Mapa de aptitud climática para caña de azúcar

1. Introducción

La caña de azúcar es un cultivo que depende en gran medida de las condiciones climáticas del territorio donde se desarrolla. Aunque puede adaptarse a diferentes ambientes, su crecimiento se ve favorecido cuando existen temperaturas cálidas, suficiente disponibilidad de agua y una distribución de lluvias que acompañe el desarrollo del cultivo durante el año. Por esta razón, el análisis climático resulta útil para identificar zonas con mayor o menor potencial para su establecimiento.

Este informe tiene como propósito construir y analizar mapas de aptitud climática para la caña de azúcar a escala global, utilizando datos públicos de línea base climática de WorldClim. Para ello, se consideraron tres criterios principales: temperatura media anual, precipitación anual y precipitación mensual. Los rangos óptimos definidos fueron: temperatura media anual entre 22,5 °C y 28 °C, precipitación anual entre 1.500 mm y 3.500 mm, y precipitación mensual entre 125 mm y 290 mm.

El trabajo se desarrolló en varias etapas. Primero, se evaluó cada criterio climático por separado, con el fin de observar qué zonas del mundo cumplen con los rangos definidos para temperatura, precipitación anual y precipitación mensual. Posteriormente, se construyó un índice integrado de aptitud climática que combina los tres criterios en una sola medida, permitiendo identificar las zonas donde las condiciones climáticas se acercan más a los requerimientos del cultivo.

Además del mapa continuo de aptitud, se elaboró un mapa clasificado en cuatro niveles: baja o no apta, aptitud media-baja, aptitud media-alta y alta aptitud. Esta clasificación permitió facilitar la interpretación de los resultados y reconocer con mayor claridad las áreas con mejores condiciones climáticas para la caña de azúcar. A partir de este mapa se seleccionaron tres países con áreas importantes de alta aptitud: Brasil, República Democrática del Congo e Indonesia, con el fin de observar con mayor detalle la distribución interna de la aptitud climática en cada uno.

Finalmente, el análisis se complementó con la selección de tres puntos en el Valle del Cauca: Cali, Palmira y Buenaventura. Para estos puntos se extrajo información mensual de temperatura y precipitación, lo que permitió comparar sus condiciones climáticas. Luego se generaron mapas de similaridad climática global, con el objetivo de identificar qué zonas del mundo presentan climas parecidos a estos lugares del departamento. De esta manera, el informe no solo identifica dónde existen condiciones aptas para la caña de azúcar, sino también qué territorios tienen comportamientos climáticos semejantes a puntos específicos del Valle del Cauca.

2. Metodología

Para la construcción de los mapas de aptitud climática de la caña de azúcar se trabajó en el entorno de RMarkdown, con el fin de organizar en un mismo documento el procesamiento de los datos, la generación de los mapas y la interpretación de los resultados. En primer lugar, se cargaron los paquetes necesarios para el manejo de información espacial, descarga de datos climáticos, procesamiento de rásteres y elaboración de gráficos. Entre ellos se utilizaron paquetes como terra, geodata, tidyterra, ggplot2, sf, viridis y patchwork, los cuales permitieron trabajar con capas climáticas globales y representarlas cartográficamente.

Posteriormente, se descargaron los datos climáticos globales de línea base desde WorldClim. Para este ejercicio se utilizaron dos grupos de información: las variables bioclimáticas y la precipitación mensual. Las variables bioclimáticas permitieron obtener la temperatura media anual y la precipitación anual, mientras que la información de precipitación mensual permitió evaluar si la distribución de las lluvias durante el año se encontraba dentro del rango considerado adecuado para el cultivo de caña de azúcar.

Después de la descarga, se revisaron los nombres de las capas disponibles, ya que WorldClim puede nombrar las variables de diferentes formas según la versión o resolución descargada. Por esta razón, la selección de las variables no se hizo escribiendo manualmente el nombre exacto de cada capa, sino buscando dentro del conjunto de datos las capas correspondientes a la temperatura media anual y a la precipitación anual. Con esto se evitó que el código fallara por diferencias en los nombres internos de los archivos.

Una vez seleccionadas las variables, se extrajo la temperatura media anual, la precipitación anual y la precipitación mensual. También se verificó la escala de la temperatura, debido a que en algunos productos climáticos los valores pueden venir multiplicados por diez. En caso de presentarse esta situación, los valores fueron divididos entre diez para trabajar la temperatura en grados Celsius.

Luego se definió una función para evaluar si cada celda del mapa cumplía o no con los rangos óptimos establecidos para la caña de azúcar. Esta función asignó un valor de 1 cuando la condición climática se encontraba dentro del rango adecuado y un valor de 0 cuando estaba por fuera. De esta manera, cada variable climática fue convertida en una capa de aptitud, donde las zonas aptas y no aptas podían identificarse de forma clara.

Con esta función se evaluaron tres criterios climáticos. El primero fue la temperatura media anual, considerando como rango óptimo los valores entre 22,5 °C y 28 °C. El segundo criterio fue la precipitación anual, tomando como adecuado el rango entre 1.500 mm y 3.500 mm. El tercer criterio fue la precipitación mensual, para la cual se revisó si cada mes se encontraba entre 125 mm y 290 mm. En este último caso, no se generó una sola respuesta de cumple o no cumple, sino un promedio de cumplimiento mensual. Esto permitió identificar las zonas donde una mayor cantidad de meses del año presentan lluvias dentro del rango óptimo.

Los tres criterios climáticos fueron representados en un solo panel horizontal. Este panel permitió comparar, en una misma figura, la distribución espacial de la aptitud por temperatura media anual, precipitación anual y precipitación mensual. Esta forma de presentación facilita observar cuál de los criterios limita más la aptitud climática en cada región del mundo antes de construir los mapas finales integrados para la caña de azúcar.

Después de revisar los criterios por separado, se construyó un índice integrado de aptitud climática. Para esto, se combinaron las tres capas obtenidas previamente: aptitud por temperatura media anual, aptitud por precipitación anual y aptitud por precipitación mensual. A cada una se le asignó un peso según su importancia dentro del análisis. La temperatura media anual tuvo un peso del 40 %, mientras que la precipitación anual y la precipitación mensual tuvieron cada una un peso del 30 %. Esta combinación permitió generar un valor único de aptitud climática para cada celda del mapa.

El índice final tomó valores entre 0 y 1. Los valores cercanos a 0 indicaron zonas con baja coincidencia frente a los rangos óptimos definidos, mientras que los valores cercanos a 1 señalaron zonas con mejores condiciones climáticas para el cultivo. De esta manera, el índice permitió pasar de una revisión separada de cada variable a una lectura integrada de la aptitud climática para la caña de azúcar.

Posteriormente, el índice continuo fue clasificado en cuatro niveles de aptitud para facilitar su interpretación. Los valores entre 0,00 y 0,25 fueron definidos como baja o no apta; los valores entre 0,25 y 0,50 como aptitud media-baja; los valores entre 0,50 y 0,75 como aptitud media-alta; y los valores entre 0,75 y 1,00 como alta aptitud. Esta clasificación permitió identificar de forma más clara las zonas con mejores y peores condiciones climáticas.

Con base en estos resultados, se elaboraron dos mapas finales. El primero correspondió al mapa continuo de aptitud climática, en el cual se representó el valor exacto del índice en una escala de 0 a 1. Este mapa permitió observar los cambios graduales de aptitud entre regiones y reconocer zonas donde las condiciones climáticas se acercan más o menos a los rangos definidos.

El segundo fue el mapa clasificado de aptitud climática. En este caso, el índice se presentó agrupado en las cuatro categorías mencionadas, usando una escala de colores que facilitó la lectura visual del resultado. Este mapa permitió identificar con mayor facilidad las áreas de alta aptitud, aptitud media-alta, aptitud media-baja y baja o nula aptitud para la caña de azúcar.

# 2. Cargar paquetes
paquetes <- c(
  "terra",
  "geodata",
  "tidyterra",
  "ggplot2",
  "dplyr",
  "viridis",
  "sf",
  "knitr",
  "patchwork"
)

instalar <- paquetes[!paquetes %in% installed.packages()[, "Package"]]

if (length(instalar) > 0) {
  install.packages(instalar)
}

library(terra)
library(geodata)
library(tidyterra)
library(ggplot2)
library(dplyr)
library(viridis)
library(sf)
library(knitr)
library(patchwork)

# 3. Descargar datos climáticos globales

dir.create("datos_worldclim", showWarnings = FALSE)

bio <- geodata::worldclim_global(
  var = "bio",
  res = 10,
  path = "datos_worldclim"
)

prec <- geodata::worldclim_global(
  var = "prec",
  res = 10,
  path = "datos_worldclim"
)

# 4. Revisar nombres de capas disponibles
names(bio)
names(prec)

# 5. Selección robusta de variables climáticas
# ------------------------------------------------------------
# WorldClim puede traer nombres como:
# wc2.1_10m_bio_1
# wc2.1_10m_bio_12
#
# Por eso se seleccionan las capas con grep,
# evitando usar directamente bio[["bio1"]].
# ------------------------------------------------------------

nombre_bio1 <- grep("bio_?1$|bio1$", names(bio), value = TRUE)
nombre_bio12 <- grep("bio_?12$|bio12$", names(bio), value = TRUE)

if (length(nombre_bio1) == 0) {
  stop("No se encontró la capa bio1: temperatura media anual. Revisa names(bio).")
}

if (length(nombre_bio12) == 0) {
  stop("No se encontró la capa bio12: precipitación anual. Revisa names(bio).")
}

temp_media_anual <- bio[[nombre_bio1[1]]]
prec_anual <- bio[[nombre_bio12[1]]]
prec_mensual <- prec

temp_media_anual
prec_anual
prec_mensual

# 6. Corrección de escala de temperatura
if (!inherits(temp_media_anual, "SpatRaster")) {
  stop("temp_media_anual no es un SpatRaster. Revisa la selección de la capa bio1.")
}

if (terra::global(temp_media_anual, "max", na.rm = TRUE)[1, 1] > 100) {
  temp_media_anual <- temp_media_anual / 10
}

# 7. Función para calcular aptitud climática
aptitud_rango <- function(raster, min_val, max_val) {
  terra::app(raster, fun = function(x) {
    ifelse(
      is.na(x), NA,
      ifelse(x >= min_val & x <= max_val, 1, 0)
    )
  })
}

# 8. Cálculo de aptitud por criterio climático
# ------------------------------------------------------------
# 8.1 Aptitud por temperatura media anual
# Rango óptimo: 22.5 °C a 28 °C
# ------------------------------------------------------------

apt_temp <- aptitud_rango(
  temp_media_anual,
  min_val = 22.5,
  max_val = 28
)

names(apt_temp) <- "Aptitud_temperatura_media_anual"


# ------------------------------------------------------------
# 8.2 Aptitud por precipitación anual
# Rango óptimo: 1500 mm a 3500 mm
# ------------------------------------------------------------

apt_prec_anual <- aptitud_rango(
  prec_anual,
  min_val = 1500,
  max_val = 3500
)

names(apt_prec_anual) <- "Aptitud_precipitacion_anual"


# ------------------------------------------------------------
# 8.3 Aptitud por precipitación mensual
# Rango óptimo mensual: 125 mm a 290 mm
# ------------------------------------------------------------

apt_prec_meses <- aptitud_rango(
  prec_mensual,
  min_val = 125,
  max_val = 290
)

# Promedio de cumplimiento mensual:
# 1 = los 12 meses cumplen
# 0.5 = 6 de 12 meses cumplen
# 0 = ningún mes cumple

apt_prec_mensual <- mean(
  apt_prec_meses,
  na.rm = TRUE
)

names(apt_prec_mensual) <- "Aptitud_precipitacion_mensual"

3. Mapas Panel horizontal de criterios climáticos

Los mapas muestran la distribución espacial de tres criterios climáticos usados para estimar la aptitud de la caña de azúcar. Los rangos óptimos definidos para el análisis fueron: temperatura media anual entre 22,5 °C y 28 °C, precipitación anual entre 1.500 mm y 3.500 mm, y precipitación mensual entre 125 mm y 290 mm. En los dos primeros mapas, las zonas verdes corresponden a áreas que cumplen con el rango óptimo establecido para cada variable, mientras que las zonas rojas indican áreas que no cumplen. En el tercer mapa, la escala muestra el nivel de cumplimiento mensual de la precipitación: los tonos oscuros representan pocos meses dentro del rango adecuado y los tonos amarillos indican una mayor cantidad de meses con lluvias dentro del rango óptimo mensual.

En términos de temperatura media anual, se observa que las zonas con mejores condiciones se concentran principalmente en regiones tropicales y subtropicales, especialmente en parte de América Latina, África central, el sudeste asiático y algunas zonas del norte de Australia. Esto significa que estas áreas presentan temperaturas medias anuales dentro del intervalo de 22,5 °C a 28 °C, considerado adecuado para el cultivo. Por el contrario, regiones de latitudes altas, como Canadá, Rusia, Europa del norte y la Antártida, no cumplen con este criterio debido a sus bajas temperaturas medias.

Para la precipitación anual, el patrón muestra que las zonas aptas se ubican sobre todo en regiones húmedas tropicales. Se destacan áreas de Centroamérica, el norte y occidente de Suramérica, África ecuatorial y el sudeste asiático, donde la precipitación anual se aproxima o se ubica dentro del rango de 1.500 mm a 3.500 mm. En cambio, muchas regiones quedan por fuera de este intervalo, ya sea por baja precipitación, como ocurre en zonas áridas y semiáridas, o porque las condiciones de lluvia no se ajustan al rango establecido para el cultivo.

El mapa de precipitación mensual muestra una condición más exigente, porque no solo importa cuánto llueve en el año, sino cómo se distribuye la lluvia durante los meses. En este caso, se evaluó si la precipitación de cada mes se encontraba entre 125 mm y 290 mm. Las zonas con mayor cumplimiento mensual se observan en áreas tropicales húmedas donde las lluvias son más constantes durante el año. En cambio, varias regiones que pueden cumplir parcialmente con la precipitación anual muestran bajo cumplimiento mensual, lo que indica que la lluvia puede estar concentrada en pocos meses o que existen temporadas secas marcadas.

En conjunto, los mapas permiten ver que la aptitud climática para caña de azúcar no depende de una sola variable. Una zona puede tener temperatura adecuada, pero no contar con precipitación anual suficiente o con una distribución mensual estable de lluvias. Por eso, las áreas con mayor potencial climático serían aquellas donde coinciden los tres rangos óptimos: temperaturas medias anuales entre 22,5 °C y 28 °C, precipitación anual entre 1.500 mm y 3.500 mm, y varios meses del año con precipitación mensual entre 125 mm y 290 mm.

# ------------------------------------------------------------
# Descargar mapa base mundial
# ------------------------------------------------------------

mundo <- geodata::world(path = "datos_worldclim")
mundo_sf <- sf::st_as_sf(mundo)

# ------------------------------------------------------------
# Tema común para los mapas
# ------------------------------------------------------------

tema_mapa <- theme_minimal() +
  theme(
    plot.title = element_text(face = "bold", size = 11, hjust = 0.5),
    plot.subtitle = element_text(size = 8, hjust = 0.5),
    legend.position = "bottom",
    legend.title = element_text(size = 8),
    legend.text = element_text(size = 7),
    axis.title = element_blank(),
    axis.text = element_blank(),
    panel.grid = element_blank()
  )

# ------------------------------------------------------------
# Mapa 1: Temperatura media anual
# ------------------------------------------------------------

mapa_temp <- ggplot() +
  tidyterra::geom_spatraster(data = apt_temp) +
  geom_sf(
    data = mundo_sf,
    fill = NA,
    color = "gray35",
    linewidth = 0.08
  ) +
  scale_fill_gradientn(
    name = "Aptitud",
    colours = c("#d73027", "#1a9850"),
    breaks = c(0, 1),
    labels = c("No cumple", "Cumple"),
    limits = c(0, 1),
    na.value = "transparent"
  ) +
  labs(
    title = "Temperatura media anual",
    subtitle = "Rango óptimo: 22.5 °C - 28 °C"
  ) +
  coord_sf(expand = FALSE) +
  tema_mapa

# ------------------------------------------------------------
# Mapa 2: Precipitación anual
# ------------------------------------------------------------

mapa_prec_anual <- ggplot() +
  tidyterra::geom_spatraster(data = apt_prec_anual) +
  geom_sf(
    data = mundo_sf,
    fill = NA,
    color = "gray35",
    linewidth = 0.08
  ) +
  scale_fill_gradientn(
    name = "Aptitud",
    colours = c("#d73027", "#1a9850"),
    breaks = c(0, 1),
    labels = c("No cumple", "Cumple"),
    limits = c(0, 1),
    na.value = "transparent"
  ) +
  labs(
    title = "Precipitación anual",
    subtitle = "Rango óptimo: 1.500 mm - 3.500 mm"
  ) +
  coord_sf(expand = FALSE) +
  tema_mapa

# ------------------------------------------------------------
# Mapa 3: Precipitación mensual
# ------------------------------------------------------------

mapa_prec_mensual <- ggplot() +
  tidyterra::geom_spatraster(data = apt_prec_mensual) +
  geom_sf(
    data = mundo_sf,
    fill = NA,
    color = "gray35",
    linewidth = 0.08
  ) +
  scale_fill_viridis_c(
    name = "Cumplimiento mensual",
    option = "C",
    limits = c(0, 1),
    breaks = c(0, 0.5, 1),
    labels = c("0 meses", "6 meses", "12 meses"),
    na.value = "transparent"
  ) +
  labs(
    title = "Precipitación mensual",
    subtitle = "Rango óptimo: 125 mm - 290 mm"
  ) +
  coord_sf(expand = FALSE) +
  tema_mapa

# ------------------------------------------------------------
# Panel horizontal
# ------------------------------------------------------------

panel_criterios <- mapa_temp + mapa_prec_anual + mapa_prec_mensual +
  plot_layout(ncol = 3, guides = "collect") +
  plot_annotation(
    title = "Criterios climáticos individuales para la caña de azúcar",
    subtitle = "Evaluación espacial según rangos óptimos de temperatura y precipitación",
    caption = "Fuente: WorldClim baseline global. Rangos óptimos definidos para el ejercicio.",
    theme = theme(
      plot.title = element_text(face = "bold", size = 15, hjust = 0.5),
      plot.subtitle = element_text(size = 10, hjust = 0.5),
      plot.caption = element_text(size = 8, hjust = 0)
    )
  )

panel_criterios

4. Construcción del índice de aptitud climática

Después de evaluar por separado la temperatura media anual, la precipitación anual y la precipitación mensual, se construyó un índice integrado de aptitud climática para la caña de azúcar. Este índice permitió reunir los tres criterios en una sola capa espacial, con valores entre 0 y 1. Los valores más cercanos a 1 indican una mayor coincidencia con las condiciones climáticas definidas como óptimas para el cultivo, mientras que los valores cercanos a 0 representan zonas con menor cumplimiento de dichos criterios.

Para construir el índice se asignó un peso diferente a cada variable climática. La temperatura media anual tuvo el mayor peso, con un 40 %, debido a que este cultivo requiere condiciones térmicas cálidas y relativamente estables para su desarrollo. La precipitación anual recibió un peso del 30 %, ya que permite identificar si una zona cuenta con una cantidad total de lluvia suficiente durante el año. Finalmente, la precipitación mensual también recibió un peso del 30 %, porque no solo es importante la cantidad total de lluvia, sino también su distribución a lo largo del año.

De esta manera, el índice final se calculó combinando la aptitud por temperatura media anual, la aptitud por precipitación anual y la aptitud por precipitación mensual. En términos prácticos, una zona obtiene un valor alto cuando cumple con la temperatura media anual entre 22,5 °C y 28 °C, presenta una precipitación anual entre 1.500 mm y 3.500 mm, y además registra varios meses con precipitación mensual entre 125 mm y 290 mm.

Una vez construido el índice continuo, se realizó una clasificación en cuatro niveles para facilitar la lectura del resultado. Los valores entre 0,00 y 0,25 se clasificaron como baja o no apta; los valores entre 0,25 y 0,50 como aptitud media-baja; los valores entre 0,50 y 0,75 como aptitud media-alta; y los valores entre 0,75 y 1,00 como alta aptitud. Esta clasificación permite interpretar el mapa de una forma más clara, especialmente al comparar regiones con distintos niveles de cumplimiento climático.

Posteriormente, se elaboró un mapa continuo de aptitud climática. Este mapa conserva el valor original del índice, por lo que permite observar con mayor detalle las diferencias entre territorios. La escala de colores utilizada va de valores bajos a altos, permitiendo identificar visualmente las zonas con menor y mayor aptitud climática para la caña de azúcar. En este caso, las áreas con valores cercanos a 1 representan los territorios donde las condiciones de temperatura y precipitación se acercan más a los rangos óptimos definidos.

Este mapa continuo es útil porque no reduce el análisis únicamente a categorías cerradas, sino que muestra cambios graduales en la aptitud climática. Por ejemplo, dos zonas pueden quedar dentro de una misma categoría general, pero tener valores distintos dentro del índice. Por eso, el mapa continuo permite una lectura más detallada del comportamiento climático global frente a los requerimientos de la caña de azúcar.

Análisis e interpretación del mapa de aptitud climática

El mapa de aptitud climática global muestra que las zonas con mejores condiciones para la caña de azúcar se concentran principalmente en regiones tropicales y subtropicales. Las áreas con colores amarillos y naranjas representan los valores más altos del índice, es decir, territorios donde coinciden en mayor medida los tres criterios definidos: temperatura media anual entre 22,5 °C y 28 °C, precipitación anual entre 1.500 mm y 3.500 mm, y precipitación mensual entre 125 mm y 290 mm.

En América Latina se observa una alta aptitud en sectores de Centroamérica, el Caribe, el norte de Suramérica y parte de la región andina y amazónica. También se destacan zonas de África occidental, África central, el sudeste asiático y algunas áreas insulares de Oceanía. Estas regiones presentan condiciones cálidas y húmedas que se acercan a los requerimientos climáticos del cultivo.

Por el contrario, las zonas en tonos azules oscuros presentan una baja aptitud climática. Esto ocurre principalmente en regiones frías de latitudes altas, como Canadá, Rusia, Europa del norte y la Antártida, así como en zonas áridas o semiáridas donde la disponibilidad de lluvia no se ajusta a los rangos establecidos. En estos territorios, la temperatura, la precipitación o la distribución mensual de las lluvias limitan el desarrollo óptimo de la caña de azúcar.

El mapa también permite observar que no todas las zonas tropicales alcanzan la misma aptitud. Algunas regiones cálidas presentan valores medios o bajos porque la precipitación anual o mensual no cumple de manera suficiente con los rangos definidos. Por esta razón, el resultado muestra que la aptitud climática para la caña de azúcar no depende únicamente de la temperatura, sino de la combinación entre calor, cantidad de lluvia y regularidad de la precipitación durante el año.

aptitud_final <- (apt_temp * 0.40) +
  (apt_prec_anual * 0.30) +
  (apt_prec_mensual * 0.30)

names(aptitud_final) <- "Aptitud_climatica_final"

# Clasificación del índice de aptitud climática
aptitud_clasificada <- terra::classify(
  aptitud_final,
  rcl = matrix(
    c(
      0.00, 0.25, 1,
      0.25, 0.50, 2,
      0.50, 0.75, 3,
      0.75, 1.01, 4
    ),
    ncol = 3,
    byrow = TRUE
  )
)

names(aptitud_clasificada) <- "Clase_aptitud"

aptitud_cat <- as.factor(aptitud_clasificada)

levels(aptitud_cat) <- data.frame(
  value = 1:4,
  label = c(
    "Baja o no apta",
    "Aptitud media-baja",
    "Aptitud media-alta",
    "Alta aptitud"
  )
)

5. Mapa continuo de aptitud climática

Este mapa representa el índice integrado de aptitud climática. Los valores cercanos a 1 indican mayor coincidencia con los rangos óptimos definidos para la caña de azúcar.

mapa_aptitud_continua <- ggplot() +
  tidyterra::geom_spatraster(data = aptitud_final) +
  geom_sf(
    data = mundo_sf,
    fill = NA,
    color = "gray30",
    linewidth = 0.12
  ) +
  scale_fill_viridis_c(
    name = "Índice de aptitud",
    option = "C",
    limits = c(0, 1),
    breaks = c(0, 0.25, 0.50, 0.75, 1),
    na.value = "transparent"
  ) +
  labs(
    title = "Aptitud climática global para caña de azúcar",
    subtitle = "Índice integrado de temperatura media anual, precipitación anual y precipitación mensual",
    caption = "Fuente: WorldClim baseline global. Rangos óptimos definidos para caña de azúcar."
  ) +
  coord_sf(expand = FALSE) +
  theme_minimal() +
  theme(
    plot.title = element_text(face = "bold", size = 15, hjust = 0.5),
    plot.subtitle = element_text(size = 10, hjust = 0.5),
    legend.position = "bottom",
    axis.title = element_blank(),
    axis.text = element_blank(),
    panel.grid = element_blank()
  )

mapa_aptitud_continua

6. Mapa clasificado de aptitud climática

Con el fin de facilitar la lectura del índice de aptitud climática, el resultado continuo fue agrupado en cuatro niveles de clasificación. Esta clasificación permite pasar de una escala numérica entre 0 y 1 a una interpretación más sencilla de las condiciones climáticas para la caña de azúcar. De esta manera, el mapa no solo muestra qué zonas tienen mayor o menor valor en el índice, sino que permite identificar categorías concretas de aptitud.

Para esta clasificación se definieron cuatro rangos. Los valores entre 0,00 y 0,25 fueron clasificados como baja o no apta, lo que indica zonas donde las condiciones climáticas tienen poca coincidencia con los rangos óptimos del cultivo. Los valores entre 0,25 y 0,50 se clasificaron como aptitud media-baja, correspondiente a territorios que cumplen parcialmente algunos criterios, pero donde todavía existen limitaciones importantes. Los valores entre 0,50 y 0,75 fueron definidos como aptitud media-alta, lo que señala zonas con mejores condiciones, aunque no necesariamente óptimas en todos los componentes. Finalmente, los valores entre 0,75 y 1,00 se clasificaron como alta aptitud, es decir, áreas donde la temperatura media anual, la precipitación anual y la precipitación mensual se acercan en mayor medida a los rangos definidos para la caña de azúcar.

En el mapa clasificado se usó una escala de colores tipo semáforo para hacer más clara la interpretación visual. El color rojo representa las zonas de baja o nula aptitud; el amarillo claro identifica áreas con aptitud media-baja; el verde claro señala zonas con aptitud media-alta; y el verde oscuro representa las áreas de alta aptitud climática. Esta elección de colores permite reconocer rápidamente los territorios con mejores y peores condiciones para el cultivo.

A diferencia del mapa continuo, que muestra cambios graduales en el índice, el mapa clasificado resume el resultado en grupos más fáciles de comparar. Esto es útil para el análisis territorial, porque permite identificar con mayor claridad las áreas que presentan mejores condiciones climáticas y aquellas donde existen mayores restricciones. Sin embargo, esta clasificación debe interpretarse como una lectura climática inicial, ya que no incluye otros factores importantes para la producción agrícola, como el tipo de suelo, la pendiente, el acceso a riego o el uso actual del territorio.

Análisis e interpretación del mapa clasificado

El mapa clasificado permite observar con mayor claridad cuáles zonas del mundo presentan mejores condiciones climáticas para la caña de azúcar, de acuerdo con los rangos definidos en el análisis. A diferencia del mapa continuo, esta representación agrupa los resultados en cuatro categorías: baja o no apta, aptitud media-baja, aptitud media-alta y alta aptitud.

Las zonas de alta aptitud, representadas en verde oscuro, se concentran principalmente en regiones tropicales húmedas. Se destacan amplias áreas de la Amazonía y el norte de Suramérica, parte de Centroamérica, sectores de África central y occidental, el sudeste asiático, Indonesia y algunas islas del Pacífico. Estas zonas son las que presentan mayor coincidencia con los tres criterios climáticos definidos: temperatura media anual entre 22,5 °C y 28 °C, precipitación anual entre 1.500 mm y 3.500 mm, y precipitación mensual entre 125 mm y 290 mm.

Las áreas de aptitud media-alta, señaladas en verde claro, aparecen alrededor de las zonas de mayor aptitud. Esto indica territorios que cumplen buena parte de los criterios climáticos, pero no necesariamente todos con la misma intensidad. En estos casos, puede existir alguna limitación relacionada con la cantidad anual de lluvia o con la distribución mensual de la precipitación. Por eso, aunque son zonas con potencial climático, no alcanzan el nivel más alto de aptitud.

Las zonas de aptitud media-baja, representadas en amarillo, se observan principalmente en áreas de transición entre regiones húmedas y secas. En estas zonas las condiciones climáticas son parcialmente favorables, pero presentan restricciones más evidentes. Esto ocurre, por ejemplo, en sectores del norte de África, parte de Australia, zonas del centro de África, el sur de Asia y algunas áreas de Suramérica. En estos territorios, la temperatura puede ser adecuada, pero la precipitación anual o mensual no siempre se ajusta a los rangos óptimos establecidos.

Por su parte, las zonas de baja o no apta, identificadas en rojo, se localizan en regiones donde las condiciones climáticas se alejan de los requerimientos definidos para la caña de azúcar. Esto se observa en zonas áridas, semiáridas, frías o con lluvias poco regulares. También aparecen áreas de baja aptitud en regiones con temperaturas fuera del rango óptimo o con una distribución de lluvias que no favorece el cultivo durante buena parte del año.

En conjunto, el mapa confirma que las mejores condiciones climáticas para la caña de azúcar se ubican en territorios cálidos y húmedos, especialmente en la franja tropical. Sin embargo, también muestra que no toda zona tropical es automáticamente altamente apta. Para alcanzar una clasificación alta, no basta con tener temperaturas cálidas; también es necesario que la precipitación anual sea suficiente y que las lluvias se distribuyan de manera relativamente constante a lo largo del año.

mapa_aptitud_clasificada <- ggplot() +
  tidyterra::geom_spatraster(data = aptitud_cat) +
  geom_sf(
    data = mundo_sf,
    fill = NA,
    color = "gray30",
    linewidth = 0.12
  ) +
  scale_fill_manual(
    name = "Clase de aptitud",
    values = c(
      "Baja o no apta" = "#d73027",
      "Aptitud media-baja" = "#fee08b",
      "Aptitud media-alta" = "#91cf60",
      "Alta aptitud" = "#1a9850"
    ),
    na.value = "transparent"
  ) +
  labs(
    title = "Clasificación de aptitud climática para caña de azúcar",
    subtitle = "Clasificación según rangos óptimos de temperatura y precipitación",
    caption = "Fuente: WorldClim baseline global. Rangos óptimos definidos para caña de azúcar."
  ) +
  coord_sf(expand = FALSE) +
  theme_minimal() +
  theme(
    plot.title = element_text(face = "bold", size = 15, hjust = 0.5),
    plot.subtitle = element_text(size = 10, hjust = 0.5),
    legend.position = "bottom",
    axis.title = element_blank(),
    axis.text = element_blank(),
    panel.grid = element_blank()
  )

mapa_aptitud_clasificada

# 14. Guardar resultados
terra::writeRaster(
  aptitud_final,
  "aptitud_climatica_cana_azucar_indice.tif",
  overwrite = TRUE
)

terra::writeRaster(
  aptitud_clasificada,
  "aptitud_climatica_cana_azucar_clasificada.tif",
  overwrite = TRUE
)

ggsave(
  "panel_criterios_climaticos_cana_azucar.png",
  panel_criterios,
  width = 16,
  height = 6,
  dpi = 300
)

ggsave(
  "mapa_aptitud_continua_cana_azucar.png",
  mapa_aptitud_continua,
  width = 13,
  height = 7,
  dpi = 300
)

ggsave(
  "mapa_aptitud_clasificada_cana_azucar.png",
  mapa_aptitud_clasificada,
  width = 13,
  height = 7,
  dpi = 300
)

7. Top 3 países con áreas de alto potencial para la caña de azúcar

# Países seleccionados con áreas de alta aptitud según el mapa global clasificado
paises_sel <- c("BRA", "COD", "IDN")
nombres_paises <- c("Brasil", "República Democrática del Congo", "Indonesia")
# 15 Selección de países con alto potencial climático

Para el análisis por país se seleccionaron Brasil, República Democrática del Congo e Indonesia, debido a que en el mapa global clasificado aparecen como territorios con áreas amplias de alta aptitud climática para la caña de azúcar. La selección se hizo buscando países donde la categoría de alta aptitud no apareciera como pequeños puntos aislados, sino como superficies continuas y claramente visibles dentro del territorio nacional.

Estos tres países también permiten observar el comportamiento de la aptitud climática en regiones tropicales diferentes: América del Sur, África central y el sudeste asiático. En los tres casos se identifican zonas donde coinciden, en distinta medida, los rangos climáticos definidos para el cultivo: temperatura media anual entre 22,5 °C y 28 °C, precipitación anual entre 1.500 mm y 3.500 mm y precipitación mensual entre 125 mm y 290 mm. Por esta razón, son territorios útiles para analizar con mayor detalle cómo se distribuye la aptitud climática dentro de cada país.

# ------------------------------------------------------------
# Revisar campos disponibles del shape global
# ------------------------------------------------------------

names(mundo)

# ------------------------------------------------------------
# Identificar el campo que contiene el nombre del país
# ------------------------------------------------------------

campo_nombre <- intersect(
  c("NAME_0", "NAME", "COUNTRY", "ADMIN", "name"),
  names(mundo)
)

if (length(campo_nombre) == 0) {
  stop("No se encontró un campo de nombre de país en el shape global. Revisa names(mundo).")
}

campo_nombre <- campo_nombre[1]

campo_nombre

# 16. Revisión de nombres de países seleccionados
# ------------------------------------------------------------
# Revisar que los países existan con esos nombres exactos
# ------------------------------------------------------------

unique(mundo[[campo_nombre]])[
  unique(mundo[[campo_nombre]]) %in% c(
    "Brazil",
    "Democratic Republic of the Congo",
    "Indonesia"
  )
]

# 17. Corte del mapa clasificado para los países seleccionados
# ------------------------------------------------------------
# Selección exacta de países desde el shape global
# Según los nombres encontrados:
# Brazil
# Democratic Republic of the Congo
# Indonesia
# ------------------------------------------------------------

brasil <- mundo[mundo[[campo_nombre]] == "Brazil", ]

congo <- mundo[mundo[[campo_nombre]] == "Democratic Republic of the Congo", ]

indonesia <- mundo[mundo[[campo_nombre]] == "Indonesia", ]

# ------------------------------------------------------------
# Verificación
# ------------------------------------------------------------

if (nrow(brasil) == 0) {
  stop("No se encontró Brazil en el shape global.")
}

if (nrow(congo) == 0) {
  stop("No se encontró Democratic Republic of the Congo en el shape global.")
}

if (nrow(indonesia) == 0) {
  stop("No se encontró Indonesia en el shape global.")
}

brasil
congo
indonesia

# 18. Función para generar mapas por país
mapa_pais_aptitud <- function(pais_vect, nombre_pais) {
  
  # ------------------------------------------------------------
  # Asegurar que el país tenga la misma proyección del raster
  # ------------------------------------------------------------
  
  pais_vect <- terra::project(
    pais_vect,
    terra::crs(aptitud_clasificada)
  )
  
  # ------------------------------------------------------------
  # Recortar y enmascarar el raster clasificado
  # ------------------------------------------------------------
  
  raster_pais <- terra::crop(
    aptitud_clasificada,
    pais_vect
  )
  
  raster_pais <- terra::mask(
    raster_pais,
    pais_vect
  )
  
  # ------------------------------------------------------------
  # Convertir raster recortado a factor
  # ------------------------------------------------------------
  
  raster_pais <- as.factor(raster_pais)
  
  levels(raster_pais) <- data.frame(
    value = 1:4,
    label = c(
      "Baja o no apta",
      "Aptitud media-baja",
      "Aptitud media-alta",
      "Alta aptitud"
    )
  )
  
  # ------------------------------------------------------------
  # Convertir país a objeto sf para graficar borde
  # ------------------------------------------------------------
  
  pais_sf <- sf::st_as_sf(pais_vect)
  
  # ------------------------------------------------------------
  # Obtener extensión del país para hacer zoom real
  # ------------------------------------------------------------
  
  ext_pais <- terra::ext(pais_vect)
  
  xlim_pais <- c(ext_pais[1], ext_pais[2])
  ylim_pais <- c(ext_pais[3], ext_pais[4])
  
  # Agregar margen para que el mapa no quede pegado al borde
  margen_x <- diff(xlim_pais) * 0.08
  margen_y <- diff(ylim_pais) * 0.08
  
  xlim_pais <- c(
    xlim_pais[1] - margen_x,
    xlim_pais[2] + margen_x
  )
  
  ylim_pais <- c(
    ylim_pais[1] - margen_y,
    ylim_pais[2] + margen_y
  )
  
  # ------------------------------------------------------------
  # Construir mapa
  # ------------------------------------------------------------
  
  mapa <- ggplot() +
    tidyterra::geom_spatraster(data = raster_pais) +
    geom_sf(
      data = pais_sf,
      fill = NA,
      color = "gray25",
      linewidth = 0.45
    ) +
    scale_fill_manual(
      name = "Clase de aptitud",
      values = c(
        "Baja o no apta" = "#d73027",
        "Aptitud media-baja" = "#fee08b",
        "Aptitud media-alta" = "#91cf60",
        "Alta aptitud" = "#1a9850"
      ),
      na.value = "transparent",
      drop = FALSE
    ) +
    labs(
      title = paste("Aptitud climática para caña de azúcar en", nombre_pais),
      subtitle = "Corte nacional a partir del mapa global clasificado",
      caption = "Fuente: WorldClim baseline global. Elaboración propia."
    ) +
    coord_sf(
      xlim = xlim_pais,
      ylim = ylim_pais,
      expand = FALSE
    ) +
    theme_minimal() +
    theme(
      plot.title = element_text(
        face = "bold",
        size = 13,
        hjust = 0.5
      ),
      plot.subtitle = element_text(
        size = 9,
        hjust = 0.5
      ),
      plot.caption = element_text(
        size = 7,
        hjust = 1
      ),
      legend.position = "bottom",
      legend.title = element_text(size = 9),
      legend.text = element_text(size = 8),
      axis.title = element_blank(),
      axis.text = element_blank(),
      panel.grid = element_blank()
    )
  
  return(mapa)
}

Brasil

En el caso de Brasil, el mapa muestra una amplia zona de alta aptitud climática en el norte y buena parte del centro-occidente del país, especialmente en áreas asociadas a condiciones cálidas y húmedas. Esta presencia extensa de color verde oscuro indica que una parte importante del territorio cumple de forma favorable con los criterios de temperatura y precipitación definidos para la caña de azúcar.

Sin embargo, el mapa también muestra diferencias internas importantes. Hacia el oriente, suroriente y parte del sur del país aparecen zonas de aptitud media-baja y baja o no apta, representadas en amarillo y rojo. Esto sugiere que, aunque Brasil tiene un alto potencial climático general, no todo el territorio presenta las mismas condiciones. En algunas zonas, la limitación puede estar asociada a una precipitación menos adecuada, a una distribución mensual de lluvias menos constante o a temperaturas que se alejan del rango óptimo.

En conjunto, Brasil presenta un patrón mixto: una gran superficie con condiciones favorables, pero también regiones donde el clima limita la aptitud. Esto confirma que el país tiene áreas de alto potencial para la caña de azúcar, aunque la aptitud climática se concentra más claramente en ciertas zonas y no de manera uniforme en todo el territorio.

mapa_brasil <- mapa_pais_aptitud(
  brasil,
  "Brasil"
)

mapa_brasil

República Democrática del Congo

La República Democrática del Congo presenta una de las distribuciones más claras de alta aptitud climática entre los países seleccionados. En el mapa se observa una gran extensión de color verde oscuro en el centro y norte del país, lo que indica condiciones favorables para la caña de azúcar según los rangos definidos. Esta zona coincide con un contexto climático cálido y húmedo, con lluvias relativamente importantes durante el año.

Las áreas de aptitud media-alta aparecen principalmente hacia el oriente y algunas zonas periféricas del país. Esto indica que estas regiones todavía conservan condiciones climáticas relativamente favorables, aunque con menor coincidencia frente al rango óptimo que las zonas de alta aptitud. Por otro lado, las áreas rojas, ubicadas sobre todo en sectores del sur y algunas franjas orientales, muestran zonas donde las condiciones climáticas se alejan más de los requerimientos definidos.

En términos generales, la República Democrática del Congo muestra un alto potencial climático para la caña de azúcar, especialmente en su zona central y norte. No obstante, el mapa también permite identificar que el potencial disminuye hacia el sur y ciertos bordes del territorio, donde las condiciones de precipitación o temperatura parecen ser menos favorables.

mapa_congo <- mapa_pais_aptitud(
  congo,
  "República Democrática del Congo"
)

mapa_congo

Indonesia

En Indonesia, el mapa muestra una presencia amplia de alta aptitud climática, especialmente en varias islas principales y zonas costeras e interiores. El predominio del verde oscuro refleja que gran parte del país tiene condiciones cálidas y húmedas que se ajustan bien a los rangos definidos para la caña de azúcar.

A diferencia de Brasil y la República Democrática del Congo, Indonesia presenta una distribución más fragmentada por su condición insular. Aun así, muchas de sus islas muestran áreas importantes de alta aptitud y aptitud media-alta. Las zonas amarillas aparecen en algunos sectores específicos, lo que indica áreas con cumplimiento parcial de los criterios climáticos. También se observan pequeñas áreas rojas, donde la aptitud es baja o nula, posiblemente por variaciones locales en la precipitación o en la distribución mensual de las lluvias.

En conjunto, Indonesia se destaca como un país con alto potencial climático para la caña de azúcar, aunque su distribución territorial obliga a leer el resultado por islas y no como una superficie continua. El mapa muestra que varias zonas del país cumplen de manera favorable con los rangos de temperatura y precipitación, lo que explica su selección dentro de los países con mayor potencial climático.

mapa_indonesia <- mapa_pais_aptitud(
  indonesia,
  "Indonesia"
)

mapa_indonesia

# ------------------------------------------------------------
# Puntos seleccionados en el Valle del Cauca
# Coordenadas en sistema WGS84: longitud y latitud
# ------------------------------------------------------------

puntos_valle <- data.frame(
  sitio = c("Cali", "Palmira", "Buenaventura"),
  lon = c(-76.5320, -76.3036, -77.0312),
  lat = c(3.4516, 3.5394, 3.8801)
)

puntos_valle

# 23. Descarga de datos climáticos mensuales para Colombia

#En lugar de descargar nuevamente la información global, se descargaron las capas mensuales de temperatura media y precipitación para Colombia. Esto permite trabajar únicamente con el área necesaria para el análisis de los puntos seleccionados en el Valle del Cauca.
# ------------------------------------------------------------
# Descargar datos climáticos mensuales para Colombia
# Fuente: WorldClim mediante geodata
# ------------------------------------------------------------

dir.create("datos_worldclim", showWarnings = FALSE)

tavg_col <- geodata::worldclim_country(
  country = "COL",
  var = "tavg",
  res = 2.5,
  path = "datos_worldclim"
)

prec_col <- geodata::worldclim_country(
  country = "COL",
  var = "prec",
  res = 2.5,
  path = "datos_worldclim"
)

# ------------------------------------------------------------
# Verificación de descarga
# ------------------------------------------------------------

if (is.null(tavg_col)) {
  stop("No se descargó correctamente la temperatura media mensual para Colombia.")
}

if (is.null(prec_col)) {
  stop("No se descargó correctamente la precipitación mensual para Colombia.")
}

if (!inherits(tavg_col, "SpatRaster")) {
  stop("tavg_col no es un SpatRaster. Revisa la descarga de temperatura.")
}

if (!inherits(prec_col, "SpatRaster")) {
  stop("prec_col no es un SpatRaster. Revisa la descarga de precipitación.")
}

names(tavg_col)
names(prec_col)

# Corrección de escala de temperatura

#Algunas capas de temperatura pueden venir multiplicadas por diez. Por esta razón, se revisó la escala de los datos antes de extraer la información climática de los puntos seleccionados.
# ------------------------------------------------------------
# Corregir escala de temperatura si viene multiplicada por 10
# ------------------------------------------------------------

max_temp <- terra::global(
  tavg_col[[1]],
  "max",
  na.rm = TRUE
)[1, 1]

if (max_temp > 100) {
  tavg_col <- tavg_col / 10
}

terra::global(tavg_col[[1]], "range", na.rm = TRUE)

# 25. Extracción de clima mensual en los puntos seleccionados
# ------------------------------------------------------------
# Convertir puntos a objeto espacial
# ------------------------------------------------------------

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

# Asegurar que los puntos tengan la misma proyección de los raster
puntos_vect <- terra::project(
  puntos_vect,
  terra::crs(tavg_col)
)

# ------------------------------------------------------------
# Extraer temperatura media mensual
# ------------------------------------------------------------

temp_extraida <- terra::extract(
  tavg_col,
  puntos_vect
)

# ------------------------------------------------------------
# Extraer precipitación mensual
# ------------------------------------------------------------

prec_extraida <- terra::extract(
  prec_col,
  puntos_vect
)

temp_extraida
prec_extraida

# 26. Organización de la base climática mensual
# ------------------------------------------------------------
# Meses del año
# ------------------------------------------------------------

meses <- data.frame(
  mes_num = 1:12,
  mes = factor(
    c(
      "Ene", "Feb", "Mar", "Abr", "May", "Jun",
      "Jul", "Ago", "Sep", "Oct", "Nov", "Dic"
    ),
    levels = c(
      "Ene", "Feb", "Mar", "Abr", "May", "Jun",
      "Jul", "Ago", "Sep", "Oct", "Nov", "Dic"
    )
  )
)

# ------------------------------------------------------------
# Quitar columna ID generada por terra::extract
# ------------------------------------------------------------

temp_valores <- temp_extraida[, -1]
prec_valores <- prec_extraida[, -1]

# ------------------------------------------------------------
# Construir base larga para temperatura
# ------------------------------------------------------------

datos_temp <- data.frame(
  sitio = rep(puntos_valle$sitio, each = 12),
  mes_num = rep(1:12, times = nrow(puntos_valle)),
  temperatura = as.vector(t(as.matrix(temp_valores)))
)

datos_temp <- datos_temp |>
  dplyr::left_join(meses, by = "mes_num")

# ------------------------------------------------------------
# Construir base larga para precipitación
# ------------------------------------------------------------

datos_prec <- data.frame(
  sitio = rep(puntos_valle$sitio, each = 12),
  mes_num = rep(1:12, times = nrow(puntos_valle)),
  precipitacion = as.vector(t(as.matrix(prec_valores)))
)

datos_prec <- datos_prec |>
  dplyr::left_join(meses, by = "mes_num")

# ------------------------------------------------------------
# Unir temperatura y precipitación en una sola base
# ------------------------------------------------------------

clima_puntos <- datos_temp |>
  dplyr::left_join(
    datos_prec,
    by = c("sitio", "mes_num", "mes")
  )

clima_puntos

8. Panel conjunto de temperatura y precipitación

Para este ejercicio se seleccionaron tres puntos ubicados en el departamento del Valle del Cauca. Los puntos corresponden a Cali, Palmira y Buenaventura, ya que representan zonas con condiciones climáticas diferentes dentro del departamento.

El gráfico presenta el comportamiento mensual de la temperatura media y la precipitación en tres puntos seleccionados del Valle del Cauca: Cali, Palmira y Buenaventura. Estos puntos muestran diferencias claras entre la zona del valle geográfico del río Cauca y la zona pacífica del departamento.

En la serie de temperatura media mensual, Buenaventura presenta los valores más altos durante todo el año, con temperaturas cercanas a los 26 °C y 26,6 °C. Esto muestra una condición térmica cálida y bastante estable, propia de la zona pacífica. Además, sus temperaturas se mantienen dentro del rango óptimo definido para caña de azúcar, que va de 22,5 °C a 28 °C.

Cali y Palmira presentan temperaturas más bajas que Buenaventura, con valores aproximados entre 23 °C y 24 °C. En ambos casos, las temperaturas también se mantienen dentro del rango óptimo para el cultivo. Se observa una leve disminución hacia octubre, noviembre y diciembre, especialmente en Palmira, pero sin salir del intervalo adecuado. Esto indica que, desde el punto de vista térmico, los tres puntos seleccionados presentan condiciones favorables para la caña de azúcar.

En la serie de precipitación mensual, las diferencias entre los puntos son más marcadas. Buenaventura registra los valores más altos de lluvia durante casi todo el año, con meses que superan los 300 mm e incluso alcanzan valores cercanos a 500 mm en octubre y diciembre. Esto confirma el carácter húmedo de la zona pacífica. Sin embargo, aunque la precipitación es abundante, varios meses superan el rango óptimo mensual definido para el análisis, que va de 125 mm a 290 mm.

Cali y Palmira muestran un comportamiento más parecido entre sí. En ambos puntos se observa una reducción de la precipitación entre julio y septiembre, con valores cercanos o inferiores a los 125 mm, especialmente en agosto. Luego, la precipitación aumenta nuevamente en octubre y noviembre. Este patrón refleja una distribución de lluvias más estacional, con meses secos y meses más lluviosos.

Al comparar los datos con el rango óptimo mensual de precipitación, se observa que Cali y Palmira cumplen parcialmente el criterio. Algunos meses se ubican dentro del rango de 125 mm a 290 mm, pero otros quedan por debajo, especialmente en la temporada seca, o por encima, como ocurre en octubre. En Buenaventura, el problema no es la falta de lluvia, sino el exceso en varios meses, lo que también la aleja del rango definido como óptimo.

En conjunto, las series muestran que los tres puntos tienen condiciones adecuadas de temperatura para la caña de azúcar. Sin embargo, la precipitación es el criterio que más diferencia a los territorios. Buenaventura presenta un clima más húmedo, con lluvias altas durante gran parte del año, mientras que Cali y Palmira muestran una distribución más moderada, aunque con meses de menor disponibilidad hídrica. Por esta razón, la aptitud climática no puede evaluarse solo con la temperatura, sino que depende también de la cantidad y distribución mensual de la precipitación.

# 27. Serie mensual de temperatura media
grafico_temperatura <- ggplot(
  clima_puntos,
  aes(
    x = mes,
    y = temperatura,
    group = sitio,
    color = sitio
  )
) +
  geom_line(linewidth = 1.1) +
  geom_point(size = 2.4) +
  labs(
    title = "Temperatura media mensual en puntos seleccionados del Valle del Cauca",
    subtitle = "Valores extraídos de WorldClim para Cali, Palmira y Buenaventura",
    x = "Mes",
    y = "Temperatura media mensual (°C)",
    color = "Sitio",
    caption = "Fuente: WorldClim baseline. Puntos definidos a partir de coordenadas geográficas."
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(face = "bold", size = 14, hjust = 0.5),
    plot.subtitle = element_text(size = 10, hjust = 0.5),
    legend.position = "bottom"
  )

grafico_temperatura

# 28. Serie mensual de precipitación
grafico_precipitacion <- ggplot(
  clima_puntos,
  aes(
    x = mes,
    y = precipitacion,
    group = sitio,
    color = sitio
  )
) +
  geom_line(linewidth = 1.1) +
  geom_point(size = 2.4) +
  labs(
    title = "Precipitación mensual en puntos seleccionados del Valle del Cauca",
    subtitle = "Valores extraídos de WorldClim para Cali, Palmira y Buenaventura",
    x = "Mes",
    y = "Precipitación mensual (mm)",
    color = "Sitio",
    caption = "Fuente: WorldClim baseline. Puntos definidos a partir de coordenadas geográficas."
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(face = "bold", size = 14, hjust = 0.5),
    plot.subtitle = element_text(size = 10, hjust = 0.5),
    legend.position = "bottom"
  )

grafico_precipitacion

9. Mapas de similaridad climática global

En este punto se construyeron mapas de similaridad climática global para los tres puntos seleccionados en el Valle del Cauca: Cali, Palmira y Buenaventura. Para ello se comparó el comportamiento mensual de la temperatura media y la precipitación de cada punto con las condiciones climáticas del resto del mundo.

La comparación se realizó mediante distancia euclidiana. Para evitar que la precipitación tuviera más peso que la temperatura por estar medida en valores más grandes, las variables fueron estandarizadas antes de calcular la distancia. Posteriormente, la distancia fue transformada en un índice de similaridad entre 0 y 1, donde los valores más cercanos a 1 representan zonas con clima más parecido al punto de referencia.

Al comparar los mapas de aptitud climática con los mapas de similaridad climática, se puede ver que ambos sirven para entender el comportamiento del clima frente al cultivo de caña de azúcar, pero no muestran exactamente lo mismo.

Los mapas de aptitud climática indican en qué lugares del mundo se cumplen mejor los rangos definidos para el cultivo. Es decir, muestran dónde la temperatura media anual está entre 22,5 °C y 28 °C, dónde la precipitación anual está entre 1.500 mm y 3.500 mm, y dónde la precipitación mensual se acerca al rango de 125 mm a 290 mm. Por eso, estos mapas permiten identificar de forma más directa las zonas con condiciones climáticas favorables, medias o poco favorables para la caña de azúcar.

Por otro lado, los mapas de similaridad climática no dicen directamente si un lugar es apto o no para el cultivo. Lo que hacen es comparar qué tan parecido es el clima de otras partes del mundo al clima de los tres puntos seleccionados en el Valle del Cauca: Cali, Palmira y Buenaventura. En este caso, se tiene en cuenta cómo se comportan la temperatura y la lluvia mes a mes. Por eso, un lugar puede aparecer como parecido a Cali, Palmira o Buenaventura, aunque no necesariamente sea el más adecuado para sembrar caña de azúcar.

Los mapas de Cali y Palmira muestran resultados parecidos entre sí. Esto tiene sentido porque ambos puntos están ubicados en el valle geográfico del río Cauca y presentan temperaturas similares durante el año. Además, su comportamiento de lluvias también es relativamente parecido, con meses más secos y meses más lluviosos. Por esta razón, las zonas del mundo que se parecen a Cali y Palmira suelen estar en regiones cálidas, con lluvias moderadas y cierta variación durante el año.

El caso de Buenaventura es diferente. Aunque también tiene temperaturas cálidas, presenta mucha más lluvia que Cali y Palmira. Por eso, el mapa de similaridad de Buenaventura muestra menos zonas parecidas a su clima. Las áreas más similares tienden a ubicarse en regiones tropicales muy húmedas, donde llueve bastante durante gran parte del año. Esto muestra que Buenaventura tiene un clima más húmedo y distinto al del valle geográfico del río Cauca.

En conclusión, los mapas de aptitud climática son los más útiles para identificar zonas con potencial para la caña de azúcar, porque comparan el clima con los rangos considerados adecuados para el cultivo. En cambio, los mapas de similaridad climática sirven como complemento, porque ayudan a reconocer qué lugares del mundo se parecen al clima de Cali, Palmira o Buenaventura. En este análisis, Cali y Palmira muestran condiciones más cercanas a zonas con potencial para caña de azúcar, mientras que Buenaventura, aunque tiene temperaturas adecuadas, se diferencia por sus altos niveles de lluvia.

10. Conclusiones

El análisis permitió evidenciar que la aptitud climática para la caña de azúcar no depende de una sola variable. Una zona puede tener temperaturas adecuadas, pero presentar limitaciones por baja precipitación, exceso de lluvia o una distribución mensual poco favorable. Por esta razón, la combinación de temperatura media anual, precipitación anual y precipitación mensual permitió obtener una lectura más completa de las condiciones climáticas del cultivo.

Los mapas individuales mostraron que las zonas con mejores condiciones térmicas se concentran principalmente en regiones tropicales y subtropicales. Sin embargo, al incorporar la precipitación anual y mensual, el área realmente favorable se reduce. Esto demuestra que no basta con tener un clima cálido; también es necesario contar con una cantidad adecuada de lluvia y con una distribución relativamente estable durante el año.

El índice integrado de aptitud climática permitió identificar las zonas del mundo donde coinciden en mayor medida los rangos óptimos definidos. Las áreas con mayor aptitud se ubicaron principalmente en regiones tropicales húmedas de América Latina, África central, el sudeste asiático y algunas zonas insulares de Oceanía. En contraste, las zonas frías, áridas o con lluvias muy irregulares presentaron baja o nula aptitud climática.

El mapa clasificado facilitó la interpretación de los resultados al agrupar el índice en cuatro niveles de aptitud. Esta clasificación permitió reconocer que las áreas de alta aptitud se concentran en territorios cálidos y húmedos, pero también mostró que no toda zona tropical es automáticamente apta para la caña de azúcar. Algunas regiones tropicales presentan restricciones por exceso de lluvia, déficit de precipitación o variaciones fuertes entre meses.

La selección de Brasil, República Democrática del Congo e Indonesia permitió observar con mayor detalle tres territorios con alto potencial climático. Brasil mostró una amplia zona favorable, especialmente en el norte y centro-occidente, aunque con restricciones en otras regiones del país. La República Democrática del Congo presentó una gran superficie de alta aptitud en el centro y norte del territorio. Indonesia, por su parte, mostró un alto potencial distribuido en varias islas, aunque con una lectura más fragmentada por su condición insular.

El análisis de los puntos seleccionados en el Valle del Cauca mostró diferencias importantes entre Cali, Palmira y Buenaventura. Desde el punto de vista de la temperatura, los tres lugares se mantienen dentro del rango óptimo para la caña de azúcar. Sin embargo, la precipitación marca diferencias claras: Cali y Palmira presentan lluvias más moderadas y con cierta estacionalidad, mientras que Buenaventura registra niveles de precipitación mucho más altos durante buena parte del año.

Las series climáticas permitieron comprobar que Buenaventura, aunque tiene temperaturas favorables, se diferencia por su alta humedad y exceso de lluvia en varios meses. En cambio, Cali y Palmira presentan condiciones más cercanas al comportamiento climático esperado para zonas cañeras del valle geográfico del río Cauca, aunque también muestran meses donde la precipitación puede estar por debajo o por encima del rango mensual definido.

Los mapas de similaridad climática complementaron el análisis de aptitud. Mientras los mapas de aptitud muestran dónde se cumplen los rangos óptimos del cultivo, los mapas de similaridad muestran qué zonas del mundo se parecen climáticamente a Cali, Palmira y Buenaventura. Por eso, ambas aproximaciones son útiles, pero responden preguntas diferentes.

En términos generales, Cali y Palmira presentaron patrones de similaridad parecidos, debido a su cercanía geográfica y a condiciones similares de temperatura y precipitación. Buenaventura mostró un patrón diferente, asociado a climas tropicales más húmedos. Esto confirma que dentro del mismo departamento del Valle del Cauca existen diferencias climáticas importantes que pueden influir en la aptitud o manejo del cultivo.

Finalmente, este ejercicio debe entenderse como una evaluación climática inicial. Los resultados permiten identificar zonas con condiciones favorables desde el punto de vista de temperatura y precipitación, pero no representan por sí solos una evaluación completa de aptitud agrícola. Para tomar decisiones productivas más precisas sería necesario incluir otros factores como suelos, pendiente, disponibilidad de riego, uso actual del suelo, restricciones ambientales, infraestructura y condiciones socioeconómicas del territorio.