1 Datos y preparación

1.1 Paquetes

A continuación se cargan los paquetes requeridos para el desarrollo de la actividad.

library(terra)       # lectura y operaciones con rásters
library(geodata)     # descarga de clima y límites de países
library(sf)          # datos vectoriales
library(tidyterra)   # rásters dentro de ggplot2
library(ggplot2)     # mapas y gráficos
library(ggspatial)   # escala y norte
library(dplyr)       # manejo de tablas
library(tidyr)       # reorganización de tablas
library(knitr)       # tablas
library(kableExtra)  # estilo de las tablas
library(here)        # rutas relativas al proyecto
library(leaflet)     # mapa interactivo para verificar los puntos
# carpeta de datos dentro del proyecto 
ruta <- here("data_global")
dir.create(ruta, showWarnings = FALSE)

# 12 capas mensuales por variable; solo descarga la primera vez
tmean <- worldclim_global(var = "tavg", res = 10, path = ruta)
prec  <- worldclim_global(var = "prec", res = 10, path = ruta)

# nombre corto de cada mes
meses <- c("Ene", "Feb", "Mar", "Abr", "May", "Jun",
           "Jul", "Ago", "Sep", "Oct", "Nov", "Dic")
names(tmean) <- meses
names(prec)  <- meses

# límites de países
paises <- world(resolution = 5, level = 0, path = ruta)

tmean
## 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       :     Ene,        Feb,       Mar,        Abr,        May,        Jun, ...
## 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, ...
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       : Ene, Feb, Mar,  Abr,  May,  Jun, ...
## min values  :   0,   0,   0,    0,    0,    0, ...
## max values  : 908, 793, 720, 1004, 2068, 2210, ...

1.2 Clima anual

A partir de las capas mensuales se obtienen la temperatura media anual, como promedio de los 12 meses, y la precipitación anual, como suma de los 12 meses.

# resumen anual de cada variable
tmean_anual <- mean(tmean)
prec_anual  <- sum(prec)

# estilo común para todos los mapas del informe
tema_mapa <- theme_minimal(base_size = 11) +
  theme(legend.position = "bottom",
        legend.key.width = unit(1.6, "cm"),
        plot.title = element_text(face = "bold"),
        plot.caption = element_text(size = 8, color = "grey40"))

fuente <- "Fuente: WorldClim 2.1 (Fick y Hijmans, 2017). SRC: WGS 84 (EPSG:4326). Elaboración propia."
ggplot() +
  geom_spatraster(data = tmean_anual) +
  geom_spatvector(data = paises, fill = NA, color = "grey30", linewidth = 0.1) +
  scale_fill_viridis_c(option = "inferno", na.value = "transparent", name = "°C") +
  coord_sf(ylim = c(-60, 90), expand = FALSE) +
  labs(title = "Temperatura media anual", caption = fuente) +
  tema_mapa

ggplot() +
  geom_spatraster(data = prec_anual) +
  geom_spatvector(data = paises, fill = NA, color = "grey30", linewidth = 0.1) +
  scale_fill_distiller(palette = "YlGnBu", direction = 1,
                       na.value = "transparent", name = "mm/año") +
  coord_sf(ylim = c(-60, 90), expand = FALSE) +
  labs(title = "Precipitación anual", caption = fuente) +
  tema_mapa

Al comparar los dos mapas se nota que hace calor en casi todo el trópico, pero no llueve igual en todo el trópico. La lluvia alta aparece sobre todo en la Amazonía, el centro de África y el sudeste de Asia, mientras que zonas igual de cálidas, como el Sahara o el norte de Australia, son muy secas.

En la siguiente sección se revisa en qué lugares estas dos variables cumplen los rangos óptimos de la caña de azúcar.

2 Aptitud climática para la caña de azúcar

2.1 Temperatura y precipitación por separado

Los rangos se toman tal como los plantea el caso: según la información que consultó el agricultor, la caña alcanza rendimientos potenciales con una temperatura media entre 22,5 y 28 °C y una precipitación anual entre 1.500 y 3.500 mm, o mensual entre 125 y 290 mm. En esta sección se usa el criterio anual y más adelante se revisa el mensual. Para ubicar las zonas que cumplen, se compara el valor de cada celda del mapa con esos límites.

# rangos óptimos definidos en el caso
t_min <- 22.5; t_max <- 28
p_min <- 1500; p_max <- 3500

# TRUE donde la celda cumple el rango, FALSE donde no
apt_temp <- tmean_anual >= t_min & tmean_anual <= t_max
apt_prec <- prec_anual  >= p_min & prec_anual  <= p_max
# mapa de dos clases (apto / no apto) con el estilo del informe
mapa_aptitud <- function(r, titulo, color = "#D95F02") {
  r <- as.int(r)
  levels(r) <- data.frame(id = c(0, 1), clase = c("No apto", "Apto"))
  ggplot() +
    geom_spatraster(data = r) +
    geom_spatvector(data = paises, fill = NA, color = "grey30", linewidth = 0.1) +
    scale_fill_manual(values = c("No apto" = "grey88", "Apto" = color),
                      na.value = "transparent", na.translate = FALSE, name = NULL) +
    coord_sf(ylim = c(-60, 90), expand = FALSE) +
    labs(title = titulo, caption = fuente) +
    tema_mapa
}

# área de cada celda en km2 (cambia con la latitud) y área apta de una capa
area_celda <- cellSize(tmean_anual, unit = "km")
area_apta  <- function(r) global(area_celda * r, "sum", na.rm = TRUE)[1, 1]

# tabla con el estilo del informe
tabla <- function(df, titulo) {
  kable(df, caption = titulo,
        format.args = list(big.mark = ".", decimal.mark = ",")) |>
    kable_styling(bootstrap_options = c("striped", "hover", "condensed"),
                  full_width = FALSE, position = "center") |>
    row_spec(0, bold = TRUE, background = "#2C3E50", color = "white")
}
mapa_aptitud(apt_temp, "Zonas con temperatura media entre 22,5 y 28 °C")

mapa_aptitud(apt_prec, "Zonas con precipitación anual entre 1.500 y 3.500 mm",
             color = "#1F78B4")

# superficie terrestre total con dato de clima
area_tierra <- global(mask(area_celda, tmean_anual), "sum", na.rm = TRUE)[1, 1]

resumen_apt <- data.frame(
  Condicion = c("Temperatura en rango", "Precipitación en rango"),
  Area = c(area_apta(apt_temp), area_apta(apt_prec)) / 1e6
) |>
  mutate(Porcentaje = round(Area * 1e6 / area_tierra * 100, 1),
         Area = round(Area, 1))

tabla(resumen_apt |>
        rename(`Condición` = Condicion,
               `Área (millones de km²)` = Area,
               `% de la superficie terrestre` = Porcentaje),
      "Área que cumple cada condición climática")
Área que cumple cada condición climática
Condición Área (millones de km²) % de la superficie terrestre
Temperatura en rango 45,7 29,6
Precipitación en rango 22,1 14,3

La tabla muestra cuánta superficie del planeta cumple cada condición. La temperatura está en rango en 45,7 millones de km², el 29,6 % de la superficie terrestre. La precipitación está en rango en 22,1 millones de km², el 14,3 %. El área con la lluvia adecuada es entonces cerca de la mitad del área con la temperatura adecuada.

En este sentido, de cada tres zonas que tienen la temperatura que necesita la caña, aproximadamente dos dejan de ser aptas por la lluvia. Para el agricultor esto quiere decir que el calor no es el problema, porque lo encuentra en casi todo el trópico, y que su búsqueda debe empezar por los lugares donde la lluvia está dentro del rango.

2.2 Aptitud integrada

Una zona se considera apta cuando cumple las dos condiciones al mismo tiempo. El mapa separa además las zonas que cumplen solo una, para ver cuál es la que falla en cada lugar.

# apta = cumple temperatura y precipitación
apt_total <- apt_temp & apt_prec

# combinación de las dos condiciones:
# 0 ninguna, 1 solo temperatura, 2 solo precipitación, 3 las dos
combinacion <- as.int(apt_temp + 2 * apt_prec)
clases <- c("No cumple ninguna", "Solo temperatura",
            "Solo precipitación", "Apta: cumple las dos")
levels(combinacion) <- data.frame(id = 0:3, clase = clases)
colores_clase <- c("No cumple ninguna"    = "grey88",
                   "Solo temperatura"     = "#FDB863",
                   "Solo precipitación"   = "#92C5DE",
                   "Apta: cumple las dos" = "#1B7837")

ggplot() +
  geom_spatraster(data = combinacion) +
  geom_spatvector(data = paises, fill = NA, color = "grey30", linewidth = 0.1) +
  scale_fill_manual(values = colores_clase, na.value = "transparent",
                    na.translate = FALSE, name = NULL) +
  coord_sf(ylim = c(-60, 90), expand = FALSE) +
  labs(title = "Aptitud climática para la caña de azúcar", caption = fuente) +
  tema_mapa

# área de cada clase
resumen_clase <- data.frame(
  Clase = clases,
  Area  = c(area_apta(!apt_temp & !apt_prec),
            area_apta(apt_temp & !apt_prec),
            area_apta(!apt_temp & apt_prec),
            area_apta(apt_total))
) |>
  mutate(Porcentaje = round(Area / area_tierra * 100, 1),
         Area = round(Area / 1e6, 1))

tabla(resumen_clase |>
        rename(`Área (millones de km²)` = Area,
               `% de la superficie terrestre` = Porcentaje),
      "Área según las condiciones climáticas que cumple")
Área según las condiciones climáticas que cumple
Clase Área (millones de km²) % de la superficie terrestre
No cumple ninguna 103,3 66,9
Solo temperatura 28,9 18,7
Solo precipitación 5,3 3,4
Apta: cumple las dos 16,8 10,9

Al cruzar las dos condiciones, solo el 10,9 % de la superficie terrestre, unos 16,8 millones de km², resulta apta para la caña. Estas zonas quedan todas cerca del ecuador y se agrupan en tres grandes bloques: la cuenca del Amazonas junto con Centroamérica y el sur de México, la costa del golfo de Guinea con la cuenca del Congo, y el sudeste asiático, desde el oriente de la India y Bangladés hasta Indonesia, Filipinas y Nueva Guinea.

No obstante, lo que más llama la atención del mapa es el color naranja. Son zonas donde la temperatura sí sirve, pero la lluvia no está en el rango, y ocupan 28,9 millones de km², más que el área apta. Ahí están el Sahel, gran parte de la India, el nordeste de Brasil y el norte de Australia. Por otro lado, el caso contrario es poco común: las zonas con lluvia adecuada pero temperatura fuera del rango apenas suman 5,3 millones de km² y se ven en lugares más frescos, como el sur de Brasil, el sur de China y Japón.

En este sentido, de cada tres zonas que tienen la temperatura que necesita la caña, aproximadamenten dos se pierden por su condición de apta por la lluvia. Para el agricultor esto quiere decirque el calor no es el problema, porque lo encuentra en casi todo el trópico, yque su búsqueda debe empezar por los lugares donde llueve lo suficiente sin interrupciones.

2.3 Criterio mensual

El caso plantea el rango de lluvia por mes, entre 125 y 290 mm. Con este criterio se calcula, para cada variable, el porcentaje de meses del año que están dentro del rango óptimo. Las dos variables se combinan de dos formas: con el promedio, donde una compensa a la otra, y con el mínimo, donde manda la más limitante. Se considera apta la zona que llega al 80 %.

# rango mensual de precipitación del caso y umbral de aptitud
pm_min <- 125; pm_max <- 290
umbral <- 80

# para cada mes: ¿la variable está en el rango óptimo?
t_ok <- tmean >= t_min  & tmean <= t_max
p_ok <- prec  >= pm_min & prec  <= pm_max

# porcentaje de meses óptimos de cada variable (0 a 100)
t_pct <- sum(t_ok) / 12 * 100
p_pct <- sum(p_ok) / 12 * 100

# dos formas de combinar temperatura y precipitación
apt_prom <- mean(t_pct, p_pct)   # promedio: una variable compensa a la otra
apt_min  <- min(t_pct, p_pct)    # mínimo: manda la variable más limitante
aptitud_mes <- c(apt_prom, apt_min)
names(aptitud_mes) <- c("Combinación por promedio", "Combinación por mínimo")

ggplot() +
  geom_spatraster(data = aptitud_mes) +
  geom_spatvector(data = paises, fill = NA, color = "grey30", linewidth = 0.1) +
  facet_wrap(~lyr, ncol = 1) +
  scale_fill_distiller(palette = "YlGn", direction = 1, limits = c(0, 100),
                       na.value = "transparent", name = "% de aptitud") +
  coord_sf(ylim = c(-60, 90), expand = FALSE) +
  labs(title = "Aptitud según el porcentaje de meses óptimos", caption = fuente) +
  tema_mapa +
  theme(plot.title.position = "plot")

# área apta según el umbral y la forma de combinar
umbrales <- c(60, 70, 80, 90)

sensibilidad <- data.frame(
  Umbral   = paste0(umbrales, " %"),
  Promedio = sapply(umbrales, function(u) area_apta(apt_prom >= u)) / 1e6,
  Minimo   = sapply(umbrales, function(u) area_apta(apt_min  >= u)) / 1e6
) |>
  mutate(across(c(Promedio, Minimo), ~ round(.x, 1)))

tabla(sensibilidad |>
        rename(`Umbral de aptitud` = Umbral,
               `Promedio (millones de km²)` = Promedio,
               `Mínimo (millones de km²)` = Minimo),
      "Área apta según el umbral y la forma de combinar las variables")
Área apta según el umbral y la forma de combinar las variables
Umbral de aptitud Promedio (millones de km²) Mínimo (millones de km²)
60 % 18,0 5,0
70 % 12,8 3,2
80 % 4,7 1,7
90 % 1,7 0,9

El criterio mensual es más exigente que el anual. Con el umbral de 80 %, el área apta baja a 4,7 millones de km² si las variables se combinan por promedio y a 1,7 millones si se combinan por mínimo, frente a los 16,8 millones que resultaban con los rangos anuales. Esto pasa porque ya no basta con que el total de lluvia del año esté en el rango: ahora se necesita que la lluvia se reparta bien entre los meses. Un lugar con una temporada seca marcada puede cumplir el total anual y aun así tener varios meses por debajo de 125 mm.

Por otro lado, la tabla muestra que el resultado depende del umbral que se elija. Al subirlo de 70 % a 80 %, el área apta por promedio cae de 12,8 a 4,7 millones de km². No hay entonces una sola cifra de área apta, sino un rango que depende de qué tan estricto se quiera ser.

3 Países con alto potencial

3.1 Área apta por país

Para elegir los países se calcula cuánta área apta tiene cada uno, según la aptitud integrada de la sección anterior, y qué parte de su territorio representa.

# dos capas: área apta de cada celda y área total de cada celda con dato
capas_area <- c(area_celda * apt_total, mask(area_celda, tmean_anual))
names(capas_area) <- c("apta", "total")

# suma por país (estadística zonal)
por_pais <- terra::extract(capas_area, paises, fun = sum, na.rm = TRUE, ID = FALSE)

ranking <- data.frame(Pais = paises$NAME_0, por_pais) |>
  filter(!is.na(apta), total > 0) |>
  mutate(Porcentaje = round(apta / total * 100, 1),
         Apta = round(apta / 1000)) |>          # en miles de km2
  arrange(desc(apta)) |>
  select(Pais, Apta, Porcentaje)

tabla(head(ranking, 10) |>
        rename(`País` = Pais,
               `Área apta (miles de km²)` = Apta,
               `% del país que es apto` = Porcentaje),
      "Los diez países con mayor área apta para la caña de azúcar")
Los diez países con mayor área apta para la caña de azúcar
País Área apta (miles de km²) % del país que es apto
Brazil 4.950 58,2
Democratic Republic of the Congo 1.470 63,1
Indonesia 1.375 73,8
Colombia 761 66,9
Peru 625 48,4
Venezuela 534 58,6
Bolivia 346 32,0
Cameroon 318 68,5
India 314 10,0
Congo 288 85,2

Brasil es, por mucho, el país con más área apta: cerca de 4,95 millones de km², más de tres veces lo que tiene el segundo. Le siguen la República Democrática del Congo e Indonesia, con 1,47 y 1,38 millones de km². Entre los tres reúnen casi la mitad del área apta del mundo.

No obstante, tener mucha área no es lo mismo que ser apto en todo el territorio. En Indonesia el 73,8 % del país cumple las condiciones, mientras que en Brasil es el 58,2 %. El caso más marcado es la India, que entra en la lista por su tamaño aunque solo el 10 % de su territorio es apto. Se eligen entonces Brasil, la República Democrática del Congo e Indonesia, que encabezan la tabla y además representan a América, África y Asia.

3.2 Mapas de los países elegidos

Para cada país se recorta el mapa de aptitud con su límite. Se conserva la clasificación de cuatro clases para ver, además de las zonas aptas, qué condición falla en el resto del territorio.

# recorta la aptitud al límite de un país y la dibuja con escala y norte
mapa_pais <- function(nombre_gadm, nombre_es) {
  limite  <- paises[paises$NAME_0 == nombre_gadm, ]
  recorte <- mask(crop(combinacion, limite), limite)

  ggplot() +
    geom_spatraster(data = recorte, maxcell = 1e6) +
    geom_spatvector(data = limite, fill = NA, color = "grey20", linewidth = 0.4) +
    scale_fill_manual(values = colores_clase, na.value = "transparent",
                      na.translate = FALSE, name = NULL) +
    guides(fill = guide_legend(nrow = 2)) +          # leyenda en dos filas
    annotation_scale(location = "bl", width_hint = 0.25) +
    annotation_north_arrow(location = "tr", style = north_arrow_minimal(),
                           height = unit(1, "cm"), width = unit(1, "cm")) +
    labs(title = "Aptitud climática para la caña de azúcar",
         subtitle = nombre_es, caption = fuente) +
    tema_mapa +
    theme(plot.title.position = "plot",
          plot.caption.position = "plot")
}
mapa_pais("Brazil", "Brasil")

mapa_pais("Democratic Republic of the Congo", "República Democrática del Congo")

mapa_pais("Indonesia", "Indonesia")

mapa_pais("Colombia", "Colombia")

Para cada país se recorta el mapa de aptitud con su límite. Se agrega Colombia, cuarto país de la tabla, porque allí está el Valle del Cauca, que es la región de referencia del caso.

# área de cada clase de aptitud, celda por celda
capas_clase <- c(area_celda * (!apt_temp & !apt_prec),
                 area_celda * (apt_temp & !apt_prec),
                 area_celda * (!apt_temp & apt_prec),
                 area_celda * apt_total)
names(capas_clase) <- c("Ninguna", "SoloTemp", "SoloPrec", "Apta")

# países elegidos, más Colombia
elegidos <- paises[paises$NAME_0 %in% c("Brazil", "Democratic Republic of the Congo",
                                        "Indonesia", "Colombia"), ]

# suma por país y paso a porcentaje del territorio
suma <- terra::extract(capas_clase, elegidos, fun = sum, na.rm = TRUE, ID = FALSE)
clases_pais <- data.frame(Pais = elegidos$NAME_0,
                          round(suma / rowSums(suma) * 100, 1))

tabla(clases_pais |>
        rename(`País` = Pais,
               `No cumple ninguna (%)` = Ninguna,
               `Solo temperatura (%)` = SoloTemp,
               `Solo precipitación (%)` = SoloPrec,
               `Apta (%)` = Apta),
      "Distribución del territorio de cada país según la clase de aptitud")
Distribución del territorio de cada país según la clase de aptitud
País No cumple ninguna (%) Solo temperatura (%) Solo precipitación (%) Apta (%)
Brazil 10,3 23,4 8,1 58,2
Democratic Republic of the Congo 12,6 20,6 3,8 63,1
Colombia 5,7 10,5 16,9 66,9
Indonesia 1,2 13,0 11,9 73,8

Los cuatro países tienen más de la mitad de su territorio apto, pero lo que falla en el resto no es lo mismo en todos. En Brasil y en la República Democrática del Congo el problema principal es la lluvia: el 23,4 % y el 20,6 % de su territorio tienen la temperatura adecuada, pero la precipitación está fuera del rango.

Por otro lado, Indonesia es el país más parejo de los cuatro. Casi tres cuartas partes de su territorio son aptas y solo el 1,2 % no cumple ninguna condición, lo que quiere decir que prácticamente todo el país tiene al menos una de las dos a favor.

Colombia muestra el comportamiento contrario al de Brasil y el Congo. Aquí la lluvia no es la limitante, ya que solo el 10,5 % del territorio falla por precipitación. Lo que más descarta zonas es la temperatura: el 16,9 % del país tiene la lluvia adecuada, pero queda por fuera del rango de 22,5 a 28 °C. Este resultado es importante para lo que sigue, porque el Valle del Cauca, que es la región de referencia del caso, está precisamente en la parte andina del país.

4 Clima del Valle del Cauca

4.1 Puntos de referencia

El caso señala al Valle del Cauca como una región de altos rendimientos. Se toman tres puntos en la zona plana del departamento, ubicados con Google Maps en Palmira, Tuluá y Cartago, de sur a norte.

# coordenadas tomadas de Google Maps (grados decimales, WGS 84)
puntos <- data.frame(
  Sitio = c("Palmira", "Tuluá", "Cartago"),
  lon   = c(-76.3036, -76.1954, -75.9117),
  lat   = c(3.5394, 4.0847, 4.7464)
)

# mapa interactivo para confirmar que quedaron donde deben
leaflet(puntos) %>%
  addTiles() %>%
  addCircleMarkers(lng = ~lon, lat = ~lat, label = ~Sitio,
                   labelOptions = labelOptions(noHide = TRUE))
# matriz de coordenadas en el orden que espera terra: longitud, latitud
xy <- as.matrix(puntos[, c("lon", "lat")])

# valor anual de cada variable y clase de aptitud en cada punto
clima_puntos <- data.frame(
  Sitio = puntos$Sitio,
  Temp  = round(terra::extract(tmean_anual, xy)[, 1], 1),
  Prec  = round(terra::extract(prec_anual, xy)[, 1]),
  Clase = as.character(terra::extract(combinacion, xy)[, 1])
)

tabla(clima_puntos |>
        rename(`Temperatura media anual (°C)` = Temp,
               `Precipitación anual (mm)` = Prec,
               `Clase de aptitud` = Clase),
      "Clima anual y aptitud en los puntos del Valle del Cauca")
Clima anual y aptitud en los puntos del Valle del Cauca
Sitio Temperatura media anual (°C) Precipitación anual (mm) Clase de aptitud
Palmira 22,4 1.484 No cumple ninguna
Tuluá 23,6 1.551 Apta: cumple las dos
Cartago 23,1 1.896 Apta: cumple las dos

4.2 Comportamiento mensual

Además del valor anual, interesa saber cómo se reparten la temperatura y la lluvia mes a mes en cada punto. Los datos corresponden al promedio de 1970 a 2000, por lo que cada serie representa un año normal y no un año en particular. La franja verde de los gráficos indica el rango óptimo de la caña según el caso.

# valores mensuales de cada punto, en formato largo para ggplot
variables <- c("Temperatura media (°C)", "Precipitación (mm)")

series <- bind_rows(
  data.frame(Sitio = puntos$Sitio, Variable = variables[1], terra::extract(tmean, xy)),
  data.frame(Sitio = puntos$Sitio, Variable = variables[2], terra::extract(prec, xy))
) |>
  pivot_longer(cols = all_of(meses), names_to = "Mes", values_to = "Valor") |>
  mutate(Mes = factor(Mes, levels = meses),
         Variable = factor(Variable, levels = variables))

# rangos óptimos mensuales del caso
rangos <- data.frame(Variable = factor(variables, levels = variables),
                     ymin = c(t_min, pm_min), ymax = c(t_max, pm_max))
ggplot(series, aes(x = Mes, y = Valor, color = Sitio, group = Sitio)) +
  geom_rect(data = rangos, inherit.aes = FALSE,
            aes(xmin = -Inf, xmax = Inf, ymin = ymin, ymax = ymax),
            fill = "#1B7837", alpha = 0.15) +
  geom_line(linewidth = 0.9) +
  geom_point(size = 2) +
  facet_wrap(~Variable, ncol = 1, scales = "free_y") +
  scale_color_manual(values = c("#D95F02", "#7570B3", "#1F78B4"), name = NULL) +
  labs(title = "Clima mensual en tres puntos del Valle del Cauca",
       subtitle = "Franja verde: rango óptimo de la caña de azúcar según el caso",
       x = NULL, y = NULL,
       caption = "Fuente: WorldClim 2.1 (Fick y Hijmans, 2017). Elaboración propia.") +
  theme_minimal(base_size = 11) +
  theme(legend.position = "bottom",
        plot.title = element_text(face = "bold"),
        plot.title.position = "plot",
        plot.caption = element_text(size = 8, color = "grey40"))

# número de meses en que cada punto está dentro del rango óptimo
meses_rango <- series |>
  left_join(rangos, by = "Variable") |>
  group_by(Sitio, Variable) |>
  summarise(Meses = sum(Valor >= ymin & Valor <= ymax), .groups = "drop") |>
  pivot_wider(names_from = Variable, values_from = Meses)

tabla(meses_rango,
      "Meses del año dentro del rango óptimo en cada punto (de 12)")
Meses del año dentro del rango óptimo en cada punto (de 12)
Sitio Temperatura media (°C) Precipitación (mm)
Cartago 12 8
Palmira 6 5
Tuluá 12 5

Los tres puntos presentan condiciones climáticas similares, aunque no se clasifican de la misma manera. Tuluá y Cartago cumplen los rangos anuales, mientras que Palmira se aproxima bastante, con diferencias de apenas 0,1 °C en temperatura y 16 mm de precipitación. Sin embargo, al analizar el comportamiento mensual, ninguno mantiene la precipitación dentro de los rangos durante todo el año: Cartago cumple en ocho meses y Tuluá y Palmira en cinco.

Esto evidencia que, aunque el Valle del Cauca es una región de altos rendimientos productivos, no cumple plenamente los rangos climáticos establecidos. Por tanto, estos límites no son suficientes para caracterizar una zona productora y hacen necesario considerar también territorios con condiciones agroclimáticas similares.

5 Similaridad climática con el Valle del Cauca

5.1 Distancia a cada punto

La segunda aproximación busca lugares cuyo clima se parezca al del Valle del Cauca. Para medirlo se usa la distancia euclidiana entre cada celda del mundo y cada punto de referencia, con los doce valores mensuales de temperatura y los doce de precipitación. Las variables se estandarizan antes del cálculo para que la lluvia, que tiene números más grandes, no pese más que la temperatura. Una distancia cercana a cero indica un clima casi igual al del punto.

# las 24 variables climáticas en un solo objeto
clima <- c(tmean, prec)
names(clima) <- c(paste0("t_", meses), paste0("p_", meses))

# estandarización: cada capa queda con media 0 y desviación estándar 1
clima_z <- scale(clima)

# perfil climático estandarizado de cada punto del Valle (3 filas x 24 columnas)
referencia <- terra::extract(clima_z, xy)

# distancia euclidiana entre cada celda y el punto i
distancia_a <- function(i) {
  perfil <- as.numeric(referencia[i, ])
  sqrt(sum((clima_z - perfil)^2))
}

distancia <- rast(lapply(1:nrow(puntos), distancia_a))
## |---------|---------|---------|---------|=========================================                                          |---------|---------|---------|---------|=========================================                                          
names(distancia) <- puntos$Sitio

# revisión: el mínimo de cada capa debe ser 0 (el propio punto)
global(distancia, c("min", "max"), na.rm = TRUE)
##         min      max
## Palmira   0 62.94124
## Tuluá     0 62.41738
## Cartago   0 61.11714
# mapa de distancia climática a un punto del Valle
# la escala se corta en 10: todo lo que pase de ahí se pinta como "muy distinto"
mapa_distancia <- function(sitio) {
  ggplot() +
    geom_spatraster(data = distancia[[sitio]]) +
    geom_spatvector(data = paises, fill = NA, color = "grey30", linewidth = 0.1) +
    scale_fill_viridis_c(option = "viridis", direction = 1,
                         limits = c(0, 10), oob = scales::squish,
                         breaks = c(0, 2.5, 5, 7.5, 10),
                         labels = c("0", "2,5", "5", "7,5", "10 o más"),
                         na.value = "transparent",
                         name = "Distancia climática") +
    coord_sf(ylim = c(-60, 90), expand = FALSE) +
    labs(title = paste("Similaridad climática con", sitio),
         subtitle = "Tonos oscuros: clima más parecido al del punto",
         caption = fuente) +
    tema_mapa +
    theme(plot.title.position = "plot")
}
mapa_distancia("Palmira")

mapa_distancia("Tuluá")

mapa_distancia("Cartago")

## Zonas similares al Valle

Para tener un solo mapa, a cada celda se le asigna la distancia al punto del Valle que más se le parece. Luego hay que definir hasta qué distancia un lugar se considera similar. Como referencia se revisa qué tanto difieren entre sí los tres puntos del Valle.

# distancia al punto del Valle más parecido
dist_min <- min(distancia)

# distancia climática entre los tres puntos del Valle
entre_puntos <- as.matrix(dist(referencia))
dimnames(entre_puntos) <- list(puntos$Sitio, puntos$Sitio)

tabla(as.data.frame(round(entre_puntos, 2)),
      "Distancia climática entre los puntos del Valle del Cauca")
Distancia climática entre los puntos del Valle del Cauca
Palmira Tuluá Cartago
Palmira 0,00 0,73 2,10
Tuluá 0,73 0,00 1,64
Cartago 2,10 1,64 0,00

Los tres puntos de referencia del Valle del Cauca presentan diferencias de hasta 2,10 unidades de distancia. Este valor se establece como umbral de similitud: se considera que un lugar tiene un clima similar cuando su distancia respecto al Valle no supera las diferencias observadas entre sus propios puntos de referencia.

# umbral: la mayor diferencia entre los puntos del Valle (2,10)
umbral_sim <- max(entre_puntos)

# zona similar al Valle: TRUE / FALSE
similar <- dist_min <= umbral_sim

sim_clase <- as.int(similar)
levels(sim_clase) <- data.frame(id = 0:1, clase = c("Distinto", "Similar"))
# área similar en el mundo
area_sim <- area_apta(similar)

tabla(data.frame(
        `Área similar (millones de km²)` = round(area_sim / 1e6, 1),
        `% de la superficie terrestre`   = round(area_sim / area_tierra * 100, 1),
        check.names = FALSE),
      "Área con clima similar al del Valle del Cauca")
Área con clima similar al del Valle del Cauca
Área similar (millones de km²) % de la superficie terrestre
1,4 0,9
# área similar por país (estadística zonal)
capas_sim <- c(area_celda * similar, mask(area_celda, tmean_anual))
names(capas_sim) <- c("similar", "total")

sim_pais <- terra::extract(capas_sim, paises, fun = sum, na.rm = TRUE, ID = FALSE)

ranking_sim <- data.frame(Pais = paises$NAME_0, sim_pais) |>
  filter(!is.na(similar), similar > 0) |>
  mutate(Porcentaje = round(similar / total * 100, 1),
         Similar = round(similar / 1000)) |>          # en miles de km2
  arrange(desc(similar)) |>
  select(Pais, Similar, Porcentaje)

tabla(head(ranking_sim, 10) |>
        rename(`País` = Pais,
               `Área similar (miles de km²)` = Similar,
               `% del país que es similar` = Porcentaje),
      "Los diez países con mayor área de clima similar al Valle del Cauca")
Los diez países con mayor área de clima similar al Valle del Cauca
País Área similar (miles de km²) % del país que es similar
Democratic Republic of the Congo 583 25,0
Paraguay 143 35,6
Congo 136 40,3
Brazil 117 1,4
Colombia 103 9,0
Argentina 96 3,5
Uganda 43 17,6
Peru 37 2,8
Malaysia 13 4,1
Uruguay 13 7,3

Las zonas con clima similar al del Valle del Cauca son muy pocas: 1,4 millones de km², menos del 1 % de la superficie terrestre. Más de la mitad está en África central, donde la República Democrática del Congo, el Congo y Uganda suman 762 mil km². En Suramérica aparecen Paraguay, Brasil, Colombia y Argentina, con áreas mucho menores.

No obstante, el resultado no coincide con el de la aptitud. Brasil, que era el país con más área apta, solo tiene el 1,4 % de su territorio como similar, e Indonesia no aparece entre los diez primeros. Esto se explica porque el Valle tiene un clima moderado, con temperaturas cercanas a 23 °C y lluvias medias, mientras que la Amazonía y el sudeste asiático son más cálidos y mucho más lluviosos. Cumplen los rangos, pero no se parecen al Valle.

Por otro lado, llama la atención la presencia de Paraguay, Argentina y Uruguay, que están por fuera de la franja ecuatorial. La distancia compara las variables estandarizadas a escala mundial, y en ese cálculo una diferencia de pocos grados pesa poco, por lo que entran zonas subtropicales con lluvias parecidas a las del Valle. Es una característica del método que debe tenerse en cuenta al leer el mapa.

6 Comparación de las dos aproximaciones

6.1 Coincidencias y diferencias

Para comparar los resultados se superponen el mapa de aptitud por rangos y el de similaridad con el Valle del Cauca. Cada lugar queda en una de cuatro situaciones: apto y similar, solo apto, solo similar o ninguna de las dos.

cruce <- as.int(apt_total + 2 * similar)
clases_cruce <- c("Ninguna", "Solo apta por rangos",
                  "Solo similar al Valle", "Apta y similar")
levels(cruce) <- data.frame(id = 0:3, clase = clases_cruce)
colores_cruce <- c("Ninguna"               = "grey88",
                   "Solo apta por rangos"  = "#A6DBA0",
                   "Solo similar al Valle" = "#7B3294",
                   "Apta y similar"        = "#E66101")

ggplot() +
  geom_spatraster(data = cruce) +
  geom_spatvector(data = paises, fill = NA, color = "grey30", linewidth = 0.1) +
  scale_fill_manual(values = colores_cruce, na.value = "transparent",
                    na.translate = FALSE, name = NULL) +
  guides(fill = guide_legend(nrow = 2)) +
  coord_sf(ylim = c(-60, 90), expand = FALSE) +
  labs(title = "Aptitud por rangos frente a similaridad con el Valle del Cauca",
       caption = fuente) +
  tema_mapa +
  theme(plot.title.position = "plot")

# área de cada situación
resumen_cruce <- data.frame(
  Clase = clases_cruce,
  Area  = c(area_apta(!apt_total & !similar),
            area_apta(apt_total & !similar),
            area_apta(!apt_total & similar),
            area_apta(apt_total & similar))
) |>
  mutate(Porcentaje = round(Area / area_tierra * 100, 1),
         Area = round(Area / 1e6, 2))

tabla(resumen_cruce |>
        rename(`Situación` = Clase,
               `Área (millones de km²)` = Area,
               `% de la superficie terrestre` = Porcentaje),
      "Área según el resultado de las dos aproximaciones")
Área según el resultado de las dos aproximaciones
Situación Área (millones de km²) % de la superficie terrestre
Ninguna 136,94 88,7
Solo apta por rangos 16,04 10,4
Solo similar al Valle 0,58 0,4
Apta y similar 0,79 0,5
# qué tanto coinciden las dos aproximaciones
area_ambas <- area_apta(apt_total & similar)

coincidencia <- data.frame(
  Medida = c("Del área similar al Valle, parte que también es apta por rangos",
             "Del área apta por rangos, parte que también es similar al Valle"),
  Porcentaje = round(c(area_ambas / area_apta(similar),
                       area_ambas / area_apta(apt_total)) * 100, 1)
)

tabla(coincidencia |> rename(`%` = Porcentaje),
      "Coincidencia entre las dos aproximaciones")
Coincidencia entre las dos aproximaciones
Medida %
Del área similar al Valle, parte que también es apta por rangos 57,7
Del área apta por rangos, parte que también es similar al Valle 4,7

Las dos aproximaciones llegan a mapas muy distintos. Coinciden apenas en 0,79 millones de km², casi todos en la cuenca del Congo, que es la única zona que cumple los rangos del caso y además se parece al Valle del Cauca.

Los rangos señalan 16,8 millones de km², pero solo el 4,7 % de esa área es similar al Valle, porque la Amazonía y el sudeste asiático son más cálidos y más lluviosos. Por otro lado, la similaridad señala un área doce veces menor, y el 42 % de ella no cumple los rangos, como ocurre en Paraguay y el nordeste de Argentina.

En este sentido, los rangos funcionan como un filtro amplio, que muestra dónde el clima permitiría el cultivo, y la similaridad como un filtro estrecho, que busca repetir las condiciones de una región que ya dio buenos resultados. Para el agricultor, la zona donde las dos coinciden es la que tiene más respaldo.

7 Conclusiones

  • El clima apto para la caña es escaso. Solo el 10,9 % de la superficie terrestre (16,8 millones de km²) cumple los rangos de temperatura y precipitación del caso, todo dentro de la franja tropical.

  • La lluvia limita más que la temperatura. De cada tres zonas con la temperatura adecuada, casi dos se descartan por la precipitación.

  • Brasil, la República Democrática del Congo e Indonesia son los países con más área apta y reúnen casi la mitad del total mundial.

  • El Valle del Cauca no cumple del todo los rangos. Palmira queda por fuera por 0,1 °C y 16 mm, y ningún punto mantiene la lluvia en rango los doce meses, lo que muestra la debilidad de usar límites fijos.

  • Las dos aproximaciones coinciden muy poco. Solo 0,79 millones de km² son aptos y similares al Valle a la vez, casi todos en la cuenca del Congo, que es la zona con más respaldo para el agricultor.

  • Los resultados dependen de las decisiones del análisis. El área apta cambia con el criterio (anual o mensual) y con el umbral, y solo se evaluó el clima, sin suelos, relieve, riego ni otros factores del cultivo.