Introducción

En este informe se presenta una exploración de datos de precipitación de lluvia y temperatura mundial, dicho ejercicio tiene el objetivo de identificar las áreas a nivel mundial con mayor aptitud para el cultivo de la caña de azúcar. Para esto, se utilizaron los datos de temperatura y precipitaciones de WorldClim que recoge información desde 1970 hasta el 2000.

El informe está estructurado en cuatro partes. Primero, se presenta la información correspondiente a la precipitación y temperatura, identificando de manera independiente las zonas aptas para el cultivo de caña, en segundo lugar, se combina la información de ambos mapas para identificar qué lugares del mundo cumplen con las exigencias de temperatura y lluvia para esta actividad agrícola. En la tercera parte, se identifican tres países en tres continentes diferentes con las condiciones optimas para el cultivo de caña. Para la cuarta parte, se calculan las series de tiempo en cuanto a temperatura y precipitación de tres puntos del Valle del Cauca. Para terminar, se calculan condiciones similares a los tres puntos identificados en el Valle del Cauca para el resto del mundo y se compara el mapa de los tres países con el de las condiciones similares.

Cargar la información

Primero se carga la información en formato raster para la precipitación y temperatura a nivel mundial.

Precipitación

ruta=list.files("precipitacion",full.names = TRUE, pattern = ".tif")

prec_year = stack(ruta)
names(prec_year) = month.name


loc0=cbind(-76.5,3.5)
prec_loc0 = extract(prec_year, loc0)
plot(prec_year)

Temperatura

#Cargas mapas de temperatura

ruta_2=list.files("temperatura",full.names = TRUE, pattern = ".tif")

temp_year = stack(ruta_2)
names(temp_year) = month.name
plot(temp_year)

Con la información disponible se calculan los sectores óptimos para el cultivo de Caña a nivel mundial.

Definición de parámetros para cultivo de Caña

La Caña de Azucar se puede cultivar en territorios con una precipitación mensual entre los 125 y 290 milímetros y una temperatura promedio entre 22.5 y 28 grádos centígrados. Partiendo de estos limitantes se realizan los cortes en los mapas disponibles.

Precipitación

prec_year_bin = prec_year >= 125 & prec_year <= 290

plot(prec_year_bin)

##Agregar las imagenes
as.numeric(extract(prec_year_bin,loc0))
##  [1] 0 0 1 1 1 0 0 0 0 1 1 1
aptitud_prec_caña = sum (prec_year_bin)
plot(aptitud_prec_caña)

Para la precipitación encontramos que los sectores con mejores condiciones durante más meses del año están en la línea ecuatorial del planeta, destacandose el sur de sur América, el centro de África y algunas islas de Asia.

Temperatura

#seleccionar los meses aptos para cultivo de arroz
temp_year_bin = temp_year >= 22.5 & temp_year <= 28

plot(temp_year_bin)

#Mapa de meses aptos según la temperatura
as.numeric(extract(temp_year_bin, loc0))
##  [1] 1 1 1 1 1 1 1 1 1 1 1 1
aptitud_temp_caña = sum (temp_year_bin)
plot(aptitud_temp_caña)

En cuanto a la temperatura, tenemos un resultado que también enfatiza las mismas zonas amplias y excluye totalmente los extremos norte y sur del planeta.

Definición de zonas aptas para el cultivo de caña según precipitación y temperatura

Ahora bien, debemos cruzar ambas condiciones para definir los sectores donde se cumplen las condiciones de temperatura y lluvia.

#combinar ambos mapas
aptitud_caña <- aptitud_temp_caña & aptitud_prec_caña

plot(aptitud_caña, main = "Áreas aptas para el cultivo de caña")

Como se aprecia en el mapa la zona más cercana al ecuador suelen ser más óptimas para el cultivo de caña de azucar, excluyendo el sur de África que es más desértico.

Selección de tres países con condiciones aptas

Partiendo de lo presentado en el mapa anterior, se seleccionan tres países en tres continentes diferentes, que están dentro de los parámetros para el cultivo de caña: Colombia, Nigeria y la India.

##Importar shape del mundo
shape_mundial = st_read("Shapeglobal/country_shapes.shp")
## Reading layer `country_shapes' from data source 
##   `C:\Users\juanc\OneDrive\Documentos\Maestría Ciencia de datos\Semestre 2\Información Geográfica\Unidad 2\Actividad temp\Shapeglobal\country_shapes.shp' 
##   using driver `ESRI Shapefile'
## Simple feature collection with 252 features and 7 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: -180 ymin: -90 xmax: 180 ymax: 83.6236
## Geodetic CRS:  WGS 84
seleccion_paises <- shape_mundial[shape_mundial$cntry_name %in% 
                                    c("Colombia", "Nigeria", "India"), ]

mapa_paises_caña <- raster::mask(aptitud_caña, seleccion_paises)


aptitud_caña_corte <- crop(aptitud_caña, extent(seleccion_paises))
aptitud_caña_corte <- mask(aptitud_caña_corte, seleccion_paises)

# Crear el mapa de fondo con todos los países
plot(st_geometry(shape_mundial), main = "Áreas aptas para el cultivo de caña en Colombia, Cuba e India", col = "lightgrey")

# Superponer las áreas aptas dentro de los tres países seleccionados
plot(aptitud_caña_corte, add = TRUE, legend = FALSE)

# Resaltar los contornos de los tres países seleccionados para enmarcarlos
plot(st_geometry(seleccion_paises), add = TRUE, border = "black", lwd = 1.5)

En el mapa puede apreciarse que en gran parte del territorio de los países seleccionados se cumplen las condiciones mínimas de precipitación y temperatura para el cultivo de caña. Ahora bien, si se observa con detalle cada mapa, es claro que las zonas montañosas de estos países no cumplen con las condiciones planteadas. Este, por ejemplo, es el caso de las cordilleras en Colombia y los himalayas en la India.

Cálculo series de tiempo en 3 Puntos del Valle del Cauca

A continuación, se presentan los valores promedio en precipitación y temperatura para todo el año en tres puntos al azar dentro del departamento del Valle del Cauca.

coords <- data.frame(
  Longitude = c(-76.393, -76.256, -76.236),
  Latitude = c(3.689, 3.710, 3.470),
  Point = c("Point 1", "Point 2", "Point 3")
)

# Convertir a un objeto SpatialPoints para extraer datos del raster
coordinates(coords) <- ~ Longitude + Latitude
proj4string(coords) <- crs(temp_year) # Asegurar que las coordenadas estén en el mismo CRS que el raster
# Extraer series de tiempo de temperatura y precipitación
temp_series <- extract(temp_year, coords) 
prec_series <- extract(prec_year, coords) 

# Crear data frames para las series de tiempo
temp_df <- as.data.frame(temp_series)
colnames(temp_df) <- month.name
temp_df$Point <- coords$Point

prec_df <- as.data.frame(prec_series)
colnames(prec_df) <- month.name
prec_df$Point <- coords$Point


# Convertir a formato largo para graficar con ggplot2
require(reshape2)
## Loading required package: reshape2
temp_long <- melt(temp_df, id.vars = "Point", variable.name = "Month", value.name = "Temperature")
prec_long <- melt(prec_df, id.vars = "Point", variable.name = "Month", value.name = "Precipitation")

# Serie de temperatura
serie_temp <- ggplot(temp_long, aes(x = Month, y = Temperature, color = Point, group = Point)) +
  geom_line() +
  theme_minimal() +
  labs(title = "Series de Tiempo de Temperatura", x = "Mes", y = "Temperatura (°C)") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

serie_temp

# Serie de precipitación
serie_pec <- ggplot(prec_long, aes(x = Month, y = Precipitation, color = Point, group = Point)) +
  geom_line() +
  theme_minimal() +
  labs(title = "Series de Tiempo de Precipitación", x = "Mes", y = "Precipitación (mm)") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))
serie_pec

Para el Valle del Cauca encontramos que los meses con las condiciones menos ideales para la producción de caña son Julio y Agosto, debido a los valores reducidos de precipitación. Sin embargo, la temperatura parece ser ideal durante todo el año.