Objetivo

Este análisis busca identificar zonas del mundo con condiciones climáticas óptimas para el cultivo de caña de azúcar, considerando los siguientes rangos ideales:

  • Temperatura media mensual: entre 22.5 °C y 28 °C
  • Precipitación mensual: entre 125 mm y 290 mm (equivalente a 1500–3500 mm anuales)

Además, se analizan dos puntos específicos del Valle del Cauca, Colombia —uno en una zona urbana de Cali y otro en una zona rural cercana a los Farallones— con el fin de comparar sus condiciones climáticas frente a otras regiones del mundo. Este ejercicio integra la descarga y análisis de datos climáticos globales, modelado de condiciones ideales, evaluación de similitud mediante distancia euclidiana y visualización espacial.

1. Carga de librerías y descarga de datos climáticos

Descarga y preparación de datos climáticos globales

Aquí se obtiene la información climática mensual para todo el mundo a partir de la librería sugerida en el material que servirá como insumo principal para identificar las zonas con condiciones aptas para el cultivo.

# Temperatura y precipitación mensual a resolución 10 minutos
temp_all <- worldclim_global(var = "tavg", res = 10, path = tempdir())
prec_all <- worldclim_global(var = "prec", res = 10, path = tempdir())

# Asignamos nombres a las capas mensuales
names(temp_all) <- month.name
names(prec_all) <- month.name

Carga de límites de países

Se carga un shapefile global de países, útil para superponer límites geográficos sobre los mapas.

# Mapa base de países
paises <- geodata::world

2. Mapas de aptitud climática global

El agricultor sugiere que el rango ideal para el cultivo de caña de azúcar está entre 22.5°C–28°C (temperatura) y 125–290 mm/mes (precipitación). Con base en ello, genero indicadores mensuales y un promedio anual.

Se modela la aptitud climática para el cultivo de caña de azúcar. Se calcula, para cada celda del raster, qué porcentaje de los 12 meses del año cumple con los rangos óptimos de temperatura y precipitación. Luego se combinan ambos indicadores para obtener una medida de aptitud general.

# Temperatura óptima: 225 a 280 décimas de °C (22.5°C a 28°C en décimas)
temp_cumple <- (temp_all >= 22.5) & (temp_all <= 28)
indicador_temp <- app(temp_cumple, fun = sum)
indicador_temp_pct <- indicador_temp / 12 * 100

# Precipitación óptima: 125 mm a 290 mm
prec_cumple <- (prec_all >= 125) & (prec_all <= 290)
indicador_prec <- app(prec_cumple, fun = sum)
indicador_prec_pct <- indicador_prec / 12 * 100

# Conversión de valores lógicos a numéricos (1 = cumple, NA = no cumple)
temp_cumple_num <- temp_cumple
temp_cumple_num[] <- ifelse(temp_cumple[], 1, NA)

prec_cumple_num <- prec_cumple
prec_cumple_num[] <- ifelse(prec_cumple[], 1, NA)

Mapas de cumplimiento mensual global

Los mapas que expongo a continuación, muestran el porcentaje de meses en los que cada celda del mundo cumple con las condiciones óptimas de temperatura y precipitación, respectivamente. Esta visualización permite observar la distribución geográfica del cumplimiento climático y justificar el uso del umbral del 75% como referencia para zonas óptimas.

paleta <- colorRampPalette(c("white", "darkgreen"))
# Temperatura: mapa mensual
levelplot(temp_cumple_num, layout = c(4, 3),
          col.regions = paleta(100),
          main = "Cumplimiento mensual - Temperatura óptima",
          names.attr = month.name)

# Mapa de cumplimiento por temperatura
plot(indicador_temp_pct,
     main = "Cumplimiento mensual de temperatura óptima (%)",
     col = rev(terrain.colors(20)),
     legend = TRUE)

paleta <- colorRampPalette(c("white", "darkblue"))

# Precipitación: mapa mensual
levelplot(prec_cumple_num, layout = c(4, 3),
          col.regions = paleta(100),
          main = "Cumplimiento mensual - Precipitación óptima",
          names.attr = month.name)

# Mapa de cumplimiento por precipitación
plot(indicador_prec_pct,
     main = "Cumplimiento mensual de precipitación óptima (%)",
     col = rev(terrain.colors(20)),
     legend = TRUE)

Filtro de zonas no óptimas

para este caso, decidí que se conservaran las zonas donde al menos el 75% de los meses cumplen con las condiciones ideales, para focalizar la atención en áreas consistentemente aptas.

# Se conservan celdas con ≥75% de meses óptimos
indicador_temp_pct[indicador_temp_pct < 75] <- NA
indicador_prec_pct[indicador_prec_pct < 75] <- NA

Mapa de aptitud climática promedio

Se promedia el cumplimiento de ambas variables para generar un mapa de zonas potenciales para el cultivo.

# Indicador combinado
lugares_optimos <- (indicador_temp_pct + indicador_prec_pct) / 2

# Muestro el mapa si hay datos
plot(lugares_optimos, main = "Zonas óptimas para cultivo de caña de azúcar", col = terrain.colors(20))

3. Extracción de clima en el Valle del Cauca

Se define la ubicación geográfica de dos puntos geográficos de Cali (Valle del Cauca). Estos puntos representan diferentes contextos geográficos (urbano y rural). A partir de ello, se extraen las series climáticas mensuales que se utilizarán para el análisis de similitud.

# Coordenadas de los puntos
# Punto 1: Zona urbana de Cali, cerca del barrio Cristóbal Colón (nororiente de la ciudad)
punto1 <- data.frame(x = -76.523255, y = 3.429866)

# Punto 2: Zona rural al oeste de la ciudad, cerca de Los Andes (faldas de los Farallones de Cali)
punto2 <- data.frame(x = -76.608018, y = 3.429466)

Series climáticas mensuales

Se construyen las series de temperatura y precipitación para cada punto, facilitando su análisis como series temporales y su comparación con otras regiones.

# Extracción de series temporales de los puntos (solo columnas de datos)
temp_p1 <- as.numeric(extract(temp_all, punto1)[1, -1])
prec_p1 <- as.numeric(extract(prec_all, punto1)[1, -1])
temp_p2 <- as.numeric(extract(temp_all, punto2)[1, -1])
prec_p2 <- as.numeric(extract(prec_all, punto2)[1, -1])

# Objetos de series temporales (frecuencia mensual)
ts_temp_p1 <- ts(temp_p1, start = c(1), frequency = 12)
ts_prec_p1 <- ts(prec_p1, start = c(1), frequency = 12)
ts_temp_p2 <- ts(temp_p2, start = c(1), frequency = 12)
ts_prec_p2 <- ts(prec_p2, start = c(1), frequency = 12)

4. Mapas de similaridad global

Como se pretende encontrar regiones del mundo con condiciones similares a las del Valle del Cauca, calculo la distancia euclidiana entre cada celda del raster mundial y la serie climática del punto de referencia (punto 1). Esto permite detectar zonas con perfiles mensuales comparables.

# Distancia euclidiana (temperatura y precipitación) al punto 1
dist_temp_p1 <- sqrt(app((temp_all - temp_p1)^2, sum))
dist_prec_p1 <- sqrt(app((prec_all - prec_p1)^2, sum))

Visualización de la similitud

Los mapas muestran qué tan similares son las regiones del mundo, en términos climáticos, a las condiciones observadas en el Valle del Cauca. Se presentan por separado para temperatura y precipitación.

plot(dist_temp_p1, main = "Similitud climática - Temperatura", col = rev(heat.colors(100)))

plot(dist_prec_p1, main = "Similitud climática - Precipitación", col = rev(terrain.colors(100)))

Identificación de zonas intersección

Se seleccionan las celdas con baja distancia climática tanto en temperatura como en precipitación, para obtener un mapa combinado de similitud climática global con respecto al punto de referencia.

# Umbrales de similitud
filtro_temp <- dist_temp_p1
filtro_temp[filtro_temp > 28] <- NA

filtro_prec <- dist_prec_p1
filtro_prec[filtro_prec > 290] <- NA

# Intersección (zonas climáticamente similares)
zonas_similares <- mask(filtro_temp, filtro_prec)

# Mapa final
plot(zonas_similares, main = "Zonas similares a condiciones del Valle del Cauca", col = "orange", legend = FALSE)

Conclusiones

El análisis ha permitido identificar de manera sistemática aquellas regiones del planeta que presentan condiciones climáticas propicias para el cultivo de caña de azúcar. Estas zonas se concentran principalmente en regiones tropicales de Sudamérica (como Brasil), el centro de África (como Nigeria), el sudeste asiático (como Indonesia y Tailandia) y algunas islas del Pacífico. Las condiciones se definieron en términos de temperatura y precipitación mensual óptimas, simulando un entorno ideal para maximizar los rendimientos.

Además, al comparar las condiciones específicas de dos puntos ubicados en el Valle del Cauca —uno en una zona urbana de Cali y otro en una zona rural cercana a los Farallones— se logró identificar regiones del mundo con patrones climáticos similares. Esto valida el potencial agrícola del Valle del Cauca y permite explorar posibilidades de transferencia tecnológica, adaptación de prácticas agrícolas e incluso estrategias de comercialización global basadas en afinidad climática.

En cuanto a las dos aproximaciones implementadas —una basada en rangos climáticos óptimos y otra en similaridad con condiciones reales del Valle del Cauca— ambas arrojaron resultados consistentes, reforzando la robustez del análisis. La combinación de estas perspectivas permite identificar tanto zonas ideales como zonas comparables desde el punto de vista práctico.

Para el agricultor, este estudio sugiere que las condiciones climáticas de su región son comparables a las de otras zonas altamente productivas a nivel mundial. Esto significa que, con un manejo adecuado de los recursos y el entorno, el Valle del Cauca tiene un potencial real para maximizar la producción de caña de azúcar. Además, el conocimiento de otras regiones climáticamente similares podría facilitar alianzas técnicas, mejoras en variedades adaptadas y mejores decisiones en la planificación agrícola a mediano y largo plazo.