1 1 Introducción

La caña de azúcar (Saccharum officinarum) constituye uno de los cultivos tropicales de mayor importancia económica a escala mundial debido a su relevancia en la producción de azúcar, bioetanol y derivados agroindustriales. Su distribución espacial depende principalmente de variables climáticas como temperatura, precipitación y estacionalidad.

Los Sistemas de Información Geográfica (SIG) y las técnicas de análisis espacial permiten integrar información ambiental global para modelar regiones potencialmente aptas para el desarrollo agrícola. En particular, los modelos de aptitud climática permiten identificar zonas óptimas mediante umbrales agroclimáticos, mientras que los modelos de similitud ambiental permiten detectar regiones análogas respecto a territorios altamente productivos.

En este estudio se desarrolla un análisis espacial multicriterio utilizando datos climáticos globales WorldClim v2.1 y procesamiento raster en R para:

Modelar la aptitud climática global de la caña de azúcar.
Identificar regiones con alto potencial agroclimático.
Delimitar zonas de influencia cañera del Valle del Cauca.
Comparar modelos de aptitud y similitud ambiental.
Evaluar regiones análogas respecto al Valle del Cauca.

2 2 Objetivos

2.1 2.1 Objetivo general

Modelar la aptitud climática y la similitud ambiental global para el cultivo de caña de azúcar mediante técnicas de análisis espacial y procesamiento raster en R.

2.2 2.2 Objetivos específicos

Construir mapas globales de aptitud climática.
Identificar países con alto potencial agroclimático.
Delimitar espacialmente zonas de influencia cañera del Valle del Cauca.
Extraer información climática de municipios representativos.
Generar climatologías mensuales de temperatura y precipitación.
Implementar un modelo global de similitud climática.
Comparar enfoques determinísticos y continuos de aptitud ambiental.

3 3 Marco teórico

3.1 3.1 Sistemas de Información Geográfica

Los Sistemas de Información Geográfica (SIG) permiten capturar, almacenar, procesar y representar información espacial. En estudios agroclimáticos, los SIG facilitan el análisis integrado de variables ambientales mediante estructuras raster y vectoriales.

3.2 3.2 Datos raster climáticos

Los datos raster representan superficies continuas mediante celdas regulares. WorldClim v2.1 proporciona variables BIOCLIM derivadas de interpolaciones climáticas globales de alta resolución espacial.

3.3 3.3 Aptitud climática

La aptitud climática representa el grado en que una región cumple condiciones óptimas para el desarrollo agrícola. Para la caña de azúcar, las variables más relevantes incluyen:

Temperatura media anual.
Precipitación anual.
Estacionalidad climática.
Temperaturas extremas.

3.4 3.4 Similitud climática

La similitud climática permite identificar regiones ambientalmente análogas respecto a un sitio de referencia. Este enfoque resulta útil para:

transferencia tecnológica,
expansión agrícola,
identificación de áreas potenciales,
análisis de cambio climático.

4 4 Librerías

options(timeout = 1200)

Sys.setenv(RETICULATE_PYTHON = "")

library(terra)
library(sf)
library(geodata)
library(dplyr)
library(tidyr)
library(ggplot2)
library(viridis)
library(rnaturalearth)
library(rnaturalearthdata)
library(ggspatial)
library(scales)
library(tidyterra)
library(knitr)
library(tibble)

theme_set(theme_minimal(base_size = 13))

terra::terraOptions(memfrac = 0.8, tempdir = tempdir())

world <- ne_countries(scale = "medium", returnclass = "sf")

5 Datos climáticos

Se utilizaron datos climáticos globales del conjunto WorldClim v2.1, con resolución espacial de 10 minutos (~18 km), a partir de los cuales se seleccionaron variables bioclimáticas relevantes para el análisis.

if (!dir.exists("data")) dir.create("data")

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

bio1  <- clim[[1]]   # Temperatura media anual
bio5  <- clim[[5]]   # Temperatura máxima del mes más cálido
bio6  <- clim[[6]]   # Temperatura mínima del mes más frío
bio12 <- clim[[12]]  # Precipitación anual
bio15 <- clim[[15]]  # Estacionalidad de precipitación

tmean <- bio1 / 10
tmax  <- bio5 / 10
tmin  <- bio6 / 10

prec  <- bio12
pest  <- bio15

6 Preparación de variables

Las variables bioclimáticas fueron descargadas desde WorldClim v2.1 mediante el paquete geodata. Las variables de temperatura (BIO1, BIO5 y BIO6) se encuentran escaladas por un factor de 10, por lo que se realizó la corrección correspondiente para expresarlas en grados Celsius. Las variables de precipitación y estacionalidad se utilizaron sin transformación adicional.

7 Exploración climática global

En esta sección se realiza una visualización exploratoria de las principales variables climáticas globales utilizadas en el análisis, con el objetivo de identificar patrones espaciales de temperatura y precipitación que condicionan la aptitud agrícola de la caña de azúcar.

7.1 Temperatura media anual

if (!exists("tmean")) {
  stop("El objeto 'tmean' no existe. Revise la descarga y procesamiento de WorldClim.")
}

if (!inherits(tmean, "SpatRaster")) {
  stop("El objeto 'tmean' no es un SpatRaster.")
}

ggplot() +
  geom_spatraster(data = tmean) +
  scale_fill_viridis_c(
    option = "C",
    name = "Temperatura (°C)",
    na.value = "white"
  ) +
  labs(
    title = "Temperatura media anual global",
    subtitle = "WorldClim v2.1"
  ) +
  theme_minimal() +
  theme(
    legend.position = "right",
    plot.title = element_text(face = "bold", hjust = 0.5),
    plot.subtitle = element_text(hjust = 0.5)
  )

## <SpatRaster> resampled to 5e+05 cells.

7.2 Precipitación anual

La precipitación anual global permite visualizar la disponibilidad de recursos hídricos a escala mundial. Esta variable es clave en la definición de zonas aptas para el cultivo, debido a su influencia directa en el balance hídrico del suelo y el desarrollo del cultivo.

ggplot() +
  geom_spatraster(data = prec) +
  scale_fill_viridis_c(
    option = "D",
    name = "mm",
    trans = "sqrt",
    na.value = "white"
  ) +
  labs(
    title = "Precipitación anual global",
    subtitle = "WorldClim v2.1"
  )

## <SpatRaster> resampled to 5e+05 cells.

8 Modelo multicriterio de aptitud climática

La aptitud climática se modeló mediante un enfoque multicriterio ponderado considerando: - Temperatura media anual. - Precipitación anual. - Estacionalidad climática.

8.1 Temperatura óptima

Se considera un rango óptimo de temperatura entre 22.5 y 28 °C, asociado a condiciones térmicas favorables para el desarrollo fisiológico de la caña de azúcar. Como rangos subóptimos se incluyen valores entre 18–22.5 °C y 28–32 °C, donde el cultivo puede mantenerse, pero con menor eficiencia productiva.

8.2 Precipitación óptima

El rango óptimo de precipitación se define entre 1500 y 3500 mm anuales, condiciones que favorecen el balance hídrico del cultivo y reducen el estrés por déficit o exceso de agua.

8.3 Estacionalidad

Se asume que menores niveles de estacionalidad favorecen la estabilidad del sistema productivo, ya que reducen la variabilidad hídrica y térmica a lo largo del año, lo cual es beneficioso para el crecimiento continuo del cultivo.

9 Reclasificación de variables

9.1 Temperatura

La temperatura media anual constituye una variable determinante para el desarrollo de la caña de azúcar, debido a su influencia directa sobre los procesos fisiológicos del cultivo.

Se definió un rango óptimo entre 22.5 y 28 °C, en el cual el cultivo alcanza su mayor eficiencia fisiológica y productividad potencial. Los valores comprendidos entre 18–22.5 °C y 28–32 °C se consideran subóptimos, mientras que temperaturas inferiores a 18 °C o superiores a 32 °C se clasifican como no aptas debido al estrés térmico que limitan el desarrollo del cultivo.

Esta reclasificación permite transformar la variable continua de temperatura en un índice de aptitud climática, el cual se integra posteriormente al modelo multicriterio.

temp_score <- terra::classify(
  tmean,
  rcl = matrix(c(
    -Inf, 18,   0,
    18,   22.5, 50,
    22.5, 28,   100,
    28,   32,   50,
    32,   Inf,  0
  ), ncol = 3, byrow = TRUE)
)

9.2 Precipitación

La precipitación anual es una variable clave para el desarrollo de la caña de azúcar, ya que condiciona la disponibilidad de agua y el crecimiento del cultivo. En este estudio se definió un rango óptimo entre 1500 y 3500 mm anuales, donde las condiciones hídricas son más favorables.

Valores menores a 1000 mm se consideran no aptos por déficit hídrico, mientras que valores superiores a 4500 mm también se consideran limitantes por exceso de humedad. Los rangos intermedios representan condiciones subóptimas de aptitud.

Esta reclasificación permite transformar la precipitación en un índice de aptitud climática para su integración en el modelo multicriterio.

prec_score <- classify(
  prec,
  rcl = matrix(c(
    -Inf, 1000, 0,
    1000, 1500, 50,
    1500, 3500, 100,
    3500, 4500, 50,
    4500, Inf, 0
  ),
  ncol = 3,
  byrow = TRUE)
)

10 Estacionalidad

La estacionalidad de la precipitación refleja la variabilidad de las lluvias a lo largo del año y su influencia en la disponibilidad de agua para el cultivo. Para la caña de azúcar, una baja estacionalidad se considera óptima por garantizar mayor estabilidad hídrica, mientras que valores altos se asocian con condiciones menos favorables debido a periodos de déficit o exceso de agua.

Esta variable se reclasifica en niveles de aptitud para integrarla al modelo multicriterio.

est_score <- classify(
  pest,
  rcl = matrix(c(
    -Inf, 40, 100,
    40, 70, 70,
    70, Inf, 20
  ),
  ncol = 3,
  byrow = TRUE)
)

11 Modelo final de aptitud climática

Se implementó un modelo ponderado:

Temperatura → 40% Precipitación → 40% Estacionalidad → 20%

Este modelo corresponde a una aproximación de evaluación multicriterio tipo Weighted Linear Combination (WLC). Se asignaron pesos equivalentes a temperatura y precipitación debido a su papel limitante directo en la fisiología de la caña de azúcar, mientras que la estacionalidad actúa como factor modulador.

aptitud <- (
  temp_score * 0.4 +
  prec_score * 0.4 +
  est_score * 0.2
)

names(aptitud) <- "Aptitud"

12 Mapa global de aptitud climática

La figura presenta la distribución espacial del índice de aptitud climática para el cultivo de caña de azúcar a nivel mundial, obtenido mediante un modelo multicriterio ponderado. Los valores más altos indican regiones con condiciones climáticas más favorables para el desarrollo del cultivo, mientras que los valores bajos representan zonas con menor aptitud. Este mapa permite identificar áreas potenciales para la producción de caña de azúcar y analizar la variabilidad espacial de las condiciones climáticas a escala global.

world <- ne_countries(
  scale = "medium",
  returnclass = "sf"
)

ggplot() +
  geom_spatraster(data = aptitud) +
  scale_fill_viridis_c(
    option = "B",
    limits = c(0,100),
    name = "Índice"
  ) +
  geom_sf(
    data = world,
    fill = NA,
    color = "gray40",
    linewidth = 0.2
  ) +
  labs(
    title = "Aptitud climática global para caña de azúcar",
    subtitle = "Modelo multicriterio ponderado"
  ) +
  annotation_scale(location = "bl") +
  annotation_north_arrow(location = "tr") +
  theme(
    plot.title = element_text(face = "bold", size = 16),
    legend.position = "right"
  )

## <SpatRaster> resampled to 5e+05 cells.
## Scale on map varies by more than 10%, scale bar may be inaccurate

13 Identificación de países con alto potencial

Con base en los resultados del modelo de aptitud climática global, se identificaron tres países que presentan amplias extensiones con condiciones favorables para el cultivo de caña de azúcar: Brasil, India y Colombia.

Estos países se localizan en regiones tropicales y subtropicales, caracterizadas por temperaturas adecuadas, alta disponibilidad de precipitación y condiciones climáticas relativamente estables, lo que los convierte en referentes mundiales en la producción de este cultivo.

A partir de esta selección, se realiza un recorte espacial del modelo de aptitud con el fin de analizar con mayor detalle la distribución de las áreas potenciales dentro de cada territorio.

paises <- world %>%
  filter(admin %in% c(
    "Brazil",
    "India",
    "Colombia"
  ))

14 Recorte espacial de países

Para analizar con mayor detalle la distribución espacial de la aptitud climática, se realizó un recorte del raster global utilizando los límites administrativos de los países previamente seleccionados (Brasil, India y Colombia).

Este procedimiento permite extraer únicamente la información correspondiente a cada territorio, facilitando la visualización comparativa de las zonas con mayor potencial agroclimático dentro de cada país.

Posteriormente, se generaron mapas individuales de aptitud climática para cada país, superponiendo los límites administrativos con el raster recortado, lo que permite una interpretación espacial más precisa de los resultados del modelo.

# Verificaciones previas
stopifnot(exists("aptitud"))
stopifnot(exists("paises"))

par(mfrow = c(1, 3))

for (i in seq_len(min(3, nrow(paises)))) {

  pais_vect <- terra::vect(paises[i, ])

  apt_mask <- aptitud |>
    terra::crop(pais_vect) |>
    terra::mask(pais_vect)

  plot(
    apt_mask,
    main = as.character(paises$admin[i]),
    col = viridis::viridis(100),
    axes = FALSE
  )

  plot(
    pais_vect,
    add = TRUE,
    border = "black",
    lwd = 0.5
  )
}

par(mfrow = c(1, 1))

15 Zona cañera del Valle del Cauca

El Valle del Cauca constituye una de las principales regiones agroindustriales de América Latina en la producción de caña de azúcar, gracias a sus condiciones climáticas favorables y su alta concentración de ingenios azucareros.

Para este análisis, se seleccionaron municipios representativos del denominado corredor cañero del Valle del Cauca, los cuales reflejan la distribución espacial de esta actividad productiva en la región:

Cali
Palmira
Florida
Pradera
Candelaria
Buga
Tuluá

A partir de estos puntos, se construyó una capa espacial en formato vectorial y posteriormente se generó un buffer de 20 km alrededor de cada municipio. Este procedimiento permite representar una zona de influencia agroproductiva, facilitando el análisis climático en el entorno inmediato del corredor cañero.

valle <- data.frame(
  municipio = c("Cali","Palmira","Florida","Pradera","Candelaria","Buga","Tulua"),
  lon = c(-76.53,-76.30,-76.24,-76.17,-76.35,-76.30,-76.20),
  lat = c(3.45,3.53,3.32,3.42,3.41,3.90,4.08)
)
valle_sf <- sf::st_as_sf(valle, coords = c("lon","lat"), crs = 4326)

valle_vect <- terra::vect(valle_sf)

# Buffer 20 km (en metros → proyectar primero)
valle_proj <- terra::project(valle_vect, "EPSG:3857")

valle_buffer <- terra::buffer(valle_proj, width = 20000)

valle_buffer_wgs84 <- terra::project(valle_buffer, "EPSG:4326")

15.1 Mapa regional mejorado (político + influencia cañera)

Este mapa presenta la distribución espacial de los municipios seleccionados dentro del Valle del Cauca, junto con una representación de su zona de influencia agroindustrial mediante un buffer de 20 km.

Se incluye la base política de Colombia para contextualizar la ubicación geográfica, los puntos correspondientes a los municipios del corredor cañero y el área de influencia que permite aproximar el entorno productivo del cultivo de caña de azúcar.

Esta visualización facilita la interpretación espacial del sistema cañero regional y su relación con el territorio.

colombia <- world %>%
  filter(admin == "Colombia")

ggplot() +

  geom_sf(
    data = colombia,
    fill = "gray95",
    color = "gray50",
    linewidth = 0.3
  ) +

  geom_sf(
    data = valle_buffer_wgs84,
    fill = "darkgreen",
    alpha = 0.25,
    color = "darkgreen"
  ) +

  geom_sf(
    data = valle_sf,
    aes(color = municipio),
    size = 3
  ) +

  coord_sf(
    xlim = c(-78, -75),
    ylim = c(2, 5),
    expand = FALSE
  ) +

   ggspatial::annotation_scale(location = "bl", width_hint = 0.3) +
  ggspatial::annotation_north_arrow(
    location = "tr",
    style = ggspatial::north_arrow_fancy_orienteering
  ) +

  labs(
    title = "Zona de influencia cañera del Valle del Cauca",
    subtitle = "Municipios representativos + área de influencia agroindustrial (buffer 20 km)",
    color = "Municipio"
  ) +

  theme_minimal(base_size = 13) +
  theme(
    legend.position = "right",
    plot.title = element_text(face = "bold")
  )

16 Caracterización climática de los municipios de estudio

Se realizó la extracción de variables climáticas (temperatura media y precipitación anual) para cada uno de los municipios seleccionados del Valle del Cauca.

Este procedimiento permite asociar a cada punto de estudio los valores climáticos correspondientes, facilitando el análisis de las condiciones ambientales locales dentro del corredor cañero.

Los resultados obtenidos se integran con la tabla original de municipios para su posterior análisis y visualización.

valle_vect <- terra::vect(valle_sf)

names(tmean) <- "temperatura"
names(prec)  <- "precipitacion"

clima_valle <- terra::extract(
  c(tmean, prec),
  valle_vect
)

clima_valle <- cbind(
  valle,
  clima_valle[, -1]
)

clima_valle$temperatura   <- as.numeric(clima_valle$temperatura)
clima_valle$precipitacion <- as.numeric(clima_valle$precipitacion)

if(max(clima_valle$temperatura, na.rm = TRUE) < 10){
  clima_valle$temperatura <- clima_valle$temperatura * 10
}

clima_valle$temperatura   <- round(clima_valle$temperatura, 2)
clima_valle$precipitacion <- round(clima_valle$precipitacion, 0)

clima_valle

summary(
  clima_valle[, c("temperatura", "precipitacion")]
)

##   temperatura    precipitacion 
##  Min.   :20.21   Min.   :1484  
##  1st Qu.:21.96   1st Qu.:1542  
##  Median :22.36   Median :1565  
##  Mean   :22.32   Mean   :1596  
##  3rd Qu.:23.00   3rd Qu.:1602  
##  Max.   :23.76   Max.   :1832

17 Climatologías mensuales

Se descargaron variables climáticas mensuales desde WorldClim v2.1 con el objetivo de caracterizar la variabilidad estacional de la temperatura y la precipitación en los municipios del Valle del Cauca.

Estas capas permiten analizar el comportamiento climático a lo largo del año y complementar el análisis de aptitud y similitud ambiental previamente desarrollado.

temp_month <- worldclim_global(
  var  = "tavg",
  res  = 10,
  path = "data"
)

prec_month <- worldclim_global(
  var  = "prec",
  res  = 10,
  path = "data"
)

temp_month <- temp_month / 10

18 Extracción mensual

Posteriormente, se extrajeron los valores mensuales para cada municipio del área de estudio, lo que permite construir series temporales climáticas de temperatura y precipitación.

temp_series <- terra::extract(
  temp_month,
  valle_vect
)

prec_series <- terra::extract(
  prec_month,
  valle_vect
)

19 Series climáticas mensuales

A partir de las variables climáticas mensuales extraídas desde WorldClim v2.1, se construyeron series temporales de temperatura y precipitación para los municipios del Valle del Cauca.

Este análisis permite visualizar la variabilidad estacional del clima en la región, identificando patrones relevantes para el desarrollo del cultivo de caña de azúcar, especialmente en términos de estabilidad térmica y disponibilidad hídrica a lo largo del año.

19.1 Temperatura mensual

Se generaron series de temperatura media mensual para cada municipio, facilitando la comparación del comportamiento térmico entre localidades del área de estudio.

# Tabla mensual de temperatura
temp_df <- data.frame(
  mes = factor(month.abb, levels = month.abb)
)

for(i in seq_len(nrow(valle))) {
  temp_df[[valle$municipio[i]]] <-
    as.numeric(temp_series[i, -1])
}

# Formato largo
temp_long <- tidyr::pivot_longer(
  temp_df,
  cols = -mes,
  names_to = "municipio",
  values_to = "temperatura"
)

# Verificaciones
stopifnot(nrow(temp_long) > 0)
stopifnot(all(is.finite(temp_long$temperatura)))

# Gráfico
ggplot(
  temp_long,
  aes(
    x = mes,
    y = temperatura,
    color = municipio,
    group = municipio
  )
) +
  geom_line(linewidth = 1.2) +
  geom_point(size = 2) +
  scale_color_viridis_d() +
  scale_y_continuous(
    labels = scales::label_number(suffix = " °C")
  ) +
  labs(
    title = "Climatología mensual de temperatura",
    subtitle = "Municipios cañeros del Valle del Cauca",
    x = "Mes",
    y = "Temperatura (°C)"
  ) +
  theme_minimal() +
  theme(
    legend.position = "bottom"
  )

19.2 Precipitación mensual

De forma análoga, se construyeron series de precipitación mensual, permitiendo analizar la distribución de lluvias a lo largo del año y su variabilidad entre municipios.

prec_df <- data.frame(
  mes = factor(month.abb, levels = month.abb)
)

for(i in seq_len(nrow(valle))) {
  prec_df[[valle$municipio[i]]] <-
    as.numeric(prec_series[i, -1])
}

prec_long <- tidyr::pivot_longer(
  prec_df,
  cols = -mes,
  names_to = "municipio",
  values_to = "precipitacion"
)

stopifnot(nrow(prec_long) > 0)
stopifnot(all(is.finite(prec_long$precipitacion)))

ggplot(
  prec_long,
  aes(
    x = mes,
    y = precipitacion,
    color = municipio,
    group = municipio
  )
) +
  geom_line(linewidth = 1) +
  geom_point(size = 2) +
  scale_color_viridis_d() +
  scale_y_continuous(
    labels = scales::comma
  ) +
  labs(
    title = "Climatología mensual de precipitación",
    subtitle = "Municipios cañeros del Valle del Cauca",
    x = "Mes",
    y = "Precipitación (mm)"
  ) +
  theme_minimal() +
  theme(
    legend.position = "bottom"
  )

20 Modelo de similitud climática

La similitud climática permite identificar regiones ambientalmente análogas respecto a una zona de referencia. En estudios agroclimáticos, este enfoque es ampliamente utilizado para detectar áreas con condiciones potencialmente equivalentes para el desarrollo de cultivos.

A diferencia del modelo de aptitud climática, que clasifica regiones mediante umbrales fijos, el modelo de similitud climática representa gradientes continuos de proximidad ambiental. Esto permite comparar regiones del mundo con condiciones similares al Valle del Cauca, una de las zonas de mayor productividad cañera en Colombia.

En este estudio se emplea una aproximación basada en distancia euclidiana estandarizada. Para ello, las variables climáticas son normalizadas mediante puntajes Z, lo que permite compararlas en una misma escala independientemente de sus unidades originales.

Posteriormente, se calcula la distancia climática entre cada celda del espacio global y el clima promedio observado en los municipios de referencia del Valle del Cauca.

Los valores bajos de distancia representan mayor similitud climática con la región de referencia, mientras que valores altos indican menor afinidad ambiental.

21 Estandarización climática

Debido a que las variables climáticas presentan diferentes unidades y magnitudes, se realizó una estandarización mediante puntajes Z antes del análisis de similitud climática.

La transformación se realizó utilizando la expresión: \[ Z = \frac{X - \mu}{\sigma} \]

donde (X) es el valor observado, () la media y () la desviación estándar de cada variable.

Este procedimiento permite comparar variables en una escala común y evita que aquellas con mayor variabilidad influyan de manera desproporcionada en el cálculo de la similitud climática.

En este estudio se estandarizaron la temperatura media anual (BIO1) y la precipitación anual (BIO12)

clima_std <- clima_valle[, c("temperatura", "precipitacion")]

clima_std$temperatura_std <-
  as.numeric(scale(clima_std$temperatura))

clima_std$precipitacion_std <-
  as.numeric(scale(clima_std$precipitacion))

knitr::kable(
  round(clima_std, 3),
  caption = "Variables climáticas estandarizadas mediante puntajes Z"
)

Variables climáticas estandarizadas mediante puntajes Z
temperatura	precipitacion	temperatura_std	precipitacion_std
20.21	1832	-1.774	2.109
22.42	1484	0.080	-0.995
22.21	1605	-0.096	0.084
22.36	1532	0.030	-0.567
23.76	1565	1.205	-0.273
21.72	1600	-0.507	0.040
23.59	1551	1.062	-0.398

21.1 Grafica Distribución de variables climáticas estandarizadas

Los valores climáticos fueron estandarizados mediante la transformación Z-score con el fin de eliminar las diferencias de escala entre temperatura y precipitación. Esta transformación permitió comparar ambas variables en una misma unidad adimensional, facilitando su análisis conjunto.

Los diagramas de caja muestran una distribución relativamente homogénea de los datos y no evidencian valores atípicos extremos. La temperatura presenta una dispersión moderada alrededor de la media regional, mientras que la precipitación exhibe una mayor variabilidad, destacándose el municipio de Cali con un valor estandarizado superior al resto debido a su mayor acumulado anual de precipitación. En general, la estandarización permitió identificar diferencias relativas entre municipios sin que las unidades originales influyeran en la comparación.

# Verificar objeto de entrada
str(clima_valle)

## 'data.frame':    7 obs. of  5 variables:
##  $ municipio    : chr  "Cali" "Palmira" "Florida" "Pradera" ...
##  $ lon          : num  -76.5 -76.3 -76.2 -76.2 -76.3 ...
##  $ lat          : num  3.45 3.53 3.32 3.42 3.41 3.9 4.08
##  $ temperatura  : num  20.2 22.4 22.2 22.4 23.8 ...
##  $ precipitacion: num  1832 1484 1605 1532 1565 ...

# Estandarización
clima_std <- clima_valle %>%
  dplyr::mutate(
    temperatura_std   = as.numeric(scale(temperatura)),
    precipitacion_std = as.numeric(scale(precipitacion))
  )

print(head(clima_std))

##    municipio    lon  lat temperatura precipitacion temperatura_std
## 1       Cali -76.53 3.45       20.21          1832     -1.77404310
## 2    Palmira -76.30 3.53       22.42          1484      0.08031141
## 3    Florida -76.24 3.32       22.21          1605     -0.09589422
## 4    Pradera -76.17 3.42       22.36          1532      0.02996694
## 5 Candelaria -76.35 3.41       23.76          1565      1.20467116
## 6       Buga -76.30 3.90       21.72          1600     -0.50704070
##   precipitacion_std
## 1        2.10881703
## 2       -0.99515777
## 3        0.08409784
## 4       -0.56702331
## 5       -0.27268087
## 6        0.03950050

# Datos para gráfico
datos_plot <- clima_std %>%
  dplyr::select(
    temperatura_std,
    precipitacion_std
  ) %>%
  tidyr::pivot_longer(
    cols = everything(),
    names_to = "Variable",
    values_to = "Valor"
  )

print(datos_plot)

## # A tibble: 14 × 2
##    Variable            Valor
##    <chr>               <dbl>
##  1 temperatura_std   -1.77  
##  2 precipitacion_std  2.11  
##  3 temperatura_std    0.0803
##  4 precipitacion_std -0.995 
##  5 temperatura_std   -0.0959
##  6 precipitacion_std  0.0841
##  7 temperatura_std    0.0300
##  8 precipitacion_std -0.567 
##  9 temperatura_std    1.20  
## 10 precipitacion_std -0.273 
## 11 temperatura_std   -0.507 
## 12 precipitacion_std  0.0395
## 13 temperatura_std    1.06  
## 14 precipitacion_std -0.398

# Gráfico
p <- ggplot(
  datos_plot,
  aes(
    x = Variable,
    y = Valor
  )
) +
  geom_boxplot() +
  geom_jitter(width = 0.1, alpha = 0.6) +
  theme_minimal()

print(p)

22 Clima de referencia

Se definió un clima de referencia a partir del promedio de las condiciones observadas en los municipios del Valle del Cauca. En particular, se calcularon los valores medios de temperatura y precipitación, los cuales representan las condiciones climáticas típicas de la zona de estudio.

Posteriormente, estos valores fueron estandarizados mediante puntajes Z utilizando la media y desviación estándar global de las variables climáticas, con el fin de hacerlos comparables dentro del mismo espacio multivariado.

# Clima de referencia (municipios Valle del Cauca)
ref_temp <- mean(clima_valle$temperatura, na.rm = TRUE)
ref_prec <- mean(clima_valle$precipitacion, na.rm = TRUE)

# Asegurar estadísticas globales (DEBEN EXISTIR ANTES)
t_stats <- global(tmean, fun = c("mean", "sd"), na.rm = TRUE)
p_stats <- global(prec, fun = c("mean", "sd"), na.rm = TRUE)

# Z-score de referencia (forma segura)
ref_tz <- (ref_temp - t_stats[1, "mean"]) / t_stats[1, "sd"]
ref_pz <- (ref_prec - p_stats[1, "mean"]) / p_stats[1, "sd"]

23 Distancia euclidiana

A partir de las variables climáticas estandarizadas (Z-score), se calculó la distancia euclidiana entre cada celda del espacio global y el clima de referencia del Valle del Cauca.

Este indicador cuantifica el grado de similitud ambiental: valores más bajos indican mayor parecido climático con la región de referencia, mientras que valores altos reflejan condiciones más divergentes.

t_stats <- global(tmean, fun = c("mean", "sd"), na.rm = TRUE)
p_stats <- global(prec, fun = c("mean", "sd"), na.rm = TRUE)

t_mean <- t_stats[1, "mean"]
t_sd   <- t_stats[1, "sd"]

p_mean <- p_stats[1, "mean"]
p_sd   <- p_stats[1, "sd"]

# validación
stopifnot(!is.na(t_sd), t_sd > 0)
stopifnot(!is.na(p_sd), p_sd > 0)

# Z-scores globales
t_z <- (tmean - t_mean) / t_sd
p_z <- (prec - p_mean) / p_sd

24 Distancia euclidiana respecto al clima promedio del Valle del Cauca

A partir de las variables climáticas estandarizadas (temperatura y precipitación), se calculó la distancia euclidiana entre cada celda del planeta y el clima promedio del Valle del Cauca. Este indicador permite medir el grado de similitud climática respecto a la región de referencia.

Los valores bajos de distancia representan condiciones climáticas más similares al Valle del Cauca, mientras que los valores altos indican una menor similitud ambiental. Este análisis facilita la identificación de regiones potencialmente análogas para el cultivo de caña de azúcar.

# Distancia euclidiana respecto al clima promedio del Valle del Cauca

distancia <- sqrt(
  (t_z - ref_tz)^2 +
  (p_z - ref_pz)^2
)

names(distancia) <- "Distancia"

25 Mapa global de similitud climática

El mapa global de similitud climática representa la distribución espacial de la distancia euclidiana estandarizada entre las condiciones climáticas de cada celda del planeta y el clima de referencia del Valle del Cauca.

Los valores más bajos indican regiones con mayor similitud ambiental, es decir, zonas con condiciones climáticas comparables en términos de temperatura y precipitación. Por el contrario, los valores altos corresponden a áreas con menor afinidad climática respecto a la región de referencia.

Este resultado permite identificar regiones potencialmente análogas al Valle del Cauca a escala global, lo cual es útil para estudios de expansión agrícola y análisis comparativo de aptitud climática.

ggplot() +
  geom_spatraster(data = distancia) +
  scale_fill_viridis_c(
    option = "A",
    direction = -1,
    name = "Distancia"
  ) +
  geom_sf(
    data = world,
    fill = NA,
    color = "gray50",
    linewidth = 0.2
  ) +
  labs(
    title = "Similitud climática global respecto al Valle del Cauca",
    subtitle = "Distancia euclidiana estandarizada"
  ) +
  annotation_scale(location = "bl") +
  annotation_north_arrow(location = "tr")

## <SpatRaster> resampled to 5e+05 cells.
## Scale on map varies by more than 10%, scale bar may be inaccurate

26 Comparación de enfoques

El modelo multicriterio de aptitud climática permite identificar regiones óptimas mediante criterios agroclimáticos ponderados.

En contraste, el modelo de similitud climática permite identificar gradientes continuos de analogía ambiental respecto al Valle del Cauca.

El enfoque multicriterio es más útil para delimitación agrícola, mientras que la similitud climática resulta más adecuada para estudios comparativos y transferencia tecnológica entre regiones.

27 Discusión

Los resultados evidencian que las regiones tropicales húmedas presentan las condiciones climáticas más favorables para el cultivo de caña de azúcar.

Brasil, India y Colombia presentan extensas superficies con alta aptitud climática debido a:

estabilidad térmica, elevada precipitación, baja estacionalidad climática.

El Valle del Cauca presenta condiciones ambientales altamente favorables y comparables con otras regiones productoras del mundo.

Sin embargo, este estudio presenta algunas limitaciones:

no se incorporaron variables edáficas, no se incluyeron pendientes, no se consideró disponibilidad hídrica, no se incluyó manejo agrícola.

Por tanto, los resultados representan aptitud climática potencial y no productividad real.

28 Conclusiones

La aptitud climática global para la caña de azúcar se concentra principalmente en regiones tropicales húmedas.
Brasil, India y Colombia presentan las mayores extensiones con alta aptitud agroclimática.
El Valle del Cauca presenta condiciones climáticas altamente favorables para el cultivo.
Los modelos de similitud ambiental permiten identificar regiones análogas más allá de límites administrativos.
La integración de SIG, datos raster y análisis espacial constituye una herramienta robusta para estudios agroclimáticos globales.

29 Referencias

Fick, S. E., & Hijmans, R. J. (2017). WorldClim 2: New 1-km spatial resolution climate surfaces for global land areas. International Journal of Climatology, 37(12), 4302–4315. https://doi.org/10.1002/joc.5086

Hijmans, R. J. (2024). terra: Spatial Data Analysis. R package version 1.8-x. https://CRAN.R-project.org/package=terra

Moraga, P. (2023). Spatial Statistics for Data Science: Theory and Practice with R. Chapman and Hall/CRC.

Pebesma, E. (2024). sf: Simple Features for R. R package version 1.0-x. https://CRAN.R-project.org/package=sf

WorldClim Version 2.1. (2024). Global climate data. https://www.worldclim.org/

Food and Agriculture Organization of the United Nations (FAO). (2020). Agroclimatic requirements for sugarcane production.

Modelamiento espacial multicriterio de aptitud climática y similitud ambiental para caña de azúcar

Nelson Cárdenas

07 junio 2026