TALLER APTITUD CLIMATICA

Descarga de datos y creacion de carpeta data:

library(geodata)
## Warning: package 'geodata' was built under R version 4.6.2
## Cargando paquete requerido: terra
## terra 1.9.46
dir.create("data", showWarnings = FALSE)

tavg <- worldclim_global(var = "tavg", res = 10, path = "data")   # °C
prec <- worldclim_global(var = "prec", res = 10, path = "data")   # mm

# Verifica: deben ser 12 capas cada una
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"

PUNTO 1: APTITUD CLIMÁTICA GLOBAL PARA LA CAÑA DE AZÚCAR

library(terra)

# se definen los parámetros óptimos para la Caña de Azúcar
cultivo <- "Caña de azúcar"
t_min <- 22.5; t_max <- 28
p_min <- 125;  p_max <- 290
p_anual_min <- 1500; p_anual_max <- 3500 
umbral <- 80                    

# Cargue de datos climáticos globales
f_t <- sort(list.files("data", "tavg_[0-9]{2}\\.tif$", recursive = TRUE, full.names = TRUE))
f_p <- sort(list.files("data", "prec_[0-9]{2}\\.tif$", recursive = TRUE, full.names = TRUE))

tavg <- rast(f_t)
prec <- rast(f_p)
names(tavg) <- month.name
names(prec) <- month.name

# Evaluar la aptitud mensual
t_ok <- tavg >= t_min & tavg <= t_max
p_ok <- prec >= p_min & prec <= p_max

# Calculo de la aptitud anual agregada
t_pct <- sum(t_ok) / nlyr(t_ok) * 100
p_pct <- sum(p_ok) / nlyr(p_ok) * 100

# Evaluar la precipitación anual total
prec_anual <- sum(prec)
p_anual_ok <- prec_anual >= p_anual_min & prec_anual <= p_anual_max

# Combinar factores para obtener la aptitud climática global
apt_min <- min(t_pct, p_pct) 
apt_global <- apt_min * p_anual_ok 

# filtro zonas óptimas según el umbral
apta_final <- ifel(apt_global >= umbral, apt_global, NA)

colores_aptitud <- colorRampPalette(c("#ffffcc", "#41ab5d", "#006837"))(100)

# Mapa de aptitudes
plot(apt_global, 
     main = "Aptitud Climática Global (Continua) - Caña de Azúcar", 
     col = colores_aptitud,
     plg = list(title = "% Aptitud"))

# Mapa de zonas altamente aptas
plot(apta_final, 
     main = paste("Zonas de Alta Aptitud (Umbral >=", umbral, "%) -", cultivo), 
     col = colores_aptitud,
     plg = list(title = "% Aptitud"))

Dado que el mapa de zonas de alta aptitud no se visualiza claramente, se agrega un mapa base sutil debajo de la capa filtrada para dar contexto geográfico y destacar los puntos verdes.

library(rnaturalearth)
## Warning: package 'rnaturalearth' was built under R version 4.6.2
library(sf)
## Linking to GEOS 3.14.1, GDAL 3.12.1, PROJ 9.7.1; sf_use_s2() is TRUE
# Obtener un polígono global para usar como mapa base
mundo <- ne_countries(scale = "small", returnclass = "sv") 

# Graficar el mapa base (mundo en gris claro)
plot(mundo, 
     col = "grey90", border = "white", 
     main = paste("Zonas de Alta Aptitud (>=", umbral, "%) -", cultivo),
     axes = FALSE)

# Superponer la capa de aptitud filtrada resaltando los puntos
plot(apta_final, 
     col = "#006837", # Verde oscuro intenso para resaltar
     add = TRUE, 
     legend = FALSE)

La zona de alta aptitud climática para la caña de azúcar se restringe exclusivamente a una estrecha franja ecuatorial y tropical. No se observan áreas aptas en latitudes medias o altas de ninguno de los hemisferios.
Se destaca una concentración importante en la cuenca del Amazonas (abarcando partes de Colombia, Ecuador, Perú y Brasil) y pequeños parches en Centroamérica y el Caribe. Aparece una zona muy localizada y compacta de alta aptitud en África Central y un bloque extenso y fragmentado a través de las islas del Sudeste Asiático.

PUNTO 2: PAISES CON POTENCIAL DE APTITUD ALTA:COLOMBIA, INDONESIA Y BRASIL

library(rnaturalearth)

paises_seleccionados <- c("Colombia", "Indonesia", "Brazil")

colores_aptitud <- colorRampPalette(c("#ffffcc", "#41ab5d", "#00441b"))(100)

par(mfrow = c(1, 3))

for(pais in paises_seleccionados) {

  poli_indiv <- ne_countries(country = pais, scale = "medium", returnclass = "sv")

  apta_indiv <- mask(crop(apta_final, poli_indiv), poli_indiv)

  plot(poli_indiv, 
       col = "grey90", border = "gray50", 
       main = paste("Aptitud Caña -", pais), 
       axes = TRUE)
  
  plot(apta_indiv, 
       col = "#006837", # Verde oscuro
       add = TRUE, 
       legend = FALSE)
}

par(mfrow = c(1, 1))

Colombia: Resulta muy interesante ver que las áreas que cumplen estrictamente con los rangos óptimos globales se concentran únicamente en la región amazónica y el suroriente del país. El Valle del Cauca, nuestro núcleo agroindustrial azucarero, no aparece resaltado bajo estos parámetros teóricos.

Indonesia: Muestra una gran dispersión de zonas óptimas a lo largo de su archipiélago.

Brasil: Al igual que en Colombia, la mayor aptitud bajo estos estrictos rangos de temperatura y precipitación se concentra en el noroeste del país (cuenca amazónica), quedando por fuera el centro-sur (São Paulo), que es donde actualmente se concentra su mayor producción.

PUNTO 3: EXTRAER Y GRAFICAR CLIMA DE 3 PUNTOS EN VALLE DEL CAUCA

Se seleccionaron 3 puntos representativos utilizando las coordenadas de Google Maps para los municipios cañeros de Palmira, Buga y Zarzal, en zonas al azar de su area rural.

library(terra)

puntos_vc <- data.frame(
  id = c("Palmira", "Buga", "Zarzal"),
  lon = c(-76.32625597658775, -76.26128259844775, -76.08847316738469), 
  lat = c(3.557764442669571, 3.9098880601120136, 4.41528177518762)
)

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

temp_ext <- extract(tavg, puntos_vect)
prec_ext <- extract(prec, puntos_vect)

temp_val <- t(temp_ext[, -1])
prec_val <- t(prec_ext[, -1])

colnames(temp_val) <- puntos_vc$id
colnames(prec_val) <- puntos_vc$id
meses <- 1:12

# grafico de series de tiempo
par(mfrow = c(1, 2)) 

# Gráfico de Temperatura
matplot(meses, temp_val, type = "b", pch = 19, lty = 1, lwd = 2,
        col = c("#d73027", "#fc8d59", "#fee090"),
        xaxt = "n", xlab = "Meses", ylab = "Temperatura Media (°C)",
        main = "Temperatura - Valle del Cauca", ylim = c(15, 30))
axis(1, at = meses, labels = month.abb)

abline(h = c(22.5, 28), col = "gray40", lty = 2, lwd = 1.5) 
legend("bottomright", legend = puntos_vc$id, col = c("#d73027", "#fc8d59", "#fee090"), 
       lty = 1, pch = 19, bty = "n")

# Gráfico de Precipitación
matplot(meses, prec_val, type = "b", pch = 19, lty = 1, lwd = 2,
        col = c("#4575b4", "#91bfdb", "#e0f3f8"),
        xaxt = "n", xlab = "Meses", ylab = "Precipitación (mm)",
        main = "Precipitación - Valle del Cauca", ylim = c(0, 350))
axis(1, at = meses, labels = month.abb)

abline(h = c(125, 290), col = "gray40", lty = 2, lwd = 1.5)
legend("topright", legend = puntos_vc$id, col = c("#4575b4", "#91bfdb", "#e0f3f8"), 
       lty = 1, pch = 19, bty = "n")

par(mfrow = c(1, 1))

En la temperatura, Buga y Palmira se mantienen casi todo el año ligeramente por debajo de la línea óptima de 22.5 °C, mientras que Zarzal apenas oscila sobre el límite inferior.

En la precipitación, los tres municipios exhiben un régimen bimodal claro (dos temporadas de lluvias y dos secas). Durante las épocas secas (enero-febrero y julio-agosto), la precipitación cae bruscamente por debajo del umbral óptimo de 125 mm mensuales.

PUNTO 4: SIMILITUD CLIMÁTICA GLOBAL CON EL VALLE DEL CAUCA CON METRICA DE SIMILARIDAD

Para calcular la Distancia Euclidiana, primero se promedia los 3 puntos para crear un “perfil de referencia”. Luego, calcula la distancia de cada píxel global frente a ese perfil. Dado que la precipitación (mm) y la temperatura (°C) manejan escalas numéricas muy distintas, se normaliza las distancias individuales antes de combinarlas.

library(terra)
library(rnaturalearth)

# perfil climático promedio del Valle del Cauca
t_ref <- rowMeans(temp_val) 
p_ref <- rowMeans(prec_val)

# distancia euclidiana al cuadrado capa por capa
dist_t_sq <- tavg[[1]] * 0 
dist_p_sq <- prec[[1]] * 0

for (i in 1:12) {
  dist_t_sq <- dist_t_sq + (tavg[[i]] - t_ref[i])^2
  dist_p_sq <- dist_p_sq + (prec[[i]] - p_ref[i])^2
}

dist_t <- sqrt(dist_t_sq)
dist_p <- sqrt(dist_p_sq)

# Normalizacion de las distancias (0 a 1) para igualar el peso de T y P
minmax_t <- minmax(dist_t)
minmax_p <- minmax(dist_p)

dist_t_norm <- (dist_t - minmax_t[1,1]) / (minmax_t[2,1] - minmax_t[1,1])
dist_p_norm <- (dist_p - minmax_p[1,1]) / (minmax_p[2,1] - minmax_p[1,1])

# distancia total y convertir en Índice de Similitud
dist_total <- dist_t_norm + dist_p_norm

minmax_tot <- minmax(dist_total)
dist_total_norm <- (dist_total - minmax_tot[1,1]) / (minmax_tot[2,1] - minmax_tot[1,1])

# Invertir para obtener Similitud
similitud_global <- (1 - dist_total_norm) * 100

# mapa de similitud global
colores_similitud <- colorRampPalette(c("#d73027", "#fc8d59", "#fee090", "#e0f3f8", "#91bfdb", "#4575b4", "#023858"))(100)

mundo <- ne_countries(scale = "small", returnclass = "sv")

plot(similitud_global, 
     main = "Similitud Climática con el Valle del Cauca (Dist. Euclidiana)", 
     col = colores_similitud,
     plg = list(title = "% Similitud"))

plot(mundo, col = NA, border = "gray30", lwd = 0.5, add = TRUE)

5. ANALISIS DE RESULTADOS

La aplicación de umbrales climáticos fijos resultó ser excluyente. Los mapas de Colombia, Brasil e Indonesia demostraron que solo los ecosistemas de selva húmeda tropical logran mantenerse dentro de los rangos ideales de precipitación y temperatura durante todo el año. El modelo castigó zonas que hoy en día son potencias mundiales en producción azucarera, como el occidente colombiano.

Las series de tiempo de Palmira, Buga y Zarzal diagnosticaron la falla del primer modelo. La región presenta un régimen de lluvias bimodal marcado, con caídas drásticas por debajo del óptimo de 125 mm durante las temporadas secas (enero-febrero y julio-agosto), sumado a temperaturas promedio que rozan el límite inferior de 22.5 °C. Al exigir cumplimiento continuo, el modelo booleano descartó una región agroindustrial de clase mundial como lo es el valle del Cauca.

Al reconfigurar el análisis para buscar “gemelos climáticos” del Valle del Cauca a nivel global, el mapa entregó una distribución espacial realista. La métrica de distancia euclidiana asimiló las fluctuaciones estacionales, iluminando tierras en África Oriental, Centroamérica y el interior de Suramérica que comparten estas mismas temporadas de déficit y exceso de agua, representando verdaderas áreas de expansión potencial del cultivo sobre toda la franja del ecuador al rededor de la tierra.

6. CONCLUSIONES

  • Insuficiencia de los modelos booleanos: La zonificación basada en rangos climáticos estrictos genera altos niveles de falsos negativos. Ignora la plasticidad de los cultivos, su capacidad para tolerar el estrés hídrico temporal y el manejo agronómico moderno (como el riego), limitando la “aptitud” a ecosistemas ambientalmente sensibles donde la agricultura a gran escala implicaría deforestación.

  • Eficacia de la similaridad empírica: El uso de métricas de distancia (como la Euclidiana) ancladas a centros de producción exitosos ofrece un marco de planificación superior. Al buscar patrones análogos en lugar de ideales teóricos, el modelo espacial logra mapear con precisión las condiciones reales bajo las cuales opera la industria agrícola global.

  • Aplicabilidad en planificación: Para estrategias de expansión agrícola, seguridad alimentaria o transferencia de tecnología, es analíticamente más riguroso identificar regiones con variabilidad climática afín a los clústeres productivos actuales, garantizando que el entorno modelado refleje la viabilidad económica y operativa del cultivo.