Un agricultor quiere identificar en qué zonas del mundo puede establecer caña de azúcar con rendimientos potenciales. Los rangos climáticos óptimos del cultivo son 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). Además, se sabe que el Valle del Cauca, en Colombia, tiene rendimientos altos. El problema se aborda con dos aproximaciones: la aplicación directa de los rangos óptimos sobre la línea base climática global de WorldClim 2.1 y la búsqueda de zonas con clima similar al de sitios de referencia del Valle del Cauca.

library(terra)
library(geodata)
terraOptions(progress = 0)

# Línea base WorldClim 2.1 (promedios mensuales 1970-2000), resolución 10'
# Si los archivos ya están en data/, se leen sin volver a descargarlos
tavg <- worldclim_global(var = "tavg", res = 10, path = "data")  # temperatura media mensual (°C)
prec <- worldclim_global(var = "prec", res = 10, path = "data")  # precipitación mensual (mm)

# Nombres de capa legibles: un mes por capa
names(tavg) <- month.abb
names(prec) <- month.abb

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       :     Jan,        Feb,       Mar,        Apr,        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, ...

1 Aproximación 1: aptitud climática por rangos óptimos

1.1 Variables climáticas anuales

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

# Calcular las variables anuales
t_anual <- mean(tavg)
p_anual <- sum(prec)

# Definir las paletas antes de graficar
pal_t <- hcl.colors(100, "RdYlBu", rev = TRUE)
pal_p <- hcl.colors(9, "YlGnBu", rev = TRUE)

# Mapa de temperatura
plot(t_anual, col = pal_t,
     main = "Temperatura media anual (°C)")

# Mapa de precipitación
cortes_p <- c(0, 250, 500, 1000, 1500, 2000, 2500, 3500, 5000, 12000)

plot(p_anual, breaks = cortes_p, col = pal_p,
     main = "Precipitación anual (mm)")

1.2 Zonificación de aptitud climática

Cada píxel se evalúa frente a los dos rangos óptimos. Se considera apto el píxel que cumple ambas condiciones a la vez; los demás se clasifican según la variable que limita el cultivo.

# Rangos óptimos del caso
t_min <- 22.5; t_max <- 28
p_min <- 1500; p_max <- 3500

# Evaluación de cada condición (TRUE/FALSE por píxel)
cumple_t <- t_anual >= t_min & t_anual <= t_max
cumple_p <- p_anual >= p_min & p_anual <= p_max

# Código combinado: 0 = ninguna, 1 = solo temperatura, 2 = solo precipitación, 3 = ambas
aptitud <- cumple_t + 2 * cumple_p
levels(aptitud) <- data.frame(id = 0:3,
  categoria = c("No apto", "Solo T óptima", "Solo P óptima", "Apto (T y P)"))

# Colores fijos por categoría (se conservan en los recortes por país)
col_apt <- c("#e0e0e0", "#fdae61", "#74add1", "#1a9850")
coltab(aptitud) <- data.frame(value = 0:3, col = col_apt)

plot(aptitud, col = col_apt, main = "Aptitud climática para caña de azúcar",
     plg = list(x = "bottomleft", cex = 0.8, bg = "white"))

# Superficie por categoría (km²), con el área real de cada celda
area_celda <- cellSize(t_anual, unit = "km")
tabla_apt <- zonal(area_celda, aptitud, fun = "sum", na.rm = TRUE)
tabla_apt$porcentaje <- round(100 * tabla_apt$area / sum(tabla_apt$area), 1)
knitr::kable(tabla_apt, digits = 1,
             format.args = list(big.mark = ".", decimal.mark = ","),
             col.names = c("Categoría", "Área (km²)", "% superficie continental"))
Categoría Área (km²) % superficie continental
No apto 103.335.958 66,9
Solo T óptima 28.916.692 18,7
Solo P óptima 5.266.034 3,4
Apto (T y P) 16.830.488 10,9

“Solo T óptima” corresponde a celdas con temperatura adecuada y precipitación fuera del rango; “Solo P óptima”, a celdas con precipitación adecuada y temperatura fuera del rango.

1.2.1 Interpretación

El mapa muestra que la aptitud climática para la caña de azúcar se limita a la franja intertropical. Las zonas que cumplen al mismo tiempo los dos rangos óptimos ocupan cerca de 16,8 millones de km², es decir, el 10,9 % de la superficie continental (la cifra incluye la Antártida). Las principales áreas aptas están en la Amazonía, la cuenca del Congo, la costa del golfo de Guinea, Centroamérica y las islas del Sudeste Asiático.

De los dos criterios, la precipitación es el que más restringe. De las tierras con temperatura media dentro del rango, solo el 37 % tiene también una precipitación anual entre 1.500 y 3.500 mm. En cambio, el 76 % de las tierras con precipitación adecuada cumple también con la temperatura. Por eso la categoría con temperatura óptima pero lluvia fuera del rango es amplia (18,7 % de la superficie) e incluye zonas secas como el Sahel, el interior de la India y el norte de Australia. La limitación solo por temperatura es poco extensa (3,4 %) y se ubica en zonas subtropicales húmedas como el sur de Brasil, el sureste de Estados Unidos y el sur de China.

2 Países con alto potencial

Para seleccionar los países se calcula, con el shape global de límites nacionales, la superficie climáticamente apta dentro de cada país y su proporción respecto al área total del país.

# Shape global de países (GADM, nivel 0)
paises <- world(resolution = 2, level = 0, path = "data")

# Superficie apta: área de cada celda multiplicada por 1 si es apta y 0 si no
apto <- cumple_t & cumple_p
area_apta <- area_celda * apto

# Suma de la superficie apta dentro de cada país
ranking <- data.frame(
  codigo     = paises$GID_0,
  pais       = paises$NAME_0,
  area_apta  = extract(area_apta, paises, fun = sum, na.rm = TRUE)[, 2],
  area_total = expanse(paises, unit = "km")
)
ranking$pct_apto <- round(100 * ranking$area_apta / ranking$area_total, 1)

# Ordenar de mayor a menor superficie apta y mostrar los 10 primeros
ranking <- ranking[order(-ranking$area_apta), ]
knitr::kable(head(ranking, 10), digits = 0, row.names = FALSE,
             format.args = list(big.mark = ".", decimal.mark = ","),
             col.names = c("Código", "País", "Área apta (km²)", "Área total (km²)", "% apto"))
Código País Área apta (km²) Área total (km²) % apto
BRA Brazil 4.953.412 8.499.467 58
COD Democratic Republic of the Congo 1.469.428 2.329.144 63
IDN Indonesia 1.386.586 1.887.922 73
COL Colombia 760.791 1.137.266 67
PER Peru 624.509 1.292.569 48
VEN Venezuela 534.147 912.226 59
BOL Bolivia 345.513 1.083.391 32
CMR Cameroon 319.050 466.033 68
IND India 318.818 3.152.665 10
COG Congo 289.077 341.739 85

Se seleccionan los tres países con mayor superficie apta: Brasil, República Democrática del Congo e Indonesia. Para cada uno se recorta el mapa de aptitud con su límite nacional.

nombres_es <- c(BRA = "Brasil", COD = "R. D. del Congo", IDN = "Indonesia")

seleccion <- c("BRA", "COD", "IDN")
par(mfrow = c(1, 3))

for (cod in seleccion) {
  limite <- paises[paises$GID_0 == cod, ]
  recorte <- crop(aptitud, limite, mask = TRUE)   # recorte + máscara con el límite del país
  fila <- ranking[ranking$codigo == cod, ]
  plot(recorte, main = paste0(nombres_es[cod], " (", fila$pct_apto, "% apto)"), legend = FALSE)
  lines(limite, lwd = 0.8)
}
# Leyenda común, en el océano Índico del último panel
legend("bottomleft", legend = c("No apto", "Solo T óptima", "Solo P óptima", "Apto (T y P)"),
       fill = col_apt, bty = "n", cex = 0.75)

par(mfrow = c(1, 1))

Brasil tiene la mayor superficie apta del mundo, cerca de 4,95 millones de km² (58 % de su territorio), concentrada en la región amazónica. En el centro y el nordeste del país la temperatura es adecuada pero la precipitación queda fuera del rango, y en el sur la limitación es térmica. En la República Democrática del Congo el 63 % del territorio es apto, sobre todo en el norte y en la cuenca central; el sur tiene precipitación fuera del rango y en las tierras altas del este la temperatura no alcanza el óptimo. Indonesia tiene la mayor proporción de territorio apto entre los tres países (73 %), repartida en casi todas sus islas. Colombia ocupa el cuarto lugar en superficie apta, con unos 761.000 km² (67 % del territorio), lo que resulta relevante porque allí se ubica el Valle del Cauca, la región de referencia del caso.

3 Sitios de referencia en el Valle del Cauca

Se eligieron tres ubicaciones en el Valle del Cauca mediante exploración de Google Maps, sin consultar previamente sus valores de temperatura y precipitación.

# Coordenadas tomadas de Google Maps (latitud, longitud en grados decimales, WGS 84)
sitios <- data.frame(
  sitio = c("Candelaria", "Guacarí", "Zarzal"),
  lat   = c(3.408366, 3.762493, 4.386846),
  lon   = c(-76.355904, -76.345892, -76.090295)
)
pts <- vect(sitios, geom = c("lon", "lat"), crs = "EPSG:4326")

# Ubicación sobre el mapa de aptitud de la región
region <- ext(-77.6, -75.6, 3.0, 5.0)
plot(crop(aptitud, region), col = col_apt, main = "Sitios de referencia en el Valle del Cauca",
     plg = list(x = "bottomleft", cex = 0.7, bg = "white"))
lines(crop(paises[paises$GID_0 == "COL", ], region))
points(pts, pch = 19, cex = 1.3)
text(pts, labels = sitios$sitio, pos = 4, cex = 0.8)

3.1 Clima mensual de los sitios de referencia

Los datos de línea base son promedios mensuales de largo plazo (1970-2000). Por eso cada serie representa el ciclo anual típico de enero a diciembre, no una secuencia de años. Las bandas sombreadas marcan los rangos óptimos mensuales del cultivo.

# Extraer los 12 valores mensuales de cada variable en cada sitio
t_sitios <- extract(tavg, pts, ID = FALSE)   # filas = sitios, columnas = meses
p_sitios <- extract(prec, pts, ID = FALSE)

# Tabla resumen: temperatura media anual, precipitación anual
# y número de meses con precipitación dentro del rango óptimo (125-290 mm)
resumen_sitios <- data.frame(
  Sitio = sitios$sitio,
  T_media_anual = round(rowMeans(t_sitios), 1),
  P_anual = round(rowSums(p_sitios)),
  meses_P_optima = rowSums(p_sitios >= 125 & p_sitios <= 290)
)
knitr::kable(resumen_sitios,
             col.names = c("Sitio", "T media anual (°C)", "Precipitación anual (mm)",
                           "Meses con P óptima"))
Sitio T media anual (°C) Precipitación anual (mm) Meses con P óptima
Candelaria 23.8 1565 6
Guacarí 21.9 1544 6
Zarzal 23.4 1632 7
col_sitios <- c("#d95f02", "#7570b3", "#1b9e77")
par(mfrow = c(1, 2))

# Temperatura media mensual con banda óptima 22,5-28 °C
matplot(1:12, t(t_sitios), type = "b", pch = 19, lty = 1, col = col_sitios,
        xaxt = "n", ylim = c(18, 30), xlab = "", ylab = "°C",
        main = "Temperatura media mensual")
rect(0.5, 22.5, 12.5, 28, col = rgb(0.1, 0.6, 0.3, 0.15), border = NA)
axis(1, at = 1:12, labels = month.abb, las = 2)
legend("bottomright", legend = sitios$sitio, col = col_sitios, pch = 19, bty = "n", cex = 0.8)

# Precipitación mensual con banda óptima 125-290 mm
matplot(1:12, t(p_sitios), type = "b", pch = 19, lty = 1, col = col_sitios,
        xaxt = "n", ylim = c(0, 320), xlab = "", ylab = "mm",
        main = "Precipitación mensual")
rect(0.5, 125, 12.5, 290, col = rgb(0.1, 0.4, 0.8, 0.15), border = NA)
axis(1, at = 1:12, labels = month.abb, las = 2)

par(mfrow = c(1, 1))

Los tres sitios tienen una temperatura muy estable durante el año, con diferencias menores de 1 °C entre meses. Candelaria y Zarzal superan los 23 °C de media anual, dentro del rango óptimo. Guacarí registra 21,9 °C, por debajo del mínimo de 22,5 °C. Esta diferencia probablemente se debe a la resolución de los datos: cada celda mide unos 18 km, un ancho similar al del valle plano, y su valor promedia el fondo del valle con las laderas más frías de las cordilleras.

La precipitación sigue un régimen bimodal, con lluvias máximas en abril y octubre y periodos secos en enero y en julio–agosto. Los tres sitios superan apenas los 1.500 mm anuales, pero solo seis o siete meses al año reciben entre 125 y 290 mm. Es decir, el valle cumple el criterio anual de precipitación pero no el mensual, porque la lluvia se concentra en dos temporadas. Esto concuerda con el uso generalizado del riego en la zona cañera del Valle del Cauca.

4 Aproximación 2: similaridad climática con el Valle del Cauca

Se calcula la distancia euclidiana entre el clima de cada celda del mundo y el de cada sitio de referencia, usando los 24 valores mensuales de temperatura y precipitación. Como las dos variables tienen escalas distintas, cada una se estandariza con su media y desviación estándar globales. La distancia se expresa luego como percentil de similaridad: Un valor de 0,95 indica que la celda presenta mayor similitud climática con el sitio de referencia que aproximadamente el 95 % de las celdas terrestres con datos válidos.

# Media y desviación estándar globales de una variable, con sus 12 meses en conjunto
estad <- function(r) {
  m  <- mean(global(r,   "mean", na.rm = TRUE)$mean)
  m2 <- mean(global(r^2, "mean", na.rm = TRUE)$mean)
  c(media = m, de = sqrt(m2 - m^2))
}
e_t <- estad(tavg)
e_p <- estad(prec)

# Variables estandarizadas: 24 capas (12 de temperatura y 12 de precipitación)
Z <- c((tavg - e_t["media"]) / e_t["de"],
       (prec - e_p["media"]) / e_p["de"])

# Valores estandarizados en los tres sitios (filas = sitios, columnas = 24 variables)
z_ref <- extract(Z, pts, ID = FALSE)

# Distancia euclidiana de cada celda a cada sitio
distancia <- rast(lapply(1:nrow(z_ref), function(i) sqrt(sum((Z - unlist(z_ref[i, ]))^2))))
names(distancia) <- sitios$sitio

# Percentil de similaridad: proporción de celdas con mayor distancia que la celda evaluada
similaridad <- rast(lapply(1:nlyr(distancia), function(i) {
  Fd <- ecdf(na.omit(values(distancia[[i]])))
  app(distancia[[i]], function(x) 1 - Fd(x))
}))
names(similaridad) <- sitios$sitio

cortes_s <- c(0, 0.5, 0.75, 0.9, 0.95, 0.99, 1)
pal_s <- hcl.colors(6, "Viridis")
plot(similaridad, breaks = cortes_s, col = pal_s, nc = 1,
     main = paste("Similaridad climática con", sitios$sitio))

4.1 Similaridad combinada

Para resumir los tres sitios en un solo mapa se toma, en cada celda, la similaridad con el sitio al que más se parece.

sim_max <- max(similaridad)

plot(
  sim_max,
  breaks = cortes_s,
  col = pal_s,
  main = "Similaridad climática máxima con el Valle del Cauca",
  plg = list(
    x = "right",
    cex = 0.8,
    title = "Percentil"
  )
)

Los mapas de los tres sitios presentan patrones similares, acordes con los perfiles climáticos observados en los puntos seleccionados. Guacarí registra una temperatura menor, por lo que su mapa incluye zonas algo más frescas. Se observan áreas de alta similaridad en África central, Brasil, Paraguay, Centroamérica y el sureste de Estados Unidos. La comparación utiliza los valores mensuales de temperatura y precipitación (12 de cada variable, 24 en total), de modo que considera tanto las magnitudes como su distribución durante el año.

5 Comparación de las dos aproximaciones

Se consideran de alta similaridad las celdas ubicadas en el 5 % más parecido a al menos uno de los sitios de referencia (percentil mayor o igual a 0,95). Cada celda se clasifica según si es apta por rangos óptimos, si tiene alta similaridad, si cumple ambas condiciones o si no cumple ninguna.

alta_sim <- sim_max >= 0.95

# 0 = ninguna, 1 = solo rangos óptimos, 2 = solo similaridad, 3 = ambas
comp <- apto + 2 * alta_sim
levels(comp) <- data.frame(id = 0:3,
  clase = c("Ninguna", "Solo rangos óptimos", "Solo similaridad", "Ambas"))
col_comp <- c("#e0e0e0", "#fdae61", "#9970ab", "#1a9850")
coltab(comp) <- data.frame(value = 0:3, col = col_comp)

plot(comp, col = col_comp, main = "Rangos óptimos frente a similaridad con el Valle del Cauca",
     plg = list(x = "bottomleft", cex = 0.8, bg = "white"))

# Superficie de cada clase (km²)
tabla_comp <- zonal(area_celda, comp, fun = "sum", na.rm = TRUE)
tabla_comp$porcentaje <- round(100 * tabla_comp$area / sum(tabla_comp$area), 1)
knitr::kable(tabla_comp, digits = 1, format.args = list(big.mark = ".", decimal.mark = ","),
             col.names = c("Clase", "Área (km²)", "% superficie continental"))
Clase Área (km²) % superficie continental
Ninguna 126.787.934 82,1
Solo rangos óptimos 13.413.163 8,7
Solo similaridad 10.730.749 7,0
Ambas 3.417.325 2,2
# Coincidencia entre aproximaciones
a <- tabla_comp$area
cat("Área apta por rangos que también es de alta similaridad:",
    round(100 * a[4] / (a[2] + a[4]), 1), "%\n")
## Área apta por rangos que también es de alta similaridad: 20.3 %
cat("Área de alta similaridad que también es apta por rangos:",
    round(100 * a[4] / (a[3] + a[4]), 1), "%\n")
## Área de alta similaridad que también es apta por rangos: 24.2 %

5.0.1 Interpretación.

La coincidencia entre ambas aproximaciones es limitada. El 20,3 % de la superficie apta por rangos presenta también alta similaridad con los sitios del Valle del Cauca. A su vez, el 24,2 % de la superficie de alta similaridad cumple los rangos óptimos. Ambas condiciones coinciden en aproximadamente 3,4 millones de km².

Esta diferencia muestra que cumplir los rangos anuales de temperatura y precipitación no implica tener un comportamiento mensual semejante al de los sitios de referencia. Del mismo modo, una celda puede presentar un perfil climático relativamente parecido y quedar fuera de alguno de los umbrales de aptitud. La alta similaridad se definió mediante el percentil 0,95 para cada sitio; por tanto, expresa una posición relativa entre las celdas analizadas y no garantiza condiciones óptimas para el cultivo. Al combinar los tres mapas, la selección tampoco equivale necesariamente al 5 % de las celdas.

6 Conclusiones

La evaluación por rangos identificó aproximadamente 16,8 millones de km² que cumplen simultáneamente los criterios de temperatura media anual y precipitación anual. Brasil, la República Democrática del Congo e Indonesia registraron las mayores superficies aptas, seguidos por Colombia. Entre las áreas con temperatura óptima, la precipitación dejó fuera del rango una proporción considerable del territorio.

Las dos aproximaciones aportan información complementaria. La clasificación por rangos evalúa el cumplimiento de condiciones climáticas previamente definidas, mientras que la similaridad compara el perfil mensual de cada celda con el de los sitios seleccionados. Según el mapa de comparación, las áreas donde coinciden ambas aproximaciones se concentran principalmente en África central.En cambio, la Amazonía y gran parte del Sudeste Asiático cumplen los rangos, pero su clima es más lluvioso y menos estacional que el de los sitios del valle. Su coincidencia permite delimitar áreas de interés para una evaluación posterior, pero no demuestra por sí sola su viabilidad agrícola.

Los puntos del Valle del Cauca muestran diferencias que los valores anuales no permiten reconocer completamente. Aunque los tres superan los 1.500 mm de precipitación anual, solo seis o siete meses cumplen el intervalo mensual establecido. Además, Guacarí presenta una temperatura media anual de 21,9 °C, inferior al umbral de 22,5 °C. Estos resultados corresponden a las celdas de la base climática y no deben interpretarse como mediciones directas de las condiciones de cada predio.

El alcance del análisis es climático. No se evaluaron suelos, relieve, riego, infraestructura ni condiciones económicas. La resolución de 10 minutos de arco limita la representación de las variaciones locales, y la línea base 1970–2000 describe un periodo histórico. Los mapas de similaridad también dependen de la estandarización, los sitios de referencia y el umbral seleccionado. En consecuencia, los resultados sirven como una exploración inicial del potencial climático, sin constituir una predicción del rendimiento del cultivo.