() %>% addCircleMarkers(lng =-76.315081 ,lat = 3.5407942)palmira <- data.frame(longitude = c(-76.315081), latitude = c(3.5407942))
palmira_temp = as.data.frame(extract(temp, palmira))
palmira_prec = as.data.frame(extract(prec, palmira))
palmira_temp## 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 22.14775palmira_prec## January February March April May June July August September October November
## 1 96 101 135 171 151 122 64 76 113 204 178
## December
## 1 126Serie de tiempo para la temperatura:
Temperatura_palmira=ts(as.numeric(palmira_temp[1,]))
plot(Temperatura_palmira, main= "Palmira", col="blue")
Serie de tiempo para la precipitacion:
Precipitacion_palmira=ts(as.numeric(palmira_prec[1,]))
plot(Precipitacion_palmira, main= "Precipitación - Palmira", col="Blue")
Punto 2: Yumbo
leaflet() %>% addTiles() %>% addCircleMarkers(lng =-76.5006027 ,lat = 3.5448105)Yumbo_ <- data.frame(longitude = c(-76.5006027), latitude = c(3.5448105))
Yumbo__temp = as.data.frame(extract(temp, Yumbo_))
Yumbo__prec = as.data.frame(extract(prec, Yumbo_))
Yumbo__temp## January February March April May June July August
## 1 19.6715 19.7905 19.93025 19.70875 19.58575 19.40175 19.53775 19.61475
## September October November December
## 1 19.58275 19.18175 19.14025 19.47825Yumbo__prec## January February March April May June July August September October November
## 1 143 137 181 222 197 135 79 97 132 264 206
## December
## 1 186Serie de tiempo para la temperatura:
Temperatura_Yumbo_=ts(as.numeric(Yumbo__temp[1,]))
plot(Temperatura_Yumbo_, main= "Temperatura - Yumbo", col="green")
Serie de tiempo para la precipitacion:
Precipitacion_Yumbo_=ts(as.numeric(Yumbo__prec[1,]))
plot(Precipitacion_Yumbo_, main= "Precipitación - Yumbo", col="blue")
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.
punt_loc=cbind(-76.315081,3.5407942)
punt_loc2=cbind(-76.5006027,3.5448105)
locs=rbind.data.frame(punt_loc,punt_loc2)Temperatura
temp_pal=extract(temp,punt_loc)
temp_pal2=extract(temp,locs)
temp_pal2## January February March April May June July August
## [1,] 22.50275 22.6155 22.73675 22.44175 22.35850 22.32800 22.62250 22.74675
## [2,] 19.67150 19.7905 19.93025 19.70875 19.58575 19.40175 19.53775 19.61475
## September October November December
## [1,] 22.57575 22.02075 21.88275 22.14775
## [2,] 19.58275 19.18175 19.14025 19.47825matplot(t(temp_pal2),type="l")
similitud=abs(temp_pal[1,]-temp)
plot(similitud[[1]], col=color_palette)
plot(similitud, col=color_palette)
Temperaturas similares a palmira y yumbo
library(RColorBrewer)
library(rasterVis)
library(lattice)
Simil_comp_temp <- sqrt(sum((temp - as.numeric(Temperatura_Yumbo_))^2))
levelplot(Simil_comp_temp,
col.regions = colorRampPalette(c("yellow", "orange","#AED6F1"))(100), # Colores degradados de azul
at = seq(0, 176, 10), # Definir intervalos para las etiquetas de los colores
main = "Similitud de Temperatura con Cali",
xlab = "Longitud",
ylab = "Latitud",
colorkey = list(labels = list(at = seq(0, 176, 20), # Etiquetas de la leyenda
labels = seq(0, 176, 20))),
scales = list(draw = TRUE), # Mostrar escalas de ejes
par.settings = BTCTheme) # Aplicar ajustes de estilo
library(RColorBrewer)
library(rasterVis)
library(lattice)
Simil_comp_temp <- sqrt(sum((temp - as.numeric(Temperatura_palmira))^2))
levelplot(Simil_comp_temp,
col.regions = colorRampPalette(c("yellow", "orange","#AED6F1"))(100), # Colores degradados de azul
at = seq(0, 176, 10), # Definir intervalos para las etiquetas de los colores
main = "Similitud de Temperatura con Cali",
xlab = "Longitud",
ylab = "Latitud",
colorkey = list(labels = list(at = seq(0, 176, 20), # Etiquetas de la leyenda
labels = seq(0, 176, 20))),
scales = list(draw = TRUE), # Mostrar escalas de ejes
par.settings = BTCTheme) # Aplicar ajustes de estilo
Precipitación:
prec_pal=extract(prec,punt_loc)
prec_pal2=extract(prec,locs)
prec_pal2## January February March April May June July August September October
## [1,] 96 101 135 171 151 122 64 76 113 204
## [2,] 143 137 181 222 197 135 79 97 132 264
## November December
## [1,] 178 126
## [2,] 206 186matplot(t(prec_pal2),type="l")
similitud=abs(prec_pal[1,]-prec)
plot(similitud[[1]], col=color_palette_preci)
plot(similitud, col=color_palette_preci)
Grafico de similitud
similar_menosde_2=similitud<2
aptitud=sum(similar_menosde_2)/12*100
plot(aptitud, col=color_palette_preci)
library(RColorBrewer)
library(rasterVis)
library(lattice)
Simil_comp_prec <- sqrt(sum((prec - as.numeric(Precipitacion_Yumbo_))^2))
levelplot(Simil_comp_prec,
col.regions = colorRampPalette(c("blue", "darkblue"))(100), # Colores degradados de azul
at = seq(0, 176, 10), # Definir intervalos para las etiquetas de los colores
main = "Similitud de Precipitación con Cali",
xlab = "Longitud",
ylab = "Latitud",
colorkey = list(labels = list(at = seq(0, 176, 20), # Etiquetas de la leyenda
labels = seq(0, 176, 20))),
scales = list(draw = TRUE), # Mostrar escalas de ejes
par.settings = BTCTheme) # Aplicar ajustes de estilo
library(RColorBrewer)
library(rasterVis)
library(lattice)
levelplot(Simil_comp_prec,
col.regions = colorRampPalette(c("lightblue", "blue"))(100), # Colores degradados de azul
at = seq(0, 176, 10), # Definir intervalos para las etiquetas de los colores
main = "Similitud de Temperatura con Cali",
xlab = "Longitud",
ylab = "Latitud",
colorkey = list(labels = list(at = seq(0, 176, 20), # Etiquetas de la leyenda
labels = seq(0, 176, 20))),
scales = list(draw = TRUE), # Mostrar escalas de ejes
par.settings = BTCTheme) # Aplicar ajustes de estilo
5.- Compare los mapas generados por ambas aproximaciones y concluya.
- La caña de azucar da buen rendimiento en lugares de clima calido y baja precipitación.
- Los paises en america latina ideales para sembrar caña de azucar son Brasil y colombia.
- La relación entre el clima es directamente proporcional con las condiciones y la rentabilidad que puede tener el empresario que quiere expandir su negocio de caña de azucar.
- La relación entre la precipitación es directamente proporcional con las condiciones y la rentabilidad que puede tener el empresario que quiere expandir su negocio de caña de azucar.
- En los continentes de America, Africa y Asia existen paises con excelentes condiciones y muy similares al valle del cauca para sembrar caña de azucar.
- En general el cultivo de caña de azucar puede dar excelentes resultados en todos los paises que se acercan a la línea de Ecuador.