true

Caso situación

Cierto agricultor interesado en el cultivo de la caña de azúcar, desea saber en qué zonas del mundo puede establecer su cultivo y obtener rendimientos potenciales. El agricultor sabe que uno de los factores limitantes, mas no el único, es el clima. Y por ello investiga cuáles son los rangos óptimos sobre los cuales se obtienen rendimientos potenciales identificando lo siguiente: Temperatura media entre 22.5 y 28 grados centígrados. Precipitación anual entre 1500 y 3500 milímetros. O precipitación mensual entre 125 y 290 milímetros. Adicionalmente, el agricultor tiene información que le indica que la región del Valle del Cauca en Colombia posee unos rendimientos altos y que otra aproximación para identificar las zonas a nivel global sería buscar otros sitios con condiciones similares.

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.

Descarga de datos climáticos

# Descarga de temperatura promedio mensual
temp <- geodata::worldclim_global(
  var = "tavg",
  res = 10,
  path = tempdir()
)
## Cached as: C:\Users\santi\AppData\Local\Temp\Rtmp6FKilK/climate/wc2.1_10m/wc2.1_10m_tavg.zip
# Descarga de precipitación mensual
prec <- geodata::worldclim_global(
  var = "prec",
  res = 10,
  path = tempdir()
)
## Cached as: C:\Users\santi\AppData\Local\Temp\Rtmp6FKilK/climate/wc2.1_10m/wc2.1_10m_prec.zip
# Visualización básica
temp
## class       : SpatRaster 
## dimensions  : 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       : wc2.1~vg_01, wc2.1~vg_02, wc2.1~vg_03, wc2.1~vg_04, wc2.1~vg_05, wc2.1~vg_06, ... 
## 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 
## dimensions  : 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       : wc2.1~ec_01, wc2.1~ec_02, wc2.1~ec_03, wc2.1~ec_04, wc2.1~ec_05, wc2.1~ec_06, ... 
## min values  :           0,           0,           0,           0,           0,           0, ... 
## max values  :         908,         793,         720,        1004,        2068,        2210, ...

Exploración climática mensual

# Asignar nombres de meses
names(temp) <- month.name
names(prec) <- month.name

# Meses representativos
meses_id <- c(1, 4, 7, 10)

# Temperatura mensual
par(mfrow = c(2, 2))

for (i in meses_id) {
  terra::plot(
    temp[[i]],
    main = paste("Temperatura media -", month.name[i]),
    col = hcl.colors(100, "RdYlBu", rev = TRUE)
  )
}

# Precipitación mensual
par(mfrow = c(2, 2))

for (i in meses_id) {
  terra::plot(
    prec[[i]],
    main = paste("Precipitación mensual -", month.name[i]),
    col = hcl.colors(100, "Blues")
  )
}

# Restaurar ventana gráfica
par(mfrow = c(1, 1))

La exploración climática mensual permite observar la variabilidad espacial de la temperatura media y la precipitación a escala global. En los mapas de temperatura se evidencia un patrón latitudinal claro: las temperaturas más altas se concentran principalmente en la franja tropical y subtropical, mientras que las zonas de latitudes altas presentan valores considerablemente menores. Este comportamiento es relevante para el cultivo de caña de azúcar, ya que sus condiciones térmicas óptimas se ubican en rangos cálidos.

En los mapas de precipitación se observa una distribución más heterogénea, con valores altos en regiones tropicales húmedas, especialmente en zonas de Suramérica, África ecuatorial y el sudeste asiático. Esta variabilidad es importante porque la aptitud climática para caña de azúcar no depende únicamente de la temperatura, sino también de la disponibilidad hídrica anual o mensual.

Variables climáticas anuales

# Calcular temperatura media anual
temp_anual <- terra::mean(temp)

# Calcular precipitación anual acumulada
prec_anual <- terra::app(prec, sum)

# Graficar temperatura media anual
terra::plot(
  temp_anual,
  main = "Temperatura media anual global",
  col = hcl.colors(100, "RdYlBu", rev = TRUE)
)

# Graficar precipitación anual
terra::plot(
  prec_anual,
  main = "Precipitación anual global",
  col = hcl.colors(100, "Blues")
)

Los mapas de temperatura media anual y precipitación anual permiten identificar patrones climáticos globales relevantes para el cultivo de caña de azúcar. La temperatura media anual muestra que las regiones tropicales y subtropicales presentan valores más altos y relativamente estables durante el año, especialmente en América del Sur, África ecuatorial, India y el sudeste asiático.

Por otra parte, el mapa de precipitación anual evidencia que las mayores acumulaciones de lluvia se concentran principalmente en regiones tropicales húmedas, como la Amazonía, África central y zonas del sudeste asiático. Estas regiones presentan condiciones potencialmente favorables para cultivos tropicales de alta demanda hídrica.

La combinación de ambas variables climáticas constituye la base para la construcción de mapas de aptitud climática, permitiendo identificar zonas donde coinciden simultáneamente rangos adecuados de temperatura y precipitación para la producción potencial de caña de azúcar.

A partir de la temperatura media anual y la precipitación anual acumulada, se construyó una clasificación binaria de aptitud climática. Las áreas clasificadas como aptas corresponden a aquellas que cumplen simultáneamente con el rango térmico óptimo de 22.5 a 28 °C y con una precipitación anual entre 1500 y 3500 mm.

Mapa de aptitud climática

# Aptitud por temperatura
apt_temp <- temp_anual >= 22.5 & temp_anual <= 28

# Aptitud por precipitación
apt_prec <- prec_anual >= 1500 & prec_anual <= 3500

# Aptitud climática final en formato 0/1
aptitud_cana_num <- (apt_temp & apt_prec) * 1

# Más espacio abajo para ubicar la leyenda
par(mar = c(6, 4, 4, 1), xpd = TRUE)

terra::plot(
  aptitud_cana_num,
  main = "Mapa global de aptitud climática para caña de azúcar",
  col = c("gray90", "darkgreen"),
  legend = FALSE,
  axes = TRUE,
  box = TRUE
)

legend(
  x = -175,
  y = -35,
  legend = c("No apto", "Apto"),
  fill = c("gray90", "darkgreen"),
  border = "black",
  bg = "white",
  cex = 0.9,
  bty = "o",
  title = "Clasificación"
)

par(mar = c(4, 4, 4, 1))

El mapa global de aptitud climática evidencia que las zonas potencialmente favorables para el cultivo de caña de azúcar se concentran principalmente en regiones tropicales cercanas al ecuador. Entre las áreas más destacadas se encuentran la Amazonía y parte de Centroamérica en América Latina, África ecuatorial y varias regiones del sudeste asiático e Indonesia. Estas zonas presentan simultáneamente temperaturas medias anuales cálidas y niveles de precipitación acordes con los rangos óptimos reportados para el cultivo.

En contraste, gran parte de las regiones templadas y frías del planeta fueron clasificadas como no aptas debido a que presentan temperaturas demasiado bajas para el desarrollo eficiente de la caña de azúcar. De igual manera, algunas regiones áridas o desérticas tampoco cumplen con los requerimientos mínimos de precipitación anual, limitando el potencial productivo del cultivo.

Los resultados obtenidos muestran coherencia con la distribución geográfica actual de grandes productores de caña de azúcar a nivel mundial, particularmente en América del Sur, India y el sudeste asiático. Esto sugiere que la aproximación basada en variables climáticas permite identificar de manera razonable áreas con condiciones ambientales favorables para el establecimiento del cultivo.

Sin embargo, es importante mencionar que este análisis considera únicamente variables climáticas. Factores como tipo de suelo, altitud, disponibilidad de agua para riego, manejo agronómico, infraestructura y condiciones socioeconómicas también influyen significativamente sobre el rendimiento real del cultivo.

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.

Descargar shape global y seleccionar países

# Descargar shapefile global de países
paises <- rnaturalearth::ne_countries(
  scale = "medium",
  returnclass = "sf"
)

# Seleccionar países con alto potencial
paises_seleccionados <- paises[
  paises$name %in% c("Brazil", "Indonesia", "Nigeria"),
]

# Graficar países
plot(
  sf::st_geometry(paises_seleccionados),
  col = "darkgreen",
  main = "Países seleccionados con alto potencial"
)

# Agregar nombres de países
text(
  sf::st_coordinates(sf::st_centroid(paises_seleccionados)),
  labels = paises_seleccionados$name,
  cex = 0.9,
  font = 2,
  pos = 3
)
## Warning: st_centroid assumes attributes are constant over geometries

A partir del mapa global de aptitud climática se seleccionaron tres países con áreas representativas de alto potencial para el cultivo de caña de azúcar: Brasil, Nigeria e Indonesia. La selección se realizó considerando la presencia de amplias zonas que cumplen simultáneamente con los requerimientos óptimos de temperatura y precipitación definidos previamente.

Estos países se localizan principalmente en regiones tropicales, donde predominan temperaturas cálidas y altos niveles de precipitación durante gran parte del año. Además, corresponden a regiones reconocidas mundialmente por poseer condiciones favorables para cultivos tropicales de alta productividad.

Recorte espacial

# Convertir sf a SpatVector
paises_vect <- terra::vect(paises_seleccionados)

# Recortar raster por países
aptitud_recorte <- terra::crop(
  aptitud_cana_num,
  paises_vect
)

# Aplicar máscara para conservar únicamente los países
aptitud_recorte <- terra::mask(
  aptitud_recorte,
  paises_vect
)

# Graficar resultado
terra::plot(
  aptitud_recorte,
  main = "Áreas aptas para caña de azúcar en países seleccionados",
  col = c("gray90", "darkgreen"),
  legend = FALSE
)

legend(
  "bottomleft",
  legend = c("No apto", "Apto"),
  fill = c("gray90", "darkgreen"),
  border = "black",
  bg = "white",
  cex = 0.8,
  title = "Clasificación"
)

El recorte espacial realizado sobre Brasil, Nigeria e Indonesia permite observar con mayor detalle la distribución de las áreas climáticamente aptas para el cultivo de caña de azúcar dentro de cada país. En los tres casos se identifican regiones extensas clasificadas como aptas, lo cual confirma que las condiciones térmicas y de precipitación presentes en estas zonas favorecen potencialmente el desarrollo del cultivo.

Brasil presenta la mayor extensión continua de áreas aptas, especialmente en la región amazónica y zonas tropicales cercanas al centro y norte del país. Este resultado es consistente con el hecho de que Brasil es uno de los principales productores de caña de azúcar a nivel mundial, debido a sus condiciones climáticas favorables y su amplia disponibilidad territorial.

En el caso de Nigeria, las áreas aptas se concentran principalmente en la región sur y central, donde predominan condiciones tropicales húmedas. Aunque el país presenta menor extensión territorial apta en comparación con Brasil, los resultados sugieren un potencial climático importante para el cultivo.

Por su parte, Indonesia muestra múltiples áreas aptas distribuidas a lo largo de su territorio insular. La cercanía al ecuador y la elevada humedad característica del sudeste asiático generan condiciones favorables para la producción de cultivos tropicales, incluida la caña de azúcar.

En general, el análisis evidencia que las zonas tropicales húmedas concentran la mayor aptitud climática para este cultivo, reforzando la importancia de la temperatura y la precipitación como factores determinantes en la productividad potencial de la caña de azúcar.

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.

crear puntos espaciales

puntos_valle <- data.frame(
  sitio = c("Cali", "Palmira", "Tulua"),
  lon = c(-76.5320, -76.3036, -76.1954),
  lat = c(3.4516, 3.5394, 4.0847)
)

puntos_vect <- terra::vect(
  puntos_valle,
  geom = c("lon", "lat"),
  crs = "EPSG:4326"
)

colombia <- paises[paises$name == "Colombia", ]

terra::plot(
  temp_anual,
  xlim = c(-77.5, -75.5),
  ylim = c(3, 5),
  main = "Puntos seleccionados en Valle del Cauca",
  col = hcl.colors(100, "RdYlBu", rev = TRUE)
)

plot(
  sf::st_geometry(colombia),
  add = TRUE,
  border = "black",
  lwd = 1.5
)

points(
  puntos_valle$lon,
  puntos_valle$lat,
  col = "black",
  pch = 16,
  cex = 1.2
)

text(
  puntos_valle$lon,
  puntos_valle$lat,
  labels = puntos_valle$sitio,
  pos = 3,
  cex = 0.8,
  font = 2
)

Se seleccionaron tres puntos representativos en la región del Valle del Cauca correspondientes a las ciudades de Cali, Palmira y Tuluá. La selección se realizó con el objetivo de extraer información climática local y utilizarla posteriormente como referencia para comparar condiciones similares a nivel global.

Los puntos se localizan dentro de una región caracterizada por temperaturas relativamente altas durante todo el año, condición típica de zonas tropicales con potencial agrícola para cultivos como la caña de azúcar. Aunque la resolución espacial del raster climático es relativamente gruesa, los datos permiten identificar patrones generales de variabilidad térmica dentro del área de estudio.

Extracción climática

# Extraer temperatura mensual
temp_extraida <- terra::extract(
  temp,
  puntos_vect
)

# Extraer precipitación mensual
prec_extraida <- terra::extract(
  prec,
  puntos_vect
)

# Agregar nombres de sitios
temp_extraida$sitio <- puntos_valle$sitio
prec_extraida$sitio <- puntos_valle$sitio

# Visualizar resultados
temp_extraida
##   ID  January February    March    April      May   June    July   August
## 1  1 20.28125 20.38825 20.52150 20.30600 20.22950 20.109 20.3215 20.43625
## 2  2 22.50275 22.61550 22.73675 22.44175 22.35850 22.328 22.6225 22.74675
## 3  3 23.60025 23.87400 23.87925 23.63000 23.56375 23.583 24.1205 24.02375
##   September  October November December   sitio
## 1  20.30900 19.86275 19.79550 20.01875    Cali
## 2  22.57575 22.02075 21.88275 22.14775 Palmira
## 3  23.76400 23.07750 22.83100 23.11250   Tulua
prec_extraida
##   ID January February March April May June July August September October
## 1  1     133      130   155   215 191  128   74     88       129     232
## 2  2      92      102   132   172 146  112   61     73       105     195
## 3  3      85      108   137   185 170  119   67     88       124     206
##   November December   sitio
## 1      186      171    Cali
## 2      173      121 Palmira
## 3      159      103   Tulua

Preparación de datos

# Convertir datos de temperatura a formato largo
temp_largo <- tidyr::pivot_longer(
  temp_extraida,
  cols = January:December,
  names_to = "Mes",
  values_to = "Temperatura"
)

# Convertir datos de precipitación a formato largo
prec_largo <- tidyr::pivot_longer(
  prec_extraida,
  cols = January:December,
  names_to = "Mes",
  values_to = "Precipitacion"
)

# Orden correcto de meses
temp_largo$Mes <- factor(
  temp_largo$Mes,
  levels = month.name
)

prec_largo$Mes <- factor(
  prec_largo$Mes,
  levels = month.name
)

Gráfica de temperatura

ggplot2::ggplot(
  temp_largo,
  ggplot2::aes(
    x = Mes,
    y = Temperatura,
    color = sitio,
    group = sitio
  )
) +
  ggplot2::geom_line(linewidth = 1.2) +
  ggplot2::geom_point(size = 2) +
  ggplot2::labs(
    title = "Serie temporal de temperatura mensual",
    x = "Mes",
    y = "Temperatura media (°C)",
    color = "Sitio"
  ) +
  ggplot2::theme_minimal() +
  ggplot2::theme(
    axis.text.x = ggplot2::element_text(
      angle = 45,
      hjust = 1
    )
  )

La serie temporal de temperatura mensual muestra un comportamiento relativamente estable a lo largo del año para los tres puntos seleccionados en el Valle del Cauca. Este patrón es característico de regiones tropicales cercanas al ecuador, donde las variaciones estacionales de temperatura suelen ser moderadas.

Tuluá presenta las temperaturas medias más altas durante la mayor parte del año, con valores cercanos a 24 °C, mientras que Cali registra los valores más bajos, alrededor de 20 °C. Palmira muestra un comportamiento intermedio entre ambos sitios. A pesar de estas diferencias, las tres localidades se mantienen dentro o cerca del rango óptimo de temperatura para el cultivo de caña de azúcar.

En términos generales, los resultados evidencian que las condiciones térmicas de las localidades seleccionadas son favorables para el desarrollo del cultivo, ya que las temperaturas permanecen relativamente constantes y cálidas durante todos los meses del año.

Serie de precipitación

ggplot2::ggplot(
  prec_largo,
  ggplot2::aes(
    x = Mes,
    y = Precipitacion,
    color = sitio,
    group = sitio
  )
) +
  ggplot2::geom_line(linewidth = 1.2) +
  ggplot2::geom_point(size = 2) +
  ggplot2::labs(
    title = "Serie temporal de precipitación mensual",
    x = "Mes",
    y = "Precipitación (mm)",
    color = "Sitio"
  ) +
  ggplot2::theme_minimal() +
  ggplot2::theme(
    axis.text.x = ggplot2::element_text(
      angle = 45,
      hjust = 1
    )
  )

La serie temporal de precipitación mensual evidencia un patrón bimodal típico de muchas regiones andinas y tropicales de Colombia. En los tres puntos seleccionados se observan dos periodos de mayor precipitación durante el año: uno entre marzo y mayo, y otro entre octubre y noviembre. De igual manera, se identifican periodos relativamente secos hacia mitad de año, especialmente en julio y agosto.

Cali presenta los mayores niveles de precipitación en comparación con Palmira y Tuluá, alcanzando valores superiores a 200 mm en algunos meses. Por su parte, Palmira y Tuluá muestran patrones similares de comportamiento, aunque con menores acumulados mensuales en determinados periodos.

En términos generales, las tres localidades presentan disponibilidad hídrica considerable durante buena parte del año, lo cual resulta favorable para el cultivo de caña de azúcar. Además, los resultados muestran que las condiciones climáticas del Valle del Cauca mantienen una combinación adecuada de temperatura y precipitación para el desarrollo potencial del cultivo.

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.

Clima promedio de referencia

# Promedio anual de temperatura para los puntos del Valle
temp_ref <- mean(
  rowMeans(
    temp_extraida[, month.name]
  )
)

# Promedio anual de precipitación para los puntos del Valle
prec_ref <- mean(
  rowMeans(
    prec_extraida[, month.name]
  )
)

# Mostrar resultados
temp_ref
## [1] 22.07273
prec_ref
## [1] 135.1944

Mapa de similaridad climática

# Promedio anual global de temperatura
temp_global <- terra::mean(temp)

# Promedio mensual global de precipitación
prec_global <- terra::mean(prec)

# Distancia euclidiana climática
similaridad <- sqrt(
  (temp_global - temp_ref)^2 +
  (prec_global - prec_ref)^2
)

# Graficar mapa de similaridad
terra::plot(
  similaridad,
  main = "Mapa global de similaridad climática respecto al Valle del Cauca",
  col = hcl.colors(100, "YlOrRd", rev = TRUE)
)

El mapa de similaridad climática permite identificar regiones del mundo cuyas condiciones de temperatura y precipitación son similares a las observadas en los puntos seleccionados del Valle del Cauca. Para ello se utilizó una métrica de distancia euclidiana basada en los promedios climáticos de temperatura y precipitación.

Los valores más bajos de distancia, representados por tonalidades más claras, corresponden a regiones con mayor similitud climática respecto al Valle del Cauca. Estas áreas se concentran principalmente en zonas tropicales de América del Sur, Centroamérica, África ecuatorial y el sudeste asiático. Por el contrario, las regiones con climas fríos, áridos o templados presentan mayores distancias climáticas.

Los resultados muestran una alta coherencia con el mapa de aptitud climática construido previamente. Las zonas identificadas como más similares al Valle coinciden en gran medida con regiones potencialmente aptas para el cultivo de caña de azúcar, lo cual sugiere que el uso de métricas de similaridad constituye una estrategia válida para identificar áreas con condiciones ambientales comparables.

Además, esta aproximación permite incorporar información climática observada en regiones productivas reales, como el Valle del Cauca, facilitando la búsqueda de territorios con comportamiento climático semejante a escala global.

  1. Compare los mapas generados por ambas aproximaciones y concluya.

Comparación de aproximaciones y conclusiones

Las dos aproximaciones desarrolladas durante la actividad permiten identificar regiones potencialmente favorables para el cultivo de caña de azúcar, aunque cada una aborda el problema desde perspectivas diferentes.

La primera aproximación se basó en la construcción de mapas de aptitud climática a partir de rangos óptimos de temperatura y precipitación definidos para la caña de azúcar. Este método permitió identificar de manera directa las regiones del mundo que cumplen simultáneamente con las condiciones climáticas consideradas adecuadas para el cultivo. Los resultados mostraron una fuerte concentración de áreas aptas en zonas tropicales de América, África y el sudeste asiático.

Por otro lado, la segunda aproximación utilizó información climática observada en puntos específicos del Valle del Cauca para calcular niveles de similaridad climática a escala global. En este caso, el objetivo no fue únicamente identificar rangos óptimos, sino comparar el comportamiento climático promedio de diferentes regiones respecto a una zona de referencia real. Esta metodología permitió detectar regiones con patrones ambientales semejantes al Valle del Cauca, incluso cuando las condiciones no coincidían exactamente con los umbrales definidos inicialmente.

Al comparar ambos mapas, se observa una alta coherencia espacial entre las regiones identificadas como aptas y aquellas que presentan mayor similaridad climática. Esto sugiere que las condiciones ambientales del Valle del Cauca son representativas de entornos favorables para la producción de caña de azúcar. Asimismo, las coincidencias encontradas en regiones tropicales de Brasil, África ecuatorial y el sudeste asiático refuerzan la validez de ambas metodologías.

Sin embargo, también existen diferencias entre los enfoques. El mapa de aptitud climática presenta una clasificación más estricta basada en límites específicos, mientras que el análisis de similaridad ofrece una visión más flexible y gradual del comportamiento climático. Por esta razón, ambas aproximaciones pueden considerarse complementarias.

En conclusión, el uso combinado de mapas de aptitud y métricas de similaridad climática constituye una estrategia útil para identificar regiones con potencial agrícola a escala global. Además, este tipo de análisis permite apoyar procesos de planificación territorial, expansión agrícola y evaluación de escenarios climáticos futuros mediante herramientas de análisis espacial en R.