Introduccion

El maíz (Zea mays L.) es uno de los cultivos más importantes a nivel mundial, base de la alimentación humana y animal. Su productividad depende fuertemente de las condiciones climáticas, especialmente la temperatura y la precipitación.

Diversos estudios agroclimáticos han identificado que el rango óptimo de temperatura media para el maíz se encuentra entre 18 °C y 27 °C, mientras que los requerimientos de precipitación anual varían entre 500 y 800 mm (equivalente a aproximadamente 40–70 mm mensuales).

En este análisis, se busca identificar las zonas del mundo con condiciones climáticas potencialmente aptas para el cultivo de maíz, utilizando información climática promedio de la base de datos WorldClim (versión 2.1) y herramientas de análisis espacial en R.

1. Configuración del entorno y carga de datos

En esta sección se preparan las librerías necesarias y se descargan los datos de temperatura y precipitación media mensual a nivel global. Los datos provienen de WorldClim, una base global de variables climáticas interpoladas a partir de observaciones de estaciones meteorológicas y modelos satelitales.

# Cargar librerías necesarias
library(terra)
library(geodata)
library(rnaturalearth)
library(sf)
library(mapview)
library(tmaptools)
library(dplyr)
library(ggplot2)
# guardar los datos
#dir.create("data", showWarnings = FALSE)

2. Carga de capas climáticas globales

En esta sección se cargan las capas mensuales de temperatura promedio y precipitación descargadas manualmente desde WorldClim versión 2.1 (1970–2000).
Estas capas tienen una resolución espacial de 10 minutos (~18 km) y están expresadas en grados Celsius y milímetros respectivamente.

library(terra)

# ruta
data_path <- "C:/Users/angie/OneDrive/ANGIE COLLAZOS/MSESTRIA CIENCIA DE DATOS/SIG/SIG/datos/"

# archivos
tavg_files <- list.files(data_path, pattern = "tavg.*tif$", full.names = TRUE)
prec_files <- list.files(data_path, pattern = "prec.*tif$", full.names = TRUE)

# carga tipo raster
tavg <- rast(tavg_files)
prec <- rast(prec_files)

# Asignar nombres a las 12 capas mensuales
names(tavg) <- month.name
names(prec) <- month.name

tavg
## class       : SpatRaster 
## size        : 1080, 2160, 12  (nrow, ncol, nlyr)
## resolution  : 0.1666667, 0.1666667  (x, y)
## extent      : -180, 180, -90, 90  (xmin, xmax, ymin, ymax)
## coord. ref. : lon/lat WGS 84 (EPSG:4326) 
## sources     : wc2.1_10m_tavg_01.tif  
##               wc2.1_10m_tavg_02.tif  
##               wc2.1_10m_tavg_03.tif  
##               ... and 9 more sources
## names       :  January,  February,     March,     April,       May,      June, ... 
## min values  : -45.8840, -44.80000, -57.92575, -64.19250, -64.81150, -64.35825, ... 
## max values  :  34.0095,  32.82425,  32.90950,  34.19375,  36.25325,  38.35550, ...
prec
## class       : SpatRaster 
## size        : 1080, 2160, 12  (nrow, ncol, nlyr)
## resolution  : 0.1666667, 0.1666667  (x, y)
## extent      : -180, 180, -90, 90  (xmin, xmax, ymin, ymax)
## coord. ref. : lon/lat WGS 84 (EPSG:4326) 
## sources     : wc2.1_10m_prec_01.tif  
##               wc2.1_10m_prec_02.tif  
##               wc2.1_10m_prec_03.tif  
##               ... and 9 more sources
## names       : January, February, March, April,  May, June, ... 
## min values  :       0,        0,     0,     0,    0,    0, ... 
## max values  :     908,      793,   720,  1004, 2068, 2210, ...

Las capas climáticas de temperatura promedio y precipitación mensual fueron cargadas correctamente desde la base WorldClim (versión 2.1). Cada conjunto contiene 12 capas correspondientes a los meses del año, lo cual permite estimar variables anuales agregadas como la temperatura media anual y la precipitación total, necesarias para evaluar la aptitud del cultivo de maíz a escala global.

3. Cálculo de promedios anuales

Con las capas mensuales cargadas, se calculan los promedios anuales de temperatura y la precipitación total anual, que son variables clave para definir la aptitud climática del maíz.

# temperatura media anual (°C)
temp_mean <- app(tavg, fun = mean, na.rm = TRUE)
names(temp_mean) <- "Temperatura media anual (°C)"

#precipitación anual (mm)
prec_sum <- app(prec, fun = sum, na.rm = TRUE)
names(prec_sum) <- "Precipitación anual (mm)"

# Resumen
summary(temp_mean)
##  Temperatura.media.anual...C.
##  Min.   :-54.72              
##  1st Qu.:-22.81              
##  Median : -0.53              
##  Mean   : -4.05              
##  3rd Qu.: 19.02              
##  Max.   : 30.71              
##  NA's   :65591
summary(prec_sum)
##  Precipitación.anual..mm.
##  Min.   :   0.0          
##  1st Qu.: 110.0          
##  Median : 337.0          
##  Mean   : 550.3          
##  3rd Qu.: 690.0          
##  Max.   :7011.0          
##  NA's   :65591
# Visualizacion
plot(temp_mean, main = "Temperatura media anual (°C)")

plot(prec_sum, main = "Precipitación anual (mm)")

Se calcularon los valores anuales promedio de temperatura y precipitación a partir de las 12 capas mensuales. Los resultados globales muestran una amplia variabilidad climática. La temperatura media anual varía entre –54.7 °C y 30.7 °C, con valores óptimos para el cultivo del maíz (18–27 °C) concentrados principalmente en las regiones tropicales y subtropicales. La precipitación anual oscila entre 0 y 7011 mm, con zonas de mayor disponibilidad hídrica en América Latina, África Central y el Sudeste Asiático. Estos patrones confirman la diversidad climática global y proporcionan una base sólida para construir un mapa de aptitud climática para el cultivo de maíz.

4. Mapa global de aptitud climática para el cultivo de maíz

En esta etapa se construye un índice de aptitud climática global para el cultivo de maíz utilizando los valores promedio anuales de temperatura y precipitación obtenidos de la base de datos WorldClim v2.1 (1970–2000).

El análisis considera los rangos óptimos de desarrollo del maíz reportados en la literatura: - Temperatura media anual: 18–27 °C - Precipitación anual: 500–800 mm

A partir de estos criterios se generan: 1. Una capa binaria de aptitud por temperatura. 2. Una capa binaria de aptitud por precipitación. 3. Un índice combinado (0–1) que integra ambas condiciones para identificar zonas climáticamente aptas para el cultivo.

## Resumen temperatura media anual (°C):
##                                    min      mean     max
## Temperatura media anual (°C) -54.72567 -4.037829 30.9879
## 
## Resumen precipitación anual (mm):
##                          min     mean   max
## Precipitación anual (mm)   0 550.0569 11191

El primer mapa muestra claramente franjas tropicales con valores intermedios y altos de aptitud. El segundo mapa (binario) delimita las áreas donde ambos factores coinciden dentro del rango ideal:

-América del Sur: Brasil, Paraguay, norte de Argentina, Colombia, Ecuador. -África: zona ecuatorial y oriental (Etiopía, Uganda, Kenia). -Asia: India, sudeste asiático, sur de China. -Oceanía: zonas del noreste de Australia.

5. Identificación de países con mayor potencial climático para el cultivo de maíz

Se identifican los países con mayor superficie climáticamente apta para el cultivo de maíz, tomando como referencia el mapa binario de aptitud obtenido en el punto anterior.

El análisis consiste en superponer la capa de aptitud binaria (suit_both) con el límite político global de países (fuente: Natural Earth).
Luego se calcula la cantidad de píxeles clasificados como aptos dentro de cada país, lo que permite estimar la superficie total favorable (en km²).

Finalmente, se seleccionan los cinco países con mayor superficie apta para representar sus polígonos en un mapa global.

options(repos = c(CRAN = "https://cloud.r-project.org"))
install.packages(c("rnaturalearth", "rnaturalearthdata", "sf", "terra", "dplyr"))
## package 'rnaturalearthdata' successfully unpacked and MD5 sums checked
## 
## The downloaded binary packages are in
##  C:\Users\angie\AppData\Local\Temp\Rtmp2jGf13\downloaded_packages
# Librerías necesarias
library(rnaturalearth)
library(sf)
library(dplyr)
library(terra)

# Cargar shapefile global de países (fuente: Natural Earth)
world <- ne_countries(scale = "medium", returnclass = "sf")

# Convertir el raster binario a valores 0/1 
suit_num <- classify(suit_both, matrix(c(0,0,0, 1,1,1), ncol=3, byrow=TRUE))

# Convertir el shapefile a formato SpatVector (terra)
world_vect <- vect(world)

# Extraer la suma de píxeles aptos por país
ext_sum <- terra::extract(suit_num, world_vect, fun = sum, na.rm = TRUE)
world$apt_pixels <- ext_sum[,2]

# Calcular área aproximada
cell_area_km2 <- prod(res(suit_num)) * (111.32^2)  
world$apt_area_km2 <- (world$apt_pixels * cell_area_km2)

# seleccion de paises
top_countries <- world %>%
  arrange(desc(apt_area_km2)) %>%
  slice(1:5) %>%
  st_as_sf()

# Nombres y áreas estimadas
top_countries[, c("admin", "apt_area_km2")]
## Simple feature collection with 5 features and 2 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: -74.00205 ymin: -55.03213 xmax: 158.9589 ymax: 35.4959
## Geodetic CRS:  WGS 84
##       admin apt_area_km2                       geometry
## 1 Australia    1051266.7 MULTIPOLYGON (((143.1789 -1...
## 2    Brazil     490866.5 MULTIPOLYGON (((-66.87603 1...
## 3     India     484670.5 MULTIPOLYGON (((68.16504 23...
## 4  Zimbabwe     300853.7 MULTIPOLYGON (((31.28789 -2...
## 5 Argentina     297411.4 MULTIPOLYGON (((-57.60889 -...
# Grafico de los países con mayor aptitud
plot(st_geometry(world), col = "grey80", border = NA, 
     main = "Países con mayor superficie climáticamente apta para Maíz")
plot(st_geometry(top_countries), col = "darkgreen", add = TRUE)
text(st_coordinates(st_centroid(top_countries)), 
     labels = top_countries$admin, cex = 0.8, pos = 3)

El mapa anterior muestra los cinco países con mayor superficie climáticamente apta para el cultivo de maíz, considerando únicamente los factores de temperatura media anual (18–27 °C) y precipitación anual (500–800 mm).

Las regiones resaltadas en verde oscuro representan las áreas donde ambas condiciones climáticas se cumplen simultáneamente, lo que indica un alto potencial para el establecimiento y desarrollo del cultivo.

En este caso, los países que concentran las mayores superficies aptas son: - Australia, con extensas zonas subtropicales y templadas que presentan condiciones favorables de temperatura y lluvias moderadas.
- Brasil, que posee amplias áreas tropicales con buena disponibilidad hídrica y temperaturas dentro del rango óptimo.
- India, caracterizada por su clima monzónico, con temporadas de lluvia bien definidas que benefician el cultivo.
- Zimbabue, donde el clima tropical húmedo con estación seca corta favorece la producción de maíz de secano.
- Argentina, con climas templados húmedos y suelos fértiles, especialmente en la región pampeana.

El mapa permite visualizar una clara tendencia: las zonas tropicales y subtropicales del hemisferio sur presentan las condiciones más adecuadas para el maíz, reflejando la importancia de estos países como productores globales del grano.
Este resultado coincide con la distribución actual de las principales regiones maiceras del mundo ( Lista donde se encuentran Brasil y Argentina ) y confirma la validez del análisis climático realizado.

6. Extracción de información climática en puntos del Valle del Cauca (Colombia)

El objetivo de este apartado es analizar el comportamiento climático local en el departamento del Valle del Cauca (Colombia). Se seleccionan tres puntos geográficos dentro del departamento (ubicados aleatoriamente o de acuerdo con coordenadas de referencia en Google Maps).
Para cada punto se extraen las series mensuales de temperatura media y precipitación a partir de las capas globales de WorldClim, generando así gráficos de variación mensual que permiten comparar las condiciones locales con los rangos óptimos del cultivo.

library(geodata)
library(sf)
library(terra)
library(dplyr)
library(ggplot2)
library(tidyr)

# Descargar límites administrativos de Colombia (nivel 1 = departamentos)
gadm_col <- geodata::gadm(country = "COL", level = 1, path = "data", version = "4.1")

# Convertir a formato sf
gadm_col_sf <- sf::st_as_sf(gadm_col)

# Verificar los nombres de los departamentos disponibles
unique(gadm_col_sf$NAME_1)
##  [1] "Amazonas"                 "Antioquia"               
##  [3] "Arauca"                   "Atlántico"               
##  [5] "Bogotá D.C."              "Bolívar"                 
##  [7] "Boyacá"                   "Caldas"                  
##  [9] "Caquetá"                  "Casanare"                
## [11] "Cauca"                    "Cesar"                   
## [13] "Chocó"                    "Córdoba"                 
## [15] "Cundinamarca"             "Guainía"                 
## [17] "Guaviare"                 "Huila"                   
## [19] "La Guajira"               "Magdalena"               
## [21] "Meta"                     "Nariño"                  
## [23] "Norte de Santander"       "Putumayo"                
## [25] "Quindío"                  "Risaralda"               
## [27] "San Andrés y Providencia" "Santander"               
## [29] "Sucre"                    "Tolima"                  
## [31] "Valle del Cauca"          "Vaupés"                  
## [33] "Vichada"
# Filtrar el polígono del Valle del Cauca 
valle <- gadm_col_sf %>%
  filter(NAME_1 %in% c("Valle del Cauca", "Valle Del Cauca", "Valle del Cauca Department", "Valle del Cauca Dept"))

# Verificar si encontró el polígono
if (nrow(valle) == 0) {
  stop("⚠️ No se encontró el polígono del Valle del Cauca. Revisa los nombres en unique(gadm_col_sf$NAME_1).")
}

# Graficar el departamento
plot(st_geometry(valle), main = "Departamento del Valle del Cauca (Colombia)")

# Generar 3 puntos aleatorios dentro del polígono
set.seed(42)
puntos_valle <- st_sample(valle, size = 3)
puntos_valle <- st_as_sf(puntos_valle)
puntos_valle$ID <- paste0("P", 1:nrow(puntos_valle))

# Mostrar puntos en el mapa
plot(st_geometry(valle), main = "Puntos seleccionados en el Valle del Cauca")
plot(st_geometry(puntos_valle), add = TRUE, col = "red", pch = 19)
text(st_coordinates(puntos_valle), labels = puntos_valle$ID, pos = 3, cex = 0.9, col = "black")

En las figuras anteriores se muestra la delimitación geográfica del departamento del Valle del Cauca (Colombia) y la localización de tres puntos seleccionados aleatoriamente** dentro de su territorio, denominados P1, P2 y P3.

El primer mapa permite identificar la forma y extensión del departamento, el segundo mapa ilustra la ubicación de los tres puntos de muestreo, distribuidos de manera representativa en diferentes zonas del territorio. Esta selección espacial busca capturar la variabilidad climática interna del departamento, donde se presentan contrastes marcados entre las zonas bajas cálidas y las zonas montañosas más templadas.

Estos puntos servirán como referencia para extraer y analizar las series climáticas mensuales de temperatura y precipitación, con el propósito de comparar las condiciones locales frente a los requerimientos óptimos del cultivo de maíz.

De esta manera, se establece una base sólida para evaluar la aptitud agroclimática del Valle del Cauca, uno de los principales departamentos agrícolas de Colombia.

# Convertir puntos a SpatVector 
puntos_vect <- vect(puntos_valle)

# Extraer valores mensuales de temperatura y precipitación
tavg_vals <- terra::extract(tavg, puntos_vect)
prec_vals <- terra::extract(prec, puntos_vect)

# Convertir a data.frame
tavg_df <- as.data.frame(tavg_vals)
prec_df <- as.data.frame(prec_vals)
tavg_df$Punto <- puntos_valle$ID
prec_df$Punto <- puntos_valle$ID

# Reorganizar datos (de ancho a largo)
library(tidyr)
tavg_long <- pivot_longer(tavg_df, cols = starts_with(month.name),
                         names_to = "Mes", values_to = "Temperatura")
prec_long <- pivot_longer(prec_df, cols = starts_with(month.name),
                         names_to = "Mes", values_to = "Precipitación")

# Ordenar meses cronológicamente
tavg_long$Mes <- factor(tavg_long$Mes, levels = month.name)
prec_long$Mes <- factor(prec_long$Mes, levels = month.name)

# Serie de temperatura 
ggplot(tavg_long, aes(x = Mes, y = Temperatura, group = Punto, color = Punto)) +
  geom_line(size = 1) + geom_point() +
  theme_minimal() +
  labs(title = "Serie mensual de temperatura media (°C) - Puntos en Valle del Cauca",
       x = "Mes", y = "Temperatura (°C)") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

# Serie de precipitación 
ggplot(prec_long, aes(x = Mes, y = Precipitación, group = Punto, color = Punto)) +
  geom_line(size = 1) + geom_point() +
  theme_minimal() +
  labs(title = "Serie mensual de precipitación (mm) - Puntos en Valle del Cauca",
       x = "Mes", y = "Precipitación (mm)") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

En los gráficos anteriores se observa el comportamiento promedio mensual de la temperatura media y la precipitación en los tres puntos seleccionados dentro del departamento del Valle del Cauca (P1, P2 y P3).

La temperatura media muestra una notable estabilidad a lo largo del año, con variaciones suaves entre los diferentes puntos.
El punto P1, ubicado probablemente en una zona baja o de planicie, presenta valores cercanos a 26–27 °C, mientras que P2 mantiene temperaturas intermedias alrededor de 21 °C y P3, situado posiblemente en un sector más elevado, registra temperaturas medias de 10–12 °C.
Estas diferencias reflejan la influencia altitudinal sobre el régimen térmico del departamento.
En general, los valores de P1 y P2 se encuentran dentro del rango óptimo de 18–27 °C para el cultivo de maíz, lo cual evidencia condiciones favorables para su desarrollo fisiológico.

Por su parte, la precipitación mensual presenta un patrón bimodal típico del clima del suroccidente colombiano, con dos estaciones lluviosas bien definidas: la primera entre marzo y mayo, y la segunda entre octubre y noviembre.
Los totales mensuales varían entre 80 y 200 mm, lo que equivale a una precipitación anual acumulada cercana a 1 500–2 000 mm, dentro del rango adecuado para el cultivo bajo condiciones de secano.

En conjunto, estos resultados confirman que el Valle del Cauca presenta un clima cálido húmedo y estable, con una marcada estacionalidad de lluvias.
Ello explica la alta productividad agrícola de la región y su idoneidad para el cultivo de maíz (Zea mays L.), así como para otros cultivos tropicales que demandan temperaturas cálidas y buena disponibilidad hídrica.

7. Mapas de similaridad climática global para el Valle del Cauca

En esta sección se busca identificar las regiones del mundo con condiciones climáticas similares a las del departamento del Valle del Cauca, tomando como referencia los tres puntos (P1, P2 y P3) seleccionados previamente.

Para ello se emplea una métrica de distancia euclidiana multivariante, que compara los valores mensuales de temperatura promedio y precipitación de cada celda del planeta con los valores de los puntos de referencia.

De esta forma, las regiones con distancias pequeñas representan zonas con climas parecidos (alta similaridad), mientras que las áreas con distancias grandes muestran condiciones distintas.

library(terra)
library(viridisLite)

# Stack climático global 
clim_stack <- c(tavg, prec)
names(clim_stack) <- c(paste0("tavg_", month.name), paste0("prec_", month.name))

clim_stack_agg <- aggregate(clim_stack, fact = 3, fun = mean)

# Normalizar las capas (z-score)
means <- global(clim_stack_agg, fun = "mean", na.rm = TRUE)
sds   <- global(clim_stack_agg, fun = "sd", na.rm = TRUE)
norm_stack <- (clim_stack_agg - means[1,]) / sds[1,]

# Iterar sobre los tres puntos del Valle del Cauca
for (i in 1:nrow(puntos_valle)) {
  
  # Extraer valores de clima del punto (24 variables)
  val_temp <- terra::extract(aggregate(tavg, fact = 3, fun = mean), vect(puntos_valle[i,]))[1, -1]
  val_prec <- terra::extract(aggregate(prec, fact = 3, fun = mean), vect(puntos_valle[i,]))[1, -1]
  ref_vec  <- c(as.numeric(val_temp), as.numeric(val_prec))
  
  # Normalizar el vector de referencia
  ref_vec_norm <- (ref_vec - means[1,]) / sds[1,]
  
  # Distancia euclidiana 
  dist_fun <- function(x) {
    if (any(is.na(x))) return(NA)
    sqrt(sum((x - ref_vec_norm)^2))
  }
  
  # Aplicar
  dist_rast <- app(norm_stack, fun = dist_fun)
  names(dist_rast) <- paste0("dist_P", i)
  
  # Normalizar la distancia a una escala 0–1 e invertirla (1 = alta similaridad)
  dmin <- global(dist_rast, "min", na.rm = TRUE)[1, 1]
  dmax <- global(dist_rast, "max", na.rm = TRUE)[1, 1]
  sim_rast <- 1 - ((dist_rast - dmin) / (dmax - dmin))
  names(sim_rast) <- paste0("similaridad_P", i)
  
  # Graficar mapa de similaridad
  plot(sim_rast, col = viridis(100), 
       main = paste("Similaridad climática global -", puntos_valle$ID[i]))
  
  # Guardar resultado
  writeRaster(sim_rast, paste0("data/similaridad_", puntos_valle$ID[i], ".tif"), overwrite = TRUE)
}

Los mapas de similaridad climática global generados para los tres puntos de referencia (P1, P2 y P3) del Valle del Cauca muestran las regiones del planeta con condiciones climáticas más parecidas a las observadas en cada sitio.

En los tres casos se aprecia un patrón consistente: las áreas con mayor similaridad (valores cercanos a 1, en tonos verde–amarillo) se concentran en las zonas tropicales y subtropicales húmedas**, mientras que las regiones áridas o frías presentan valores bajos (violeta–azul oscuro), indicando climas muy distintos.

En conjunto, los resultados evidencian que el clima del Valle del Cauca es representativo de las condiciones tropicales húmedas y subhúmedas** que se presentan en distintas partes del planeta.
Esto confirma la versatilidad agroclimática de la región y su afinidad con otras zonas agrícolas importantes del trópico, lo que la convierte en un referente útil para estudios de transferencia de tecnologías agrícolas o evaluación de impactos climáticos globales.

8. Comparación de resultados y conclusiones finales

8.1. Comparación entre los mapas de aptitud climática y los mapas de similaridad global

Al comparar los mapas de aptitud climática por rangos óptimos con los mapas de similaridad climática global obtenidos mediante distancia euclidiana, se observa una alta correspondencia espacial entre ambos enfoques, aunque cada método ofrece perspectivas complementarias.

Los mapas de aptitud basados en los rangos óptimos de temperatura (18–27 °C) y precipitación anual (500–800 mm) permiten identificar de forma directa las zonas del planeta con condiciones ideales para el cultivo de maíz.
Estas áreas se concentran principalmente en regiones tropicales y subtropicales de América del Sur (Brasil, Argentina, Paraguay), África oriental (Etiopía, Uganda, Tanzania)y Asia meridional (India, Indonesia, Filipinas).
Este enfoque es sencillo y efectivo para delimitar zonas potenciales de cultivo, pero no considera variabilidad estacional ni la interacción conjunta de las variables climáticas.

Por otro lado, los mapas de similaridad climática global** comparan simultáneamente los perfiles mensuales de temperatura y precipitación de cada celda con los observados en el Valle del Cauca, proporcionando una visión más integral del clima.
Los resultados muestran que las regiones con alta similaridad (valores > 0.8) coinciden en gran medida con las zonas identificadas como óptimas por el análisis de rangos, pero también revelan nuevas áreas con comportamientos estacionales semejantes, incluso cuando las magnitudes de temperatura o precipitación difieren ligeramente.

En síntesis, ambos métodos destacan las regiones tropicales y subtropicales húmedas como las más favorables para el cultivo de maíz y evidencian que el Valle del Cauca comparte afinidad climática con múltiples zonas agrícolas del planeta, lo cual respalda su papel estratégico en la producción de cultivos de clima cálido.

9.2. Conclusiones generales

  1. Los análisis realizados a partir de los datos de WorldClim (1970–2000) permitieron identificar las condiciones climáticas globales óptimas para el cultivo de maíz, mostrando una clara concentración en regiones tropicales y subtropicales.

  2. Los mapas de aptitud climática evidencian que países como Brasil, Argentina, India, Australia y Zimbabue poseen amplias superficies con condiciones favorables para el maíz, coincidiendo con su relevancia como productores mundiales de este cultivo.

  3. En el caso del Valle del Cauca (Colombia), las series mensuales muestran temperaturas estables entre 20 y 27 °C y precipitaciones anuales entre 1 500 y 2 000 mm, condiciones altamente aptas para el desarrollo del maíz en secano o bajo riego.

  4. Los mapas de similaridad climática global confirman que el clima del Valle del Cauca es comparable al de diversas regiones tropicales húmedas de América, África y Asia, lo que sugiere un alto potencial de transferencia de prácticas agrícolas y tecnologías entre estas zonas.

  5. La distancia euclidiana resultó ser una herramienta útil para la evaluación multivariante del clima, complementando los métodos tradicionales de aptitud y proporcionando una visión más detallada de la equivalencia climática global.

  6. En conjunto, los resultados destacan la importancia de combinar enfoques de análisis espacial y métricas de similaridad para una evaluación agroclimática integral, que permita planificar de forma más precisa la expansión de cultivos, la gestión del riesgo climático y la adaptación al cambio climático.