Contexto

En el contexto de la agroclimatología y la planificación territorial, resulta fundamental comprender cómo las condiciones climáticas influyen en la aptitud de diferentes regiones para el cultivo de especies agrícolas estratégicas como la caña de azúcar. Factores como la temperatura y la precipitación determinan en gran medida la productividad potencial del cultivo, por lo que el análisis espacial del clima permite identificar zonas favorables, evaluar riesgos y orientar decisiones relacionadas con expansión agrícola, sostenibilidad y adaptación al cambio climático.

A partir de información climática global de línea base, se busca construir mapas de aptitud climática para la caña de azúcar utilizando rangos óptimos de variables ambientales asociados al desarrollo del cultivo. Asimismo, se pretende explorar la distribución espacial de áreas con alto potencial productivo en distintos países del mundo, así como comparar dichas zonas con regiones agrícolas reconocidas por su producción cañera.

Adicionalmente, se busca analizar condiciones climáticas específicas dentro del Valle del Cauca, una de las principales regiones productoras de caña de azúcar en Colombia, mediante la selección de algunos puntos geográficos y la extracción de información climática asociada. Finalmente, se pretende evaluar la similitud climática entre estas zonas y otras regiones del mundo utilizando métricas cuantitativas como la distancia euclidiana, con el fin de identificar territorios con características ambientales comparables.

Este análisis permitirá generar una visión integral de la distribución espacial de la aptitud climática para la caña de azúcar, identificar regiones con condiciones favorables para el cultivo y comparar diferentes metodologías de caracterización agroclimática. Los resultados pueden servir como apoyo para procesos de planificación agrícola, evaluación de expansión productiva, priorización de inversiones y formulación de estrategias de adaptación frente a variaciones climáticas futuras.

Objetivo

El objetivo es desarrollar un análisis espacial y climático que permita identificar regiones con condiciones adecuadas para el cultivo de caña de azúcar a escala global, utilizando información climática de línea base y herramientas de análisis geográfico en R. Para ello, se busca construir mapas de aptitud climática a partir de rangos óptimos de temperatura y precipitación, así como identificar países y regiones con alto potencial productivo.

Adicionalmente, se pretende analizar el comportamiento climático de algunos puntos representativos del Valle del Cauca mediante la extracción y visualización de series de tiempo de temperatura y precipitación. Posteriormente, se busca aplicar métricas de similaridad climática para identificar regiones del mundo con condiciones comparables a las observadas en el Valle del Cauca y contrastar los resultados obtenidos mediante diferentes aproximaciones metodológicas.

Con esta información será posible evaluar patrones espaciales de aptitud agrícola, identificar similitudes climáticas entre regiones productoras y generar insumos útiles para la planificación agroindustrial y territorial asociada al cultivo de caña de azúcar.

Preguntas de investigación

En este caso se tienen 5 preguntas a resolver:

¿Qué regiones del mundo presentan condiciones climáticas óptimas para el cultivo de caña de azúcar según los rangos ideales de temperatura y precipitación?
¿Qué países concentran áreas de alto potencial climático para la caña de azúcar y cómo se distribuyen espacialmente dichas zonas dentro de su territorio?
¿Cómo se comportan las variables climáticas de temperatura y precipitación en algunos puntos representativos del Valle del Cauca?
¿Qué regiones del mundo presentan condiciones climáticas similares a las observadas en los puntos seleccionados del Valle del Cauca según métricas de similaridad climática?
¿Qué diferencias y similitudes se observan entre los mapas generados mediante la aproximación de aptitud climática y aquellos obtenidos a partir de métricas de similaridad?

Tabla de variables

Los tipos de variable de acuerdo con su naturaleza son los siguientes:

library(dplyr)
library(knitr)

tabla_variables <- tibble::tibble(
  Variable = paste0("BIO", 1:19),
  
  Nombre_bioclimatico = c(
    "Annual Mean Temperature",
    "Mean Diurnal Range",
    "Isothermality",
    "Temperature Seasonality",
    "Max Temperature of Warmest Month",
    "Min Temperature of Coldest Month",
    "Temperature Annual Range",
    "Mean Temperature of Wettest Quarter",
    "Mean Temperature of Driest Quarter",
    "Mean Temperature of Warmest Quarter",
    "Mean Temperature of Coldest Quarter",
    "Annual Precipitation",
    "Precipitation of Wettest Month",
    "Precipitation of Driest Month",
    "Precipitation Seasonality",
    "Precipitation of Wettest Quarter",
    "Precipitation of Driest Quarter",
    "Precipitation of Warmest Quarter",
    "Precipitation of Coldest Quarter"
  ),
  
  Que_mide = c(
    "Temperatura media anual",
    "Rango medio diurno de temperatura",
    "Relación entre variación diaria y anual de temperatura",
    "Variabilidad anual de temperatura",
    "Temperatura máxima del mes más cálido",
    "Temperatura mínima del mes más frío",
    "Diferencia entre temperaturas extremas anuales",
    "Temperatura media del trimestre más lluvioso",
    "Temperatura media del trimestre más seco",
    "Temperatura media del trimestre más cálido",
    "Temperatura media del trimestre más frío",
    "Precipitación total anual",
    "Precipitación del mes más lluvioso",
    "Precipitación del mes más seco",
    "Variabilidad de precipitación",
    "Precipitación del trimestre más lluvioso",
    "Precipitación del trimestre más seco",
    "Precipitación del trimestre más cálido",
    "Precipitación del trimestre más frío"
  ),
  
  Unidad = c(
    "°C (×10)",
    "°C (×10)",
    "%",
    "Desviación estándar ×100",
    "°C (×10)",
    "°C (×10)",
    "°C (×10)",
    "°C (×10)",
    "°C (×10)",
    "°C (×10)",
    "°C (×10)",
    "mm",
    "mm",
    "mm",
    "Coeficiente de variación",
    "mm",
    "mm",
    "mm",
    "mm"
  ),
  
  Relevancia_cana = c(
  "Muy alta. Determina productividad general y duración del ciclo",
  "Media. Alta amplitud térmica puede generar estrés fisiológico",
  "Baja-media. Describe estabilidad térmica",
  "Media. La caña prefiere baja estacionalidad térmica",
  "Muy alta. Relacionada con estrés térmico y reducción de sacarosa",
  "Muy alta. La caña es sensible al frío y heladas",
  "Media. Alta amplitud puede indicar climas menos favorables",
  "Media-alta. Influye en crecimiento vegetativo",
  "Alta. Importante para maduración y acumulación de azúcar",
  "Muy alta. Relacionada con productividad potencial",
  "Alta. Útil para evaluar limitaciones térmicas",
  "Muy alta. Principal determinante hídrico",
  "Media. Exceso de lluvia puede afectar cosecha y enfermedades",
  "Alta. Indica riesgo de estrés hídrico",
  "Alta. La caña requiere cierto balance entre humedad y estación seca",
  "Alta. Relacionada con crecimiento máximo",
  "Muy alta. Fundamental para evaluar necesidad de riego",
  "Muy útil. Alta relevancia para productividad en zonas tropicales",
  "Media-baja. Menos crítica en regiones tropicales cálidas"
)
)

kable(
  tabla_variables,
  caption = "Descripción de las variables bioclimáticas BIO utilizadas en el análisis de aptitud climática para caña de azúcar"
)

Descripción de las variables bioclimáticas BIO utilizadas en el análisis de aptitud climática para caña de azúcar
Variable	Nombre_bioclimatico	Que_mide	Unidad	Relevancia_cana
BIO1	Annual Mean Temperature	Temperatura media anual	°C (×10)	Muy alta. Determina productividad general y duración del ciclo
BIO2	Mean Diurnal Range	Rango medio diurno de temperatura	°C (×10)	Media. Alta amplitud térmica puede generar estrés fisiológico
BIO3	Isothermality	Relación entre variación diaria y anual de temperatura	%	Baja-media. Describe estabilidad térmica
BIO4	Temperature Seasonality	Variabilidad anual de temperatura	Desviación estándar ×100	Media. La caña prefiere baja estacionalidad térmica
BIO5	Max Temperature of Warmest Month	Temperatura máxima del mes más cálido	°C (×10)	Muy alta. Relacionada con estrés térmico y reducción de sacarosa
BIO6	Min Temperature of Coldest Month	Temperatura mínima del mes más frío	°C (×10)	Muy alta. La caña es sensible al frío y heladas
BIO7	Temperature Annual Range	Diferencia entre temperaturas extremas anuales	°C (×10)	Media. Alta amplitud puede indicar climas menos favorables
BIO8	Mean Temperature of Wettest Quarter	Temperatura media del trimestre más lluvioso	°C (×10)	Media-alta. Influye en crecimiento vegetativo
BIO9	Mean Temperature of Driest Quarter	Temperatura media del trimestre más seco	°C (×10)	Alta. Importante para maduración y acumulación de azúcar
BIO10	Mean Temperature of Warmest Quarter	Temperatura media del trimestre más cálido	°C (×10)	Muy alta. Relacionada con productividad potencial
BIO11	Mean Temperature of Coldest Quarter	Temperatura media del trimestre más frío	°C (×10)	Alta. Útil para evaluar limitaciones térmicas
BIO12	Annual Precipitation	Precipitación total anual	mm	Muy alta. Principal determinante hídrico
BIO13	Precipitation of Wettest Month	Precipitación del mes más lluvioso	mm	Media. Exceso de lluvia puede afectar cosecha y enfermedades
BIO14	Precipitation of Driest Month	Precipitación del mes más seco	mm	Alta. Indica riesgo de estrés hídrico
BIO15	Precipitation Seasonality	Variabilidad de precipitación	Coeficiente de variación	Alta. La caña requiere cierto balance entre humedad y estación seca
BIO16	Precipitation of Wettest Quarter	Precipitación del trimestre más lluvioso	mm	Alta. Relacionada con crecimiento máximo
BIO17	Precipitation of Driest Quarter	Precipitación del trimestre más seco	mm	Muy alta. Fundamental para evaluar necesidad de riego
BIO18	Precipitation of Warmest Quarter	Precipitación del trimestre más cálido	mm	Muy útil. Alta relevancia para productividad en zonas tropicales
BIO19	Precipitation of Coldest Quarter	Precipitación del trimestre más frío	mm	Media-baja. Menos crítica en regiones tropicales cálidas

Descripción de datos climáticos CMIP6

El objeto cmip corresponde a un conjunto de capas raster multivariadas provenientes de WorldClim versión 2.1 y proyecciones climáticas CMIP6.

Características principales:

Tipo de objeto: SpatRaster
Número de capas: 19 variables bioclimáticas (BIO1–BIO19)
Resolución espacial: 2.5 minutos (~5 km aproximadamente)
Cobertura espacial: global
Sistema de referencia: WGS84 (EPSG:4326)
Escenario climático: SSP245
Horizonte temporal: 2041–2060
Modelo climático utilizado: EC-Earth3-Veg
Fuente: WorldClim + CMIP6

Las variables BIO sintetizan condiciones de temperatura y precipitación mediante métricas ecológicamente relevantes, ampliamente utilizadas en modelación climática, análisis agroclimático y distribución potencial de especies.

No se reportan valores faltantes significativos en zonas continentales. Los valores NA corresponden principalmente a océanos o regiones sin cobertura climática válida.

Utilizando el paquete geodata, se realiza el caché de datos de WorldClim. El archivo seleccionado contiene las 19 variables BIO de WorldClim para:

modelo: EC-Earth Consortium EC-Earth3-Veg escenario: SSP245 periodo: 2041–2060 resolución: 2.5 minutos

path_act<-"C:/Users/User/Documents/2025 PUJ R projects/Modulo 1 - Unidad 1 - AIGE/Casos/"


library(geodata)
cmip <- load_or_download_cmip(
  model = "EC-Earth3-Veg",
  ssp = "245",
  time = "2041-2060",
  var = "bio",
  res = 2.5,
  path = "data/"
)

## Descargando archivo...

names(cmip) <- paste0("BIO", 1:19)

names(cmip)

##  [1] "BIO1"  "BIO2"  "BIO3"  "BIO4"  "BIO5"  "BIO6"  "BIO7"  "BIO8"  "BIO9" 
## [10] "BIO10" "BIO11" "BIO12" "BIO13" "BIO14" "BIO15" "BIO16" "BIO17" "BIO18"
## [19] "BIO19"

Extraer variables clave y ajustar las escalas de temperatura

bio1  <- cmip[["BIO1"]]
bio5  <- cmip[["BIO5"]]
bio6  <- cmip[["BIO6"]]

bio12 <- cmip[["BIO12"]]
bio15 <- cmip[["BIO15"]]
bio17 <- cmip[["BIO17"]]
bio18 <- cmip[["BIO18"]]

Validación de la escala de la temperatura

global(bio5, c("min","max"), na.rm=TRUE)

##        min  max
## BIO5 -29.4 51.2

global(bio12, c("min","max"), na.rm=TRUE)

##       min   max
## BIO12   0 11693

Pregunta 1. ¿Qué regiones del mundo presentan condiciones climáticas óptimas para el cultivo de caña de azúcar según los rangos ideales de temperatura y precipitación?

Para responder a la pregunta se ejecutan los siguientes pasos:

1. Crear funciones de aptitud de acuerdo con las variables de mayor relevancia para el cultivo de la caña

Para crear funciones de aptitud se cargan las siguientes variables que se consideran de mayor relevancia para el cultivo de caña:

BIO1 — Temperatura media anual

Óptimo:

24–30°C

s_bio1 <- classify(
  bio1,
  rcl = matrix(c(
    -Inf, 20, 0,
    20, 24, 0.5,
    24, 30, 1,
    30, 34, 0.5,
    34, Inf, 0
  ), ncol=3, byrow=TRUE)
)

## |---------|---------|---------|---------|=========================================

BIO5 — calor extremo

Temperaturas muy altas (Tmax) afectan sacarosa, por lo cual no es deseable contar con

s_bio5 <- classify(
  bio5,
  rcl = matrix(c(
    -Inf, 32, 1,
    32, 36, 0.7,
    36, 40, 0.3,
    40, Inf, 0
  ), ncol=3, byrow=TRUE)
)

## |---------|---------|---------|---------|=========================================

BIO6 — frío

La caña es sensible al frío.

s_bio6 <- classify(
  bio6,
  rcl = matrix(c(
    -Inf, 5, 0,
    5, 10, 0.5,
    10, Inf, 1
  ), ncol=3, byrow=TRUE)
)

## |---------|---------|---------|---------|=========================================

BIO12 — precipitación anual

s_bio12 <- classify(
  bio12,
  rcl = matrix(c(
    -Inf, 800, 0,
    800, 1200, 0.5,
    1200, 2500, 1,
    2500, 3500, 0.5,
    3500, Inf, 0
  ), ncol=3, byrow=TRUE)
)

## |---------|---------|---------|---------|=========================================

BIO15 — estacionalidad

Demasiada variabilidad puede ser problemática.

s_bio15 <- classify(
  bio15,
  rcl = matrix(c(
    -Inf, 40, 1,
    40, 70, 0.7,
    70, 100, 0.3,
    100, Inf, 0
  ), ncol=3, byrow=TRUE)
)

## |---------|---------|---------|---------|=========================================

BIO17 — trimestre seco

s_bio17 <- classify(
  bio17,
  rcl = matrix(c(
    -Inf, 50, 0,
    50, 150, 0.5,
    150, Inf, 1
  ), ncol=3, byrow=TRUE)
)

## |---------|---------|---------|---------|=========================================

BIO18 — lluvia trimestre cálido

s_bio18 <- classify(
  bio18,
  rcl = matrix(c(
    -Inf, 300, 0.3,
    300, 800, 1,
    800, 1500, 0.7,
    1500, Inf, 0.3
  ), ncol=3, byrow=TRUE)
)

## |---------|---------|---------|---------|=========================================

2. Construir índice multicriterio

Promedio simple

# Verificar si existe el raster final
if (!file.exists("cache/sugarcane_index.tif")) {

  sugarcane_index <- (
    s_bio1 +
    s_bio5 +
    s_bio6 +
    s_bio12 +
    s_bio15 +
    s_bio17 +
    s_bio18
  ) / 7

  sugarcane_index <- writeRaster(
    sugarcane_index,
    "cache/sugarcane_index.tif",
    overwrite = TRUE
  )

} else {

  sugarcane_index <- rast(
    "cache/sugarcane_index.tif"
  )

}

Como resultado se obtiene el índice de aptitud climática:

El objeto sugarcane_index corresponde a un raster continuo de aptitud climática para el cultivo de caña de azúcar construido mediante análisis multicriterio.

Características principales:

Tipo de objeto: SpatRaster
Número de capas: 1
Resolución espacial: 2.5 minutos
Cobertura espacial: global
Sistema de referencia: WGS84 (EPSG:4326)
Rango de valores: 0–1

El índice se construye a partir de siete variables bioclimáticas relacionadas con temperatura, precipitación y estacionalidad climática:

BIO1
BIO5
BIO6
BIO12
BIO15
BIO17
BIO18

Cada variable fue reclasificada según rangos óptimos reportados para el cultivo de caña de azúcar y posteriormente integrada mediante promedio simple.

Valores cercanos a 1 representan condiciones climáticas más favorables para el cultivo.

3. Graficar el resultado

plot(
  sugarcane_index,
  main="Índice de aptitud climática para caña de azúcar"
)

library(tibble)
library(knitr)

tabla_aptitud <- tibble(
  Valor = c(
    "0–0.2",
    "0.2–0.4",
    "0.4–0.6",
    "0.6–0.8",
    "0.8–1"
  ),
  
  Interpretacion = c(
    "No apto",
    "Baja aptitud",
    "Aptitud moderada",
    "Alta aptitud",
    "Muy alta aptitud"
  )
)

kable(
  tabla_aptitud,
  caption = "Clasificación del índice de aptitud climática para caña de azúcar"
)

Clasificación del índice de aptitud climática para caña de azúcar
Valor	Interpretacion
0–0.2	No apto
0.2–0.4	Baja aptitud
0.4–0.6	Aptitud moderada
0.6–0.8	Alta aptitud
0.8–1	Muy alta aptitud

Pregunta 2. ¿Qué países concentran áreas de alto potencial climático para la caña de azúcar y cómo se distribuyen espacialmente dichas zonas dentro de su territorio?

la idea es:

calcular el área apta por país,
ordenar países,
visualizar espacialmente

1. Descargar fronteras mundiales

#library(terra)
library(geodata)
library(dplyr)

world <- world(path = "data/")

2. Convertir índice de aptitud a categorías

tabla_categorias <- tibble(
  Categoria = c(
    "No apto",
    "Baja",
    "Moderada",
    "Alta",
    "Muy alta"
  ),
  
  Rango = c(
    "0–0.2",
    "0.2–0.4",
    "0.4–0.6",
    "0.6–0.8",
    "0.8–1"
  )
)

kable(
  tabla_categorias,
  caption = "Categorías del índice de aptitud climática para caña de azúcar"
)

Categorías del índice de aptitud climática para caña de azúcar
Categoria	Rango
No apto	0–0.2
Baja	0.2–0.4
Moderada	0.4–0.6
Alta	0.6–0.8
Muy alta	0.8–1

Descripción de datos de elevación

El objeto elev corresponde a un raster global de elevación descargado desde WorldClim.

Características principales:

Tipo de objeto: SpatRaster Número de capas: 1 Resolución espacial: 2.5 minutos (~5 km) Cobertura espacial: global Sistema de referencia: WGS84 (EPSG:4326) Unidad de medida: metros sobre el nivel del mar (msnm) Fuente: WorldClim v2.1

La variable representa la altitud promedio por celda raster y se utiliza para restringir áreas potencialmente aptas para el cultivo de caña de azúcar, dado que este cultivo presenta limitaciones fisiológicas importantes en zonas de alta montaña.

Los valores faltantes corresponden principalmente a océanos.

elev <- worldclim_global(
  var = "elev",
  res = 2.5,
  path = "data/"
)

sugarcane_index <- mask(
  sugarcane_index,
  elev < 1500,
  maskvalues = FALSE
)

## |---------|---------|---------|---------|=========================================                                          |---------|---------|---------|---------|=========================================

names(sugarcane_index) <- "suitability_index"

aptitud_cat <- classify(
  sugarcane_index,
  
  rcl = matrix(c(
    0.0, 0.2, 1,
    0.2, 0.4, 2,
    0.4, 0.6, 3,
    0.6, 0.8, 4,
    0.8, 1.0, 5
  ),
  
  ncol = 3,
  byrow = TRUE)
)

## |---------|---------|---------|---------|=========================================

# 
# aptitud_cat <- writeRaster(
#   aptitud_cat,
#   "cache/aptitud_cat.tif",
#   overwrite = TRUE
# )

high_suitability <- ifel(
  aptitud_cat >= 4,
  1,
  0
)

## |---------|---------|---------|---------|=========================================                                          |---------|---------|---------|---------|=========================================                                          |---------|---------|---------|---------|=========================================

high_suitability <- writeRaster(
  high_suitability,
  "cache/high_suitability.tif",
  overwrite = TRUE
)

## |---------|---------|---------|---------|=========================================

3. Calcular área por pixel

Cada pixel tiene diferente tamaño según latitud.

high_suitability <- rast(
  "cache/high_suitability.tif"
)

pixel_area <- cellSize(
  high_suitability,
  unit = "km"
)

## |---------|---------|---------|---------|=========================================

pixel_area <- writeRaster(
  pixel_area,
  "cache/pixel_area.tif",
  overwrite = TRUE
)

## |---------|---------|---------|---------|=========================================

4. Área apta total

high_suitability <- rast(
  "cache/high_suitability.tif"
)

pixel_area <- rast(
  "cache/pixel_area.tif"
)

high_area <- cache_raster(

  "cache/high_area.tif",

  {
    high_suitability * pixel_area
  }
)

## Leyendo raster desde cache:
## cache/high_area.tif

names(high_area) <- "area_km2"

5. Extraer área por país

world <- geodata::world(
  path = "data/"
)

country_area <- cache_rds(

  "cache/country_area.rds",

  {

    x <- terra::extract(
      high_area,
      world,
      fun = sum,
      na.rm = TRUE
    )

    names(x)[2] <- "area_km2"
  ### Agregar nombres de países
    x$country <- world$NAME_0

  ### Limpiar y ordenar

    x <- x %>%

      filter(
        !is.na(area_km2)
      ) %>%

      arrange(
        desc(area_km2)
      )

    x
  }
)

## Leyendo desde cache:
##  cache/country_area.rds

6. Graficar resultados

names(country_area)

## [1] "ID"       "area_km2" "country"

library(terra)
library(dplyr)
library(ggplot2)
#library(tidyterra)

# Top 20
top20 <- country_area %>%
  
  arrange(desc(area_km2)) %>%
  
  slice(1:20)
# Unir tabla al SpatVector
world_top <- merge(
  world,
  top20,
  
  by.x = "NAME_0",
  by.y = "country",
  
  all.x = FALSE
)

# Graficar
library(tidyterra)
library(ggplot2)

ggplot() +
  
  geom_spatvector(
    data = world_top,
    
    aes(fill = area_km2),
    
    color = "black",
    linewidth = 0.2
  ) +
  
  scale_fill_viridis_c(
    option = "C"
  ) +
  
  coord_sf(
    xlim = c(-120,160),
    ylim = c(-40,40)
  ) +
  
  labs(
    title = "Países con mayor superficie de alta aptitud climática",
    
    subtitle = "Caña de azúcar — SSP245 (2041–2060)"
  ) +
  
  theme_minimal()

library(knitr)

# Tabla final
kable(
  head(
    country_area[, c("country", "area_km2")],
    20
  ),
  
  digits = 0,
  
  col.names = c(
    "País",
    "Área apta (km²)"
  ),
  
  caption = "Países con mayor superficie de alta aptitud climática para caña de azúcar"
)

Países con mayor superficie de alta aptitud climática para caña de azúcar
País	Área apta (km²)
Brazil	6917079
Democratic Republic of the Congo	1989998
Indonesia	1788169
United States	1622461
Canada	1062994
China	998261
Colombia	918876
Peru	701404
Venezuela	662897
Bolivia	591271
Australia	514593
Argentina	436336
Angola	405490
Papua New Guinea	387225
Central African Republic	382498
Mexico	372057
Cameroon	344625
Congo	341650
India	338760
Malaysia	326608

aptitud_cat <- rast(
  "cache/aptitud_cat.tif"
)
world_plot <- geodata::world(
  path = "data/"
)

plot(
  aptitud_cat,
  
  main = "Aptitud climática mundial para caña de azúcar"
)

lines(world_plot)

Pregunta 3. ¿Cómo se comportan las variables climáticas de temperatura y precipitación en algunos puntos representativos del Valle del Cauca?

1. Descargar elevación

elev <- cache_raster(

  "cache/elev_2_5m.tif",

  {
    worldclim_global(
      var = "elev",
      res = 2.5,
      path = "data/"
    )
  }
)

## Leyendo raster desde cache:
## cache/elev_2_5m.tif

2. Crear puntos representativos

pts <- vect(
  data.frame(
    
    sitio = c(
      "Cartago",
      "Palmira",
      "Cali",
      "Buga",
      "Tulua"
    ),
    
    lon = c(
      -75.91,
      -76.30,
      -76.53,
      -76.30,
      -76.20
    ),
    
    lat = c(
      4.75,
      3.54,
      3.45,
      3.90,
      4.08
    )
  ),
  
  geom = c("lon","lat"),
  crs = "EPSG:4326"
)

3. Extraer altitud

altitud <- cache_rds(

  "cache/altitud_pts.rds",

  {

    terra::extract(
      elev,
      pts
    )
  }
)

## Leyendo desde cache:
##  cache/altitud_pts.rds

pts$altitud_m <- altitud[[2]]

4. Descargar clima actual

4.1. Precipitación mensual

El objeto pr_current corresponde a un conjunto raster multitemporal de precipitación mensual promedio.

Características principales:

Tipo de objeto: SpatRaster Número de capas: 12 (una por cada mes) Resolución espacial: 2.5 minutos Cobertura espacial: global Sistema de referencia: WGS84 (EPSG:4326) Unidad de medida: milímetros (mm) Fuente: WorldClim v2.1

Cada capa representa la precipitación acumulada promedio mensual para condiciones climáticas históricas de referencia.

Estas variables permiten caracterizar la distribución intra-anual de lluvias y evaluar patrones de estacionalidad hídrica relevantes para el cultivo de caña de azúcar.

pr_current <- cache_raster(

  "cache/prec_current.tif",

  {

    geodata::worldclim_global(
      var = "prec",
      res = 2.5,
      path = "data/"
    )
  }
)

## Leyendo raster desde cache:
## cache/prec_current.tif

4.2. Temperatura mínima mensual

El objeto tmin_current corresponde a un conjunto raster de temperatura mínima mensual promedio.

Características principales:

Tipo de objeto: SpatRaster Número de capas: 12 Resolución espacial: 2.5 minutos Cobertura espacial: global Sistema de referencia: WGS84 (EPSG:4326) Unidad de medida: °C Fuente: WorldClim v2.1

Las temperaturas fueron ajustadas dividiendo los valores originales entre 10 debido a la escala utilizada por WorldClim.

Estas variables permiten evaluar condiciones térmicas mínimas relevantes para el crecimiento y posibles restricciones fisiológicas del cultivo.

tmin_current <- cache_raster(

  "cache/tmin_current.tif",

  {

    geodata::worldclim_global(
      var = "tmin",
      res = 2.5,
      path = "data/"
    ) / 10
  }
)

## Leyendo raster desde cache:
## cache/tmin_current.tif

4.3. Temperatura máxima mensual

El objeto tmax_current corresponde a un conjunto raster de temperatura máxima mensual promedio.

Características principales:

Tipo de objeto: SpatRaster Número de capas: 12 Resolución espacial: 2.5 minutos Cobertura espacial: global Sistema de referencia: WGS84 (EPSG:4326) Unidad de medida: °C Fuente: WorldClim v2.1

Las variables permiten analizar condiciones de calor extremo y posibles efectos de estrés térmico sobre la productividad potencial de la caña de azúcar.

tmax_current <- worldclim_global(
  var = "tmax",
  res = 2.5,
  path = "data/"
)

5. Extraer variables climáticas en los puntos

prec_vals <- cache_rds(

  "cache/prec_vals.rds",

  {

    terra::extract(
      pr_current,
      pts
    )
  }
)

## Leyendo desde cache:
##  cache/prec_vals.rds

tmin_vals <- cache_rds(

  "cache/tmin_vals.rds",

  {

    terra::extract(
      tmin_current,
      pts
    )
  }
)

## Leyendo desde cache:
##  cache/tmin_vals.rds

tmax_vals <- cache_rds(

  "cache/tmax_vals.rds",

  {

    terra::extract(
      tmax_current,
      pts
    )
  }
)

## Leyendo desde cache:
##  cache/tmax_vals.rds

6. Calcular temperatura media mensual

temp_mean <- (
  tmin_vals[,-1] +
  tmax_vals[,-1]
) / 2

8. Construir dataframe de temperatura

El objeto pts corresponde a un conjunto de puntos geográficos seleccionados dentro del Valle del Cauca.

Características principales:

Tipo de objeto: SpatVector Número de observaciones: 5 Tipo geométrico: puntos Sistema de referencia: WGS84 (EPSG:4326)

Los puntos representan municipios estratégicos de la región cañera del Valle del Cauca:

Cartago Palmira Cali Buga Tuluá

Para cada punto se analizaron condiciones de temperatura, precipitación y similaridad climática global.

pts <- vect(
  data.frame(

    sitio = c(
      "Cartago",
      "Palmira",
      "Cali",
      "Buga",
      "Tulua"
    ),

    lon = c(
      -75.91,
      -76.30,
      -76.53,
      -76.30,
      -76.20
    ),

    lat = c(
      4.75,
      3.54,
      3.45,
      3.90,
      4.08
    )
  ),

  geom = c("lon","lat"),

  crs = "EPSG:4326"
)

writeVector(
  pts,
  "cache/pts.gpkg",
  overwrite = TRUE
)

## Crear vector de meses
meses <- c(
  "Ene","Feb","Mar","Abr","May","Jun",
  "Jul","Ago","Sep","Oct","Nov","Dic"
)

pts <- vect(
  "cache/pts.gpkg"
)

temp_df <- as.data.frame(temp_mean)

names(temp_df) <- meses

temp_df$sitio <- pts$sitio

9. Pasar temperatura a formato largo

temp_long <- pivot_longer(
  
  temp_df,
  
  cols = all_of(meses),
  
  names_to = "mes",
  
  values_to = "temperatura"
)

10. Construir dataframe de precipitación

prec_df <- as.data.frame(
  prec_vals[,-1]
)

names(prec_df) <- meses

prec_df$sitio <- pts$sitio

11. Pasar precipitación a formato largo

prec_long <- pivot_longer(
  
  prec_df,
  
  cols = all_of(meses),
  
  names_to = "mes",
  
  values_to = "precipitacion"
)

12. Graficar temperatura mensual

temp_long$mes <- factor(
  temp_long$mes,
  levels = meses,
  ordered = TRUE
)

ggplot(
  temp_long,
  
  aes(
    x = mes,
    y = temperatura,
    color = sitio,
    group = sitio
  )
) +

geom_line(linewidth = 1.1) +

geom_point(size = 2) +

labs(
  title = "Temperatura media mensual",
  subtitle = "Puntos representativos del Valle del Cauca",
  x = "Mes - último año",
  y = "Temperatura (°C)"
) +

theme_minimal()

13. Graficar precipitación mensual

prec_long$mes <- factor(
  prec_long$mes,
  levels = meses,
  ordered = TRUE
)


ggplot(
  prec_long,
  
  aes(
    x = mes,
    y = precipitacion,
    color = sitio,
    group = sitio
  )
) +

geom_line(linewidth = 1.1) +

geom_point(size = 2) +

labs(
  title = "Precipitación mensual",
  subtitle = "Puntos representativos del Valle del Cauca",
  x = "Mes",
  y = "Precipitación (mm)"
) +

theme_minimal()

14. Tabla de puntos representativos

## Reconstruir puntos completamente
pts_df <- data.frame(
  
  sitio = c(
    "Cartago",
    "Palmira",
    "Cali",
    "Buga",
    "Tulua"
  ),
  
  lon = c(
    -75.91,
    -76.30,
    -76.53,
    -76.30,
    -76.20
  ),
  
  lat = c(
    4.75,
    3.54,
    3.45,
    3.90,
    4.08
  ),
  
  altitud_m = as.numeric(c(
    917,
    1001,
    1018,
    969,
    960
  ))
)

## Crear nuevamente el SpatVector
pts <- terra::vect(
  pts_df,
  geom = c("lon","lat"),
  crs = "EPSG:4326"
)

## Extraer coordenadas
coords <- terra::crds(pts)

## Tabla final
tabla_puntos <- data.frame(

  Sitio = pts_df$sitio,

  Longitud = round(coords[,1], 3),

  Latitud = round(coords[,2], 3),

  Altitud_m = round(
    pts_df$altitud_m,
    0
  )
)

## Mostrar tabla
knitr::kable(

  tabla_puntos,

  digits = 3,

  caption = "Puntos representativos seleccionados en el Valle del Cauca"
)

Puntos representativos seleccionados en el Valle del Cauca
Sitio	Longitud	Latitud	Altitud_m
Cartago	-75.91	4.75	917
Palmira	-76.30	3.54	1001
Cali	-76.53	3.45	1018
Buga	-76.30	3.90	969
Tulua	-76.20	4.08	960

Pregunta 4. ¿Qué regiones del mundo presentan condiciones climáticas similares a las observadas en los puntos seleccionados del Valle del Cauca según métricas de similaridad climática?

Objetivo

Identificar regiones del mundo con condiciones climáticas similares a las observadas en distintos puntos representativos del Valle del Cauca mediante métricas de distancia climática construidas a partir de variables bioclimáticas de temperatura y precipitación.

Metodología

Se utilizan variables bioclimáticas relacionadas con:

temperatura media,
extremos térmicos,
precipitación anual,
estacionalidad climática,
precipitación en trimestres secos y cálidos.

Posteriormente:

se extraen las condiciones climáticas de cada punto seleccionado,
se estandarizan las variables,
se calcula una distancia climática global,
se transforma la distancia en un índice de similaridad,
y finalmente se identifican únicamente las regiones con mayor parecido climático.

Las zonas resaltadas representan las regiones del mundo con condiciones ambientales más similares a cada punto del Valle del Cauca.

1. Seleccionar variables bioclimáticas

## =========================
## Cargar CMIP6 con cache
## =========================

cmip <- cache_raster(

  "cache/cmip_bio_2041_2060.tif",

  {

    geodata::cmip6_world(
      model = "EC-Earth3-Veg",
      ssp = "245",
      time = "2041-2060",
      var = "bio",
      res = 2.5,
      path = "data/"
    )

  }
)

## Leyendo raster desde cache:
## cache/cmip_bio_2041_2060.tif

## Renombrar variables BIO
names(cmip) <- paste0(
  "BIO",
  1:19
)

## Variables bioclimáticas relevantes
bio_vars <- c(
  "BIO1",
  "BIO5",
  "BIO6",
  "BIO12",
  "BIO15",
  "BIO17",
  "BIO18"
)

## Crear stack reducido
bio_stack <- cmip[[bio_vars]]

bio_stack

## class       : SpatRaster 
## size        : 4320, 8640, 7  (nrow, ncol, nlyr)
## resolution  : 0.04166667, 0.04166667  (x, y)
## extent      : -180, 180, -90, 90  (xmin, xmax, ymin, ymax)
## coord. ref. : lon/lat WGS 84 (EPSG:4326) 
## source      : cmip_bio_2041_2060.tif 
## names       :  BIO1,  BIO5,  BIO6, BIO12, BIO15, BIO17, ... 
## min values  : -53.3, -29.4, -71.5,     0,   0.0,     0, ... 
## max values  :  33.4,  51.2,  27.8, 11693, 230.7,  1524, ...

2. Extraer clima de los puntos

pts_climate <- cache_rds(

  "cache/pts_climate.rds",

  {

    terra::extract(
      bio_stack,
      pts
    )
  }
)

## Leyendo desde cache:
##  cache/pts_climate.rds

3. Estandarizar variables climáticas

La estandarización evita que variables con escalas grandes dominen el cálculo de distancia climática.

global_values <- values(
  bio_stack
)

complete_rows <- complete.cases(
  global_values
)

global_matrix <- global_values[
  complete_rows,
]

clim_matrix <- scale(
  global_matrix
)

centers <- attr(
  clim_matrix,
  "scaled:center"
)

scales <- attr(
  clim_matrix,
  "scaled:scale"
)

4. Calcular mapas de similaridad climática

library(terra)
library(ggplot2)
library(tidyterra)
library(dplyr)
library(terra)
library(ggplot2)
library(tidyterra)
library(dplyr)
library(tidyr)

#========================================
# RECARGAR CMIP DESDE CACHE
#========================================

cmip <- cache_raster(

  "cache/cmip_bio.tif",

  {

    x <- load_or_download_cmip(

      model = "EC-Earth3-Veg",

      ssp = "245",

      time = "2041-2060",

      var = "bio",

      res = 2.5,

      path = "data/"
    )

    names(x) <- paste0("BIO", 1:19)

    x
  }
)

## Leyendo raster desde cache:
## cache/cmip_bio.tif

#========================================
# VARIABLES BIO
#========================================

bio_vars <- c(
  "BIO1",
  "BIO5",
  "BIO6",
  "BIO12",
  "BIO15",
  "BIO17",
  "BIO18"
)

#========================================
# STACK REDUCIDO
#========================================

bio_stack <- cache_raster(

  "cache/bio_stack_selected.tif",

  {

    cmip[[bio_vars]]
  }
)

## Leyendo raster desde cache:
## cache/bio_stack_selected.tif

#========================================
# FRONTERAS
#========================================

world_plot <- geodata::world(
  path = "data/"
)

#========================================
# INFORMACIÓN PUNTOS
#========================================

pts_info <- data.frame(

  sitio = c(
    "Cartago",
    "Palmira",
    "Cali",
    "Buga",
    "Tulua"
  ),

  lon = c(
    -75.91,
    -76.30,
    -76.53,
    -76.30,
    -76.20
  ),

  lat = c(
    4.75,
    3.54,
    3.45,
    3.90,
    4.08
  )
)

#========================================
# PUNTOS VECTORIALES
#========================================

pts_vect <- vect(
  pts_info,
  geom = c("lon","lat"),
  crs = "EPSG:4326"
)

#========================================
# EXTRAER CLIMA PUNTOS
#========================================

pts_climate <- cache_rds(

  "cache/pts_climate_similarity.rds",

  {

    terra::extract(
      bio_stack,
      pts_vect
    )
  }
)

## Leyendo desde cache:
##  cache/pts_climate_similarity.rds

#========================================
# MUESTREO GLOBAL
#========================================

bio_df <- cache_rds(

  "cache/bio_df_global.rds",

  {

    spatSample(

      bio_stack,

      size = 200000,

      method = "regular",

      as.df = TRUE,

      xy = TRUE,

      na.rm = TRUE
    )
  }
)

## Leyendo desde cache:
##  cache/bio_df_global.rds

#========================================
# LIMPIAR NAs
#========================================

bio_df_clean <- cache_rds(

  "cache/bio_df_clean.rds",

  {

    bio_df %>%

      drop_na(
        all_of(bio_vars)
      )
  }
)

## Leyendo desde cache:
##  cache/bio_df_clean.rds

#========================================
# MATRIZ CLIMÁTICA ESTANDARIZADA
#========================================

clim_objects <- cache_rds(

  "cache/clim_matrix_objects.rds",

  {

    clim_matrix <- scale(
      bio_df_clean[, bio_vars]
    )

    list(

      clim_matrix = clim_matrix,

      centers = attr(
        clim_matrix,
        "scaled:center"
      ),

      scales = attr(
        clim_matrix,
        "scaled:scale"
      )
    )
  }
)

## Leyendo desde cache:
##  cache/clim_matrix_objects.rds

#========================================
# RECUPERAR OBJETOS
#========================================

clim_matrix <- clim_objects$clim_matrix

centers <- clim_objects$centers

scales <- clim_objects$scales

#========================================
# MATRIZ CLIMÁTICA
#========================================

clim_matrix <- scale(
  bio_df_clean[, bio_vars]
)

centers <- attr(
  clim_matrix,
  "scaled:center"
)

scales <- attr(
  clim_matrix,
  "scaled:scale"
)

#========================================
# TEMPLATE RASTER NUEVO
#========================================

template_raster <- bio_stack[[1]]

template_raster <- rast(
  "cache/bio_stack_selected.tif"
)[[1]]

#========================================
# LOOP DE MAPAS
#========================================

for(i in 1:nrow(pts_info)){

  #-----------------------------------
  # Información del punto
  #-----------------------------------

  sitio_actual <- pts_info$sitio[i]

  lon_actual <- pts_info$lon[i]

  lat_actual <- pts_info$lat[i]

  #-----------------------------------
  # Vector climático referencia
  #-----------------------------------

  ref <- pts_climate[
    i,
    bio_vars
  ]

  ref_scaled <- scale(

    ref,

    center = centers,

    scale = scales
  )

  #-----------------------------------
  # Distancia climática
  #-----------------------------------

  dist_clim <- sqrt(

    rowSums(

      (
        clim_matrix -

        matrix(

          as.numeric(ref_scaled),

          nrow(clim_matrix),

          length(bio_vars),

          byrow = TRUE
        )

      )^2
    )
  )

  #-----------------------------------
  # Similaridad
  #-----------------------------------

  similarity_values <- 1 / (1 + dist_clim)

  #-----------------------------------
  # Percentil 95
  #-----------------------------------

  threshold <- quantile(

    similarity_values,

    probs = 0.95,

    na.rm = TRUE
  )

  #-----------------------------------
  # Dataframe espacial
  #-----------------------------------

  sim_df <- bio_df_clean[, c("x","y")]

  sim_df$similar <- ifelse(

    similarity_values >= threshold,

    "Muy similar",

    NA
  )

  sim_df <- sim_df %>%

    filter(
      !is.na(similar)
    )

  #-----------------------------------
  # MAPA
  #-----------------------------------

  p <- ggplot() +

    geom_point(

      data = sim_df,

      aes(
        x = x,
        y = y
      ),

      color = "darkgreen",

      alpha = 0.5,

      size = 0.4
    ) +

    geom_spatvector(

      data = world_plot,

      fill = NA,

      color = "black",

      linewidth = 0.2
    ) +

    geom_point(

      aes(
        x = lon_actual,
        y = lat_actual
      ),

      color = "red",

      size = 3
    ) +

    coord_sf(

      xlim = c(-120,160),

      ylim = c(-40,40)
    ) +

    labs(

      title = paste(
        "Regiones climáticamente similares a",
        sitio_actual
      ),

      subtitle = "Top 5% de regiones con mayor similaridad climática",

      caption = paste(
        "Variables utilizadas:",
        paste(bio_vars, collapse = ", ")
      )
    ) +

    theme_minimal()

  print(p)

  gc()
}

Pregunta 5. ¿Qué diferencias y similitudes se observan entre los mapas generados mediante la aproximación de aptitud climática y aquellos obtenidos a partir de métricas de similaridad?

Objetivo

Comparar espacialmente las regiones identificadas como altamente aptas para el cultivo de caña de azúcar con aquellas regiones que presentan alta similaridad climática respecto a los puntos seleccionados del Valle del Cauca.

La comparación permite evaluar:

qué zonas del mundo cumplen simultáneamente ambas condiciones,
qué regiones son aptas pero climáticamente diferentes,
y qué regiones presentan climas similares aunque no necesariamente tengan la mayor aptitud climática para la caña.

Metodología de comparación espacial

Se comparan dos resultados previamente obtenidos:

El mapa global de alta aptitud climática para caña de azúcar.
Los mapas de similaridad climática construidos mediante distancia euclidiana respecto a cada punto del Valle del Cauca.

Para cada punto se genera un mapa de superposición espacial con tres categorías:

Zonas únicamente aptas para caña.
Zonas únicamente similares climáticamente.
Zonas donde ambas condiciones coinciden.

Construcción de mapas de superposición

library(terra)
library(ggplot2)
library(tidyterra)
library(dplyr)

#========================================
# CARGAR APTITUD
#========================================

high_suitability <- rast(
  "cache/high_suitability.tif"
)

#========================================
# TEMPLATE
#========================================

template_raster <- rast(
  "cache/bio_stack_selected.tif"
)[[1]]

#========================================
# FRONTERAS
#========================================

world_plot <- geodata::world(
  path = "data/"
)

#========================================
# LOOP
#========================================

for(i in 1:nrow(pts_info)){

  #-----------------------------------
  # Información punto
  #-----------------------------------

  sitio_actual <- pts_info$sitio[i]

  lon_actual <- pts_info$lon[i]

  lat_actual <- pts_info$lat[i]

  #-----------------------------------
  # Referencia climática
  #-----------------------------------

  ref <- pts_climate[
    i,
    bio_vars
  ]

  ref_scaled <- scale(

    ref,

    center = centers,

    scale = scales
  )

  #-----------------------------------
  # Distancia climática
  #-----------------------------------

  dist_clim <- sqrt(

    rowSums(

      (
        clim_matrix -

        matrix(

          as.numeric(ref_scaled),

          nrow(clim_matrix),

          length(bio_vars),

          byrow = TRUE
        )

      )^2
    )
  )

  #-----------------------------------
  # Similaridad
  #-----------------------------------

  similarity_values <- 1 / (1 + dist_clim)

  threshold <- quantile(

    similarity_values,

    probs = 0.95,

    na.rm = TRUE
  )

  #-----------------------------------
  # Raster similaridad
  #-----------------------------------

  similarity_raster <- rast(
    template_raster
  )

  values(similarity_raster) <- NA

  cells <- cellFromXY(

    template_raster,

    bio_df_clean[, c("x","y")]
  )

  similarity_binary <- ifelse(

    similarity_values >= threshold,

    1,

    NA
  )

  similarity_raster[cells] <- similarity_binary

  #-----------------------------------
  # COMPARACIÓN
  #-----------------------------------

  comparison <- high_suitability + (similarity_raster * 2)

  names(comparison) <- "categoria"

  #-----------------------------------
  # DATAFRAME
  #-----------------------------------

  comparison_df <- as.data.frame(

    comparison,

    xy = TRUE,

    na.rm = TRUE
  )

  names(comparison_df)[3] <- "categoria"

  comparison_df$categoria <- factor(

    comparison_df$categoria,

    levels = c(1,2,3),

    labels = c(

      "Solo aptitud",

      "Solo similaridad",

      "Solapamiento"
    )
  )

  #-----------------------------------
  # MAPA
  #-----------------------------------

  p <- ggplot() +

    geom_raster(

      data = comparison_df,

      aes(

        x = x,

        y = y,

        fill = categoria
      )
    ) +

    scale_fill_manual(

      values = c(

        "Solo aptitud" = "orange",

        "Solo similaridad" = "steelblue",

        "Solapamiento" = "darkgreen"
      ),

      na.value = "white",

      name = "Clasificación"
    ) +

    geom_spatvector(

      data = world_plot,

      fill = NA,

      color = "black",

      linewidth = 0.2
    ) +

    geom_point(

      aes(

        x = lon_actual,

        y = lat_actual
      ),

      color = "red",

      size = 3
    ) +

    coord_sf(

      xlim = c(-120,160),

      ylim = c(-40,40)
    ) +

    labs(

      title = paste(

        "Comparación entre aptitud y similaridad:",

        sitio_actual
      ),

      subtitle = "Superposición espacial de regiones aptas y regiones similares",

      caption = "Verde = coincidencia entre ambas metodologías"
    ) +

    theme_minimal()

  print(p)

  gc()
}

## |---------|---------|---------|---------|=========================================                                          |---------|---------|---------|---------|=========================================                                          |---------|---------|---------|---------|=========================================

## |---------|---------|---------|---------|=========================================                                          |---------|---------|---------|---------|=========================================                                          |---------|---------|---------|---------|=========================================

## |---------|---------|---------|---------|=========================================                                          |---------|---------|---------|---------|=========================================                                          |---------|---------|---------|---------|=========================================

## |---------|---------|---------|---------|=========================================                                          |---------|---------|---------|---------|=========================================                                          |---------|---------|---------|---------|=========================================

## |---------|---------|---------|---------|=========================================                                          |---------|---------|---------|---------|=========================================                                          |---------|---------|---------|---------|=========================================

Los mapas obtenidos mediante la aproximación de aptitud climática y aquellos construidos a partir de métricas de similaridad presentan importantes coincidencias espaciales, aunque responden a enfoques metodológicos diferentes.

Por un lado, el índice de aptitud climática identifica regiones que cumplen simultáneamente con rangos considerados óptimos para el cultivo de caña de azúcar. Esta metodología utiliza criterios agronómicos predefinidos asociados principalmente con temperatura, precipitación y estacionalidad climática. Como resultado, los mapas muestran grandes extensiones tropicales y subtropicales con condiciones favorables para el cultivo, especialmente en regiones de Brasil, India, Centroamérica, el sudeste asiático y África tropical.

Por otro lado, el análisis de similaridad climática no evalúa directamente la aptitud agrícola, sino el grado de parecido climático entre diferentes regiones del mundo y puntos específicos seleccionados en el Valle del Cauca. Para ello se utilizan métricas cuantitativas basadas en distancia euclidiana sobre variables bioclimáticas estandarizadas. Esta aproximación permite identificar regiones que presentan combinaciones climáticas comparables a las observadas localmente, independientemente de si dichas condiciones corresponden o no a rangos óptimos teóricos para la caña de azúcar.

Entre las principales similitudes se observa que ambas metodologías resaltan predominantemente regiones tropicales húmedas y cálidas. Esto sugiere que las condiciones climáticas del Valle del Cauca coinciden con algunos de los principales cinturones productores de caña de azúcar a nivel mundial. Asimismo, ambos enfoques identifican una fuerte concentración de áreas favorables en latitudes bajas cercanas al ecuador.

Sin embargo, también se observan diferencias importantes. El índice de aptitud climática genera mapas más continuos y generalizados, debido a que clasifica áreas según umbrales fijos de adecuación agrícola. En contraste, los mapas de similaridad muestran patrones más fragmentados y específicos, ya que dependen de la combinación multivariada exacta de condiciones climáticas presentes en cada punto analizado.

Adicionalmente, la aproximación de aptitud climática está orientada a evaluar potencial productivo para un cultivo específico, mientras que la similaridad climática permite explorar analogías ambientales y posibles regiones comparables desde una perspectiva ecológica y agroclimática más amplia.

En conjunto, ambas metodologías son complementarias. El análisis de aptitud permite identificar regiones potencialmente favorables para la producción de caña de azúcar, mientras que el análisis de similaridad climática permite reconocer territorios con comportamientos ambientales comparables al Valle del Cauca y explorar posibles patrones globales de adaptación climática y distribución agrícola.

Interpretación

Los resultados muestran que las regiones climáticamente similares a los puntos seleccionados del Valle del Cauca se concentran principalmente en zonas tropicales y subtropicales del planeta.

Las áreas identificadas presentan patrones comparables de temperatura media anual, disponibilidad hídrica y estacionalidad climática, características fundamentales para el desarrollo del cultivo de caña de azúcar.

En general, las regiones con mayor similaridad se localizan en:

Brasil,
India,
Centroamérica,
sudeste asiático,
y algunas zonas del África tropical.

Estos resultados coinciden con importantes regiones productoras de caña de azúcar a nivel mundial, lo que sugiere que las condiciones agroclimáticas del Valle del Cauca son comparables con varios de los principales cinturones cañeros del planeta.

Asimismo, se observan diferencias espaciales entre los puntos seleccionados, lo cual refleja la variabilidad altitudinal y climática existente dentro del Valle del Cauca.

Informe Actividad 2 - AIGE

Pontificia universidad Javeriana Cali - 2026-I

Cindy Lugo

2026-05-16

Contexto

Objetivo

Preguntas de investigación

Tabla de variables

Descripción de datos climáticos CMIP6

Extraer variables clave y ajustar las escalas de temperatura

Validación de la escala de la temperatura

Pregunta 1. ¿Qué regiones del mundo presentan condiciones climáticas óptimas para el cultivo de caña de azúcar según los rangos ideales de temperatura y precipitación?

1. Crear funciones de aptitud de acuerdo con las variables de mayor relevancia para el cultivo de la caña

BIO1 — Temperatura media anual

BIO5 — calor extremo

BIO6 — frío

BIO12 — precipitación anual

BIO15 — estacionalidad

BIO17 — trimestre seco

BIO18 — lluvia trimestre cálido

2. Construir índice multicriterio

3. Graficar el resultado

Pregunta 2. ¿Qué países concentran áreas de alto potencial climático para la caña de azúcar y cómo se distribuyen espacialmente dichas zonas dentro de su territorio?

1. Descargar fronteras mundiales

2. Convertir índice de aptitud a categorías

Descripción de datos de elevación

3. Calcular área por pixel

4. Área apta total

5. Extraer área por país

6. Graficar resultados

Pregunta 3. ¿Cómo se comportan las variables climáticas de temperatura y precipitación en algunos puntos representativos del Valle del Cauca?

1. Descargar elevación

2. Crear puntos representativos

3. Extraer altitud

4. Descargar clima actual

4.1. Precipitación mensual

4.2. Temperatura mínima mensual

4.3. Temperatura máxima mensual

5. Extraer variables climáticas en los puntos

6. Calcular temperatura media mensual

8. Construir dataframe de temperatura

9. Pasar temperatura a formato largo

10. Construir dataframe de precipitación

11. Pasar precipitación a formato largo

12. Graficar temperatura mensual

13. Graficar precipitación mensual

14. Tabla de puntos representativos

Pregunta 4. ¿Qué regiones del mundo presentan condiciones climáticas similares a las observadas en los puntos seleccionados del Valle del Cauca según métricas de similaridad climática?

Objetivo

Metodología

1. Seleccionar variables bioclimáticas

2. Extraer clima de los puntos

3. Estandarizar variables climáticas

4. Calcular mapas de similaridad climática

Pregunta 5. ¿Qué diferencias y similitudes se observan entre los mapas generados mediante la aproximación de aptitud climática y aquellos obtenidos a partir de métricas de similaridad?

Objetivo

Metodología de comparación espacial

Construcción de mapas de superposición

Interpretación