Este trabajo explora las condiciones climáticas para el cultivo de caña de azúcar a escala global mediante dos aproximaciones: la evaluación de rangos óptimos de temperatura y precipitación, y el análisis de similitud climática con sitios seleccionados en el Valle del Cauca, Colombia. Se elaboran mapas de aptitud, se identifican países con áreas de alto potencial climático y se caracteriza el comportamiento mensual de las variables en los puntos seleccionados. Finalmente, se comparan los mapas de aptitud y similitud para interpretar sus coincidencias y diferencias.
Se utilizan datos de WorldClim 2.1 correspondientes a promedios mensuales del periodo 1970–2000, con una resolución espacial de 10 minutos de arco.
Las variables son temperatura media mensual, expresada en grados Celsius, y precipitación mensual, expresada en milímetros. Cada variable contiene 12 capas, una por mes.
A continuación cargamos los datos desde worldclim_global y verificamos que la cantidad de capas. En total se deben de tener 24 capas para las dos variables.
library(geodata)
## Loading required package: terra
## terra 1.9.50
library(terra)
tavg <- worldclim_global(var = "tavg", res = 10, path = "data") # Temperatura°C
prec <- worldclim_global(var = "prec", res = 10, path = "data") # precipitacion mm
nlyr(tavg); nlyr(prec)
## [1] 12
## [1] 12
list.files("data", pattern = "\\.tif$", recursive = TRUE)
## [1] "climate/wc2.1_10m/wc2.1_10m_prec_01.tif"
## [2] "climate/wc2.1_10m/wc2.1_10m_prec_02.tif"
## [3] "climate/wc2.1_10m/wc2.1_10m_prec_03.tif"
## [4] "climate/wc2.1_10m/wc2.1_10m_prec_04.tif"
## [5] "climate/wc2.1_10m/wc2.1_10m_prec_05.tif"
## [6] "climate/wc2.1_10m/wc2.1_10m_prec_06.tif"
## [7] "climate/wc2.1_10m/wc2.1_10m_prec_07.tif"
## [8] "climate/wc2.1_10m/wc2.1_10m_prec_08.tif"
## [9] "climate/wc2.1_10m/wc2.1_10m_prec_09.tif"
## [10] "climate/wc2.1_10m/wc2.1_10m_prec_10.tif"
## [11] "climate/wc2.1_10m/wc2.1_10m_prec_11.tif"
## [12] "climate/wc2.1_10m/wc2.1_10m_prec_12.tif"
## [13] "climate/wc2.1_10m/wc2.1_10m_tavg_01.tif"
## [14] "climate/wc2.1_10m/wc2.1_10m_tavg_02.tif"
## [15] "climate/wc2.1_10m/wc2.1_10m_tavg_03.tif"
## [16] "climate/wc2.1_10m/wc2.1_10m_tavg_04.tif"
## [17] "climate/wc2.1_10m/wc2.1_10m_tavg_05.tif"
## [18] "climate/wc2.1_10m/wc2.1_10m_tavg_06.tif"
## [19] "climate/wc2.1_10m/wc2.1_10m_tavg_07.tif"
## [20] "climate/wc2.1_10m/wc2.1_10m_tavg_08.tif"
## [21] "climate/wc2.1_10m/wc2.1_10m_tavg_09.tif"
## [22] "climate/wc2.1_10m/wc2.1_10m_tavg_10.tif"
## [23] "climate/wc2.1_10m/wc2.1_10m_tavg_11.tif"
## [24] "climate/wc2.1_10m/wc2.1_10m_tavg_12.tif"
stopifnot(nlyr(tavg) == 12, nlyr(prec) == 12)
names(tavg) <- month.name
names(prec) <- month.name
A continuación, se presentan las características de las variables de temperatura y precipitación, incluyendo sus dimensiones, resolución espacial, extensión geográfica, sistema de coordenadas y número de capas. También se muestran los mapas correspondientes a los 12 meses del año.
# Caracteristicas de temperatura
tavg
## class : SpatRaster
## size : 1080, 2160, 12 (nrow, ncol, nlyr)
## resolution : 0.1666667, 0.1666667 (x, y)
## extent : -180, 180, -90, 90 (xmin, xmax, ymin, ymax)
## coord. ref. : lon/lat WGS 84 (EPSG:4326)
## sources : wc2.1_10m_tavg_01.tif
## wc2.1_10m_tavg_02.tif
## wc2.1_10m_tavg_03.tif
## ... and 9 more sources
## names : January, February, March, April, May, June, ...
## min values : -45.884, -44.799999, -57.92575, -64.192497, -64.811502, -64.358252, ...
## max values : 34.0095, 32.82425, 32.9095, 34.19375, 36.25325, 38.3555, ...
res(tavg); ext(tavg); crs(tavg, describe = TRUE)$code; ncell(tavg); nlyr(tavg)
## [1] 0.1666667 0.1666667
## SpatExtent : -180, 180, -90, 90 (xmin, xmax, ymin, ymax)
## [1] "4326"
## [1] 2332800
## [1] 12
plot(tavg)
# Caracteristicas de precipitacion
prec
## class : SpatRaster
## size : 1080, 2160, 12 (nrow, ncol, nlyr)
## resolution : 0.1666667, 0.1666667 (x, y)
## extent : -180, 180, -90, 90 (xmin, xmax, ymin, ymax)
## coord. ref. : lon/lat WGS 84 (EPSG:4326)
## sources : wc2.1_10m_prec_01.tif
## wc2.1_10m_prec_02.tif
## wc2.1_10m_prec_03.tif
## ... and 9 more sources
## names : January, February, March, April, May, June, ...
## min values : 0, 0, 0, 0, 0, 0, ...
## max values : 908, 793, 720, 1004, 2068, 2210, ...
res(prec); ext(prec); crs(prec, describe = TRUE)$code; ncell(prec); nlyr(prec)
## [1] 0.1666667 0.1666667
## SpatExtent : -180, 180, -90, 90 (xmin, xmax, ymin, ymax)
## [1] "4326"
## [1] 2332800
## [1] 12
plot(prec)
# Mapas globales de aptitud climática para la caña de azúcar
Se utilizan los rangos óptimos propuestos en el script guía para evaluar las condiciones climáticas de cada celda. Para cada mes, se identifica si la temperatura y la precipitación cumplen los rangos establecidos.
cultivo <- "Caña de azúcar"
t_min <- 22.5; t_max <- 28 # temperatura media mensual óptima (°C)
p_min <- 125; p_max <- 290 # precipitación mensual óptima (mm)
umbral <- 80
#Evaluacion por mes de los rangos óptimos
t_ok <- tavg > t_min & tavg < t_max
p_ok <- prec > p_min & prec < p_max
t_pct <- sum(t_ok) / nlyr(t_ok) * 100
p_pct <- sum(p_ok) / nlyr(p_ok) * 100
plot(c(t_pct, p_pct), main = c("Temperatura (% meses)", "Precipitación (% meses)"), col = hcl.colors(100, "YlGn", rev = TRUE),
range = c(0, 100))
Los mapas muestran que amplias zonas del norte de Sudamérica presentan
temperaturas dentro del rango óptimo para la caña de azúcar durante la
mayor parte del año. Sin embargo, la precipitación muestra un
cumplimiento más variable y, en muchas de estas zonas, permanece dentro
del rango establecido durante menos meses. Esto sugiere que la
precipitación podría ser el factor climático más limitante bajo los
criterios utilizados, tanto por déficit como por exceso de lluvia. Por
ello, es necesario combinar ambas variables para identificar las áreas
de mayor aptitud climática.
Se combinaron, para cada celda, los porcentajes de meses con temperatura y precipitación dentro de los rangos óptimos mediante dos métodos. El primero calcula el promedio de ambos porcentajes, permitiendo que un mayor cumplimiento de una variable compense parcialmente el menor cumplimiento de la otra. El segundo toma el menor de los dos porcentajes, por lo que representa un criterio más restrictivo, determinado por la variable climática más limitante.Los mapas de los resultasdos se presentan a conitnuación:
apt_prom <- mean(t_pct, p_pct) # el promedio compensa: un factor bueno ayuda al otro
apt_min <- min(t_pct, p_pct) # el mínimo (ley de Liebig): manda el factor más limitante
plot(c(apt_prom, apt_min), main = c("Promedio", "Mínimo"))
Se aplicó un filtro para conservar únicamente las celdas con un índice
de aptitud promedio igual o superior a 80, identificando así las zonas
de mayor potencial climático según los criterios establecidos. Los
resultados muestran una concentración de estas áreas en la región
ecuatorial de Sudamérica, África central y diversas islas del sudeste
asiático y Oceanía. Estas condiciones corresponden a zonas específicas
dentro de los países, no a la totalidad de sus territorios.
apta <- ifel(apt_prom >= umbral, apt_prom, NA) # fuera del umbral -> NA
plot(apta, main = paste("Zonas aptas para", cultivo))
paises <- rnaturalearth::ne_countries(
scale = "small",
returnclass = "sf"
)
plot(vect(paises), add = TRUE, col = NA, border = "grey60", lwd = 0.5)
Se examinan Brasil, Tailandia e Indonesia para identificar áreas con un índice de aptitud climática igual o superior a 80. Para ello, se recorta el mapa global utilizando los límites de cada país y se representan los resultados con una escala de colores común, facilitando la comparación de las zonas que cumplen el criterio establecido.
# Límites de países compatibles con terra
paises_vect <- vect(paises)
nombres <- c("Brazil", "Thailand", "Indonesia")
titulos <- c("Brasil", "Tailandia", "Indonesia")
for (i in seq_along(nombres)) {
# Seleccionar el país
pais <- paises_vect[paises_vect$admin == nombres[i], ]
# Recortar las zonas de alta aptitud al límite del país
apta_pais <- mask(crop(apta, pais), pais)
# Dibujar el país como fondo
plot(
pais,
col = "grey95",
border = "grey50",
main = paste("Alta aptitud climática:", titulos[i]),
xlab = "Longitud",
ylab = "Latitud"
)
# Contar las celdas que conservaron un valor de aptitud
n_aptas <- global(!is.na(apta_pais), "sum", na.rm = TRUE)[1, 1]
if (n_aptas > 0) {
plot(
apta_pais,
add = TRUE,
col = hcl.colors(100, "viridis"),
range = c(80, 100),
colNA = "transparent"
)
plot(pais, add = TRUE, col = NA, border = "grey50")
} else {
mtext(
"Sin celdas con índice de aptitud ≥ 80",
side = 1,
line = 3
)
}
}
En Brasil, las áreas de alta aptitud climática se concentran principalmente en el noroccidente del país, mientras que en Tailandia se restringen a pequeñas zonas del extremo sur. Indonesia presenta áreas favorables distribuidas en varias de sus islas, especialmente cerca del ecuador, con índices que alcanzan 100. Las escalas de colores se ajustan a los valores presentes en cada país; por ejemplo, el amarillo representa 87,5 en Tailandia y 100 en Brasil e Indonesia, por lo que la comparación debe realizarse considerando las leyendas. Las zonas blancas no necesariamente son inadecuadas para el cultivo, sino que no alcanzan el umbral establecido o carecen de información.
Se seleccionaron tres puntos mediante Google Maps, ubicados en Buenaventura, Palmira y El Dovio. Para cada sitio se extraen los promedios mensuales de temperatura y precipitación de WorldClim correspondientes al periodo 1970–2000, con el fin de comparar su comportamiento a lo largo del año.
# Tabla con los nombres y las coordenadas
sitios <- data.frame(
sitio = c("Buenaventura", "Palmira", "El Dovio"),
longitud = c(-76.987708, -76.279160, -76.230333),
latitud = c(3.875072, 3.535454, 4.497709)
)
# Convertir la tabla en puntos geográficos
puntos <- vect(
sitios,
geom = c("longitud", "latitud"),
crs = "EPSG:4326"
)
sitios
## sitio longitud latitud
## 1 Buenaventura -76.98771 3.875072
## 2 Palmira -76.27916 3.535454
## 3 El Dovio -76.23033 4.497709
A continuación, se extraen los valores de temperatura media y precipitación mensual para los tres puntos seleccionados. Los resultados se presentan en dos tablas, una por variable, con los promedios correspondientes a los 12 meses del año para el periodo 1970–2000.y si
# Extraer temperatura mensual (°C)
temperatura_puntos <- extract(tavg, puntos, ID = FALSE)
# Extraer precipitación mensual (mm)
precipitacion_puntos <- extract(prec, puntos, ID = FALSE)
# Mostrar los resultados con el nombre de cada sitio
cbind(Sitio = sitios$sitio, temperatura_puntos)
## Sitio January February March April May June July
## 1 Buenaventura 26.05225 26.3015 26.47150 26.43050 26.40775 26.3335 26.2005
## 2 Palmira 22.50275 22.6155 22.73675 22.44175 22.35850 22.3280 22.6225
## 3 El Dovio 19.06000 19.1935 19.34275 19.14400 19.11225 19.0850 19.3865
## August September October November December
## 1 26.13600 26.09275 25.77325 25.80750 25.79225
## 2 22.74675 22.57575 22.02075 21.88275 22.14775
## 3 19.26250 19.09150 18.49450 18.48250 18.90375
cbind(Sitio = sitios$sitio, precipitacion_puntos)
## Sitio January February March April May June July August September
## 1 Buenaventura 327 275 344 415 534 461 473 511 608
## 2 Palmira 92 102 132 172 146 112 61 73 105
## 3 El Dovio 118 123 143 218 197 134 93 115 140
## October November December
## 1 661 608 414
## 2 195 173 121
## 3 244 217 155
A continuación, se presenta el comportamiento mensual promedio de la temperatura y la precipitación en los tres puntos seleccionados, con el fin de comparar sus condiciones climáticas a lo largo del año.
Buenaventura presenta las temperaturas y precipitaciones más altas, mientras que El Dovio registra las temperaturas más bajas y Palmira los menores niveles de lluvia. En los tres puntos, la temperatura cambia poco durante el año, mientras que la precipitación presenta variaciones mensuales más marcadas, con periodos más lluviosos y otros más secos.
Se utiliza la distancia euclidiana para comparar el clima de los puntos seleccionados con las condiciones climáticas a escala global. El análisis considera los 12 meses de temperatura y precipitación. Antes de calcular las distancias, se estandarizan las variables para evitar que sus distintas unidades dominen la comparación. A continuación, se organizan en una sola tabla los datos climáticos previamente extraídos para los tres puntos seleccionados en el Valle del Cauca. Cada fila corresponde a un sitio y contiene 24 valores: 12 de temperatura y 12 de precipitación mensual.
clima_sitios <- cbind(
temperatura_puntos,
precipitacion_puntos
)
# Identificar la variable y el mes de cada columna
names(clima_sitios) <- c(
paste0("temp_", 1:12),
paste0("prec_", 1:12)
)
rownames(clima_sitios) <- sitios$sitio
clima_sitios
## temp_1 temp_2 temp_3 temp_4 temp_5 temp_6 temp_7
## Buenaventura 26.05225 26.3015 26.47150 26.43050 26.40775 26.3335 26.2005
## Palmira 22.50275 22.6155 22.73675 22.44175 22.35850 22.3280 22.6225
## El Dovio 19.06000 19.1935 19.34275 19.14400 19.11225 19.0850 19.3865
## temp_8 temp_9 temp_10 temp_11 temp_12 prec_1 prec_2 prec_3
## Buenaventura 26.13600 26.09275 25.77325 25.80750 25.79225 327 275 344
## Palmira 22.74675 22.57575 22.02075 21.88275 22.14775 92 102 132
## El Dovio 19.26250 19.09150 18.49450 18.48250 18.90375 118 123 143
## prec_4 prec_5 prec_6 prec_7 prec_8 prec_9 prec_10 prec_11 prec_12
## Buenaventura 415 534 461 473 511 608 661 608 414
## Palmira 172 146 112 61 73 105 195 173 121
## El Dovio 218 197 134 93 115 140 244 217 155
Una vez organizada la información mensual de temperatura y precipitación, se utiliza la función scale() para estandarizar cada una de las 24 capas climáticas globales. Posteriormente, se extraen los valores estandarizados de los tres puntos seleccionados. Este procedimiento permite combinar ambas variables en el cálculo de la distancia euclidiana, evitando que la precipitación domine el resultado por presentar valores numéricos generalmente mayores que la temperatura. Así, las diferencias climáticas se expresan en una escala común, sin unidades.
# Unir temperatura y precipitación: 24 capas
clima_global <- c(tavg, prec)
# Estandarizar cada capa global
clima_std <- scale(clima_global)
# Extraer los 24 valores estandarizados de cada punto
sitios_std <- extract(clima_std, puntos, ID = FALSE)
Para este apartado se repite el procedimiento aplicado a Buenaventura, utilizando los valores climáticos estandarizados de Palmira como referencia. Adicionalmente, se ajustan los intervalos de la escala de colores, ya que el 95 % de las celdas presenta distancias iguales o inferiores a 11,73, mientras que el máximo alcanza 62,94. Este ajuste permite distinguir mejor las diferencias entre las distancias bajas sin modificar los valores calculados.
# Los 24 valores estandarizados de Palmira
referencia <- as.numeric(sitios_std[2, ])
# Distancia euclidiana para cada celda del mundo
dist_palmira <- app(clima_std, function(x) {
sqrt(sum((x - referencia)^2))
})
# Mapa con mayor detalle en las distancias bajas
plot(
dist_palmira,
main = "Distancia climática: Palmira",
breaks = c(0, 2, 4, 6, 8, 10, 12, 64),
col = hcl.colors(7, "viridis")
)
# Límites de países
plot(vect(paises), add = TRUE, col = NA, border = "grey60")
En comparación con el mapa de Buenaventura, se aprecia una distribución
más amplia de zonas con distancias relativamente bajas respecto a
Palmira, incluyendo sectores del sureste de Norteamérica, el sur de
Brasil, África central y la costa oriental de Australia. No obstante,
esta comparación es visual y debe considerar que ambos mapas utilizan
escalas de colores diferentes; las áreas moradas representan las menores
distancias dentro del mapa de Palmira.
Para El Dovio se aplica el mismo procedimiento de cálculo de la distancia euclidiana. Asimismo, se utilizan los mismos intervalos de colores que en el mapa de Palmira para facilitar la visualización de las distancias bajas y la comparación entre ambos sitios.
# Los 24 valores estandarizados de El Dovio
referencia <- as.numeric(sitios_std[3, ])
# Distancia euclidiana para cada celda del mundo
dist_ElDovio <- app(clima_std, function(x) {
sqrt(sum((x - referencia)^2))
})
# Mapa con mayor detalle en las distancias bajas
plot(
dist_ElDovio,
main = "Distancia climática: El Dovio",
col = hcl.colors(7, "viridis"),breaks = c(0, 2, 4, 6, 8, 10, 12, 64)
)
# Límites de países
plot(vect(paises), add = TRUE, col = NA, border = "grey60")
Para El Dovio se ajustó la escala de colores utilizando los mismos
intervalos que en Palmira. Se observa un patrón espacial parecido,
aunque algunas áreas de baja distancia parecen más reducidas. Estas se
localizan en sectores de África central, el sur de Brasil y otras zonas
de Sudamérica, así como en algunas islas del sudeste asiático. En
Australia, las áreas de mayor similitud son menos evidentes que en el
mapa de Palmira, sin desaparecer necesariamente por completo.
Los mapas de aptitud muestran dónde se cumplen con mayor frecuencia los rangos de temperatura y precipitación establecidos para la caña de azúcar. En cambio, los mapas de similitud identifican lugares con climas parecidos a Buenaventura, Palmira y El Dovio. Aunque existen coincidencias en algunas regiones, tener un clima similar no significa necesariamente contar con condiciones óptimas para el cultivo.
Los puntos seleccionados no se eligieron por su producción de caña. Por ello, sería interesante repetir el ejercicio con sitios de alta productividad para identificar otras zonas potenciales, que posteriormente tendrían que evaluarse.
La consulta adicional de información agronómica mostró que también influyen la radiación solar, la fertilidad y el drenaje del suelo, el riego y el manejo del cultivo. Por tanto, los resultados ofrecen una primera aproximación climática, pero la temperatura y la precipitación por sí solas no permiten asegurar el éxito de la producción.
Ahora bien respondiendo las preguntas realizadas para pensar
El criterio se vuelve menos exigente: se conservan las zonas seleccionadas con 80 y se incorporan las que tengan un índice entre 60 y menos de 80. No cambia el índice calculado; cambia el valor mínimo que exigimos para seleccionar una zona. Para medir el cambio, haremos una tabla de superficie en km2. Usaremos apt_prom, que conserva todos los valores, y no apta, donde ya eliminamos los inferiores a 80.
| Umbral | Superficie_km2 | Aumento_porcentaje |
|---|---|---|
| 80 | 4615014 | 0.0 |
| 60 | 17843437 | 286.6 |
Al reducir el umbral de 80 a 60, la superficie seleccionada aumenta de 4.62 a 17.84 millones de km2, lo que representa un incremento del 286.6 %. Esto muestra que el resultado depende considerablemente del umbral: al flexibilizar el criterio, se incluyen zonas con un menor cumplimiento de los rangos climáticos óptimos. El aumento no significa que mejoren las condiciones del cultivo, sino que se aceptan condiciones menos exigentes.
Se evalúan únicamente los meses de marzo a septiembre, manteniendo los rangos climáticos y el umbral de 80. Este ejercicio permite observar cómo cambia el resultado al modificar el periodo considerado. No se supone que estos meses representen el ciclo real del cultivo.
| Periodo | Meses | Umbral | Superficie_km2 |
|---|---|---|---|
| Enero–diciembre | 12 | 80 | 4615014 |
| Marzo–septiembre | 7 | 80 | 5274360 |
Al considerar únicamente marzo–septiembre, la superficie que alcanza el umbral de 80 aumenta de 4.62 a 5.27 millones de km2, aproximadamente un 14.3 %. Esto muestra que algunas zonas cumplen mejor los rangos climáticos establecidos para la caña de azúcar durante ciertos meses que al evaluar todo el año. Sin embargo, el aumento es global: algunas áreas pueden incorporarse y otras dejar de cumplir el criterio. Además, marzo–septiembre corresponde al ejemplo del taller, no a un calendario del cultivo validado para todas las regiones. Por ello, este resultado debe interpretarse como un ejercicio de sensibilidad; para una evaluación agrícola, los meses deben seleccionarse según el ciclo del cultivo y las condiciones locales.