En el departamento de Cundinamarca las actividades agrícolas más significativas para el pequeño productor son: El cultivo de legumbres, frutas y caña panelera, siendo este último el de mayor área sembrada en el departamento con 41.382 Ha y un rendimiento de 1955 (t/Ha) (Anexo 1). En nuestro país el área sembrada con caña es de 474.559 hectáreas (has), de las cuales se destinan 218.000 Hectáreas para la producción de azúcar y 266.559 has para la producción de panela. Existen un total de 70.000 productores de panela,13 ingenios productores de azúcar y 5 plantas productorasde Etanol (CENICAÑA), para Cundinamarca la producción es destinada principalmente para Panela, a continuación se observan los datos de área sembrada para los municipios que tienen cultivos de caña para el año 2018 (EVA, 2018), en donde encontramos 50 de los 116 municipios del Departamento.

Mapa 2. Área sembrada de Caña Panelera en el departamento de Cundinamarca.

Cultivo de Caña

Las prácticas agrícolas del cultivo de caña como lo es la preparación del suelo, siembra, surcado, resiembra y manejos fitosanitarios son de vital importancia para obtener al final del ciclo del cultivo altos valores de rendimiento y productividad. Teniendo en cuenta esto la oferta ambiental es un factor de alta influencia, encontrando que la frecuencia e intensidad de las precipitaciones pueden afectar la aparición de enfermedades para el cultivo de caña, encontrando que condiciones favorables de temperatura, precipitaciones y humedad aumentan la reproducción y dispersión de patógenos en cortos períodos de tiempo, por el movimiento del agua en el suelo y la escorrentía, por otra parte las lluvias excesivas contribuyen a que se genere un ambiente en el cual se limita la circulación de oxígeno en el suelo y se afecta la función radicular de la planta provocando que la toma de agua y nutrientes afecten el desarrollo adecuado del cultivo. En algunos casos, la planta se hace más vulnerable al ataque de plagas del suelo. (ICA, 2011)

Importancia de la producción de caña Panelera:

  • Es uno de los principales cultivos agroindustriales en la economía rural del país.
  • El área sembrada que ocupa. (Para Cundinamarca es el de mayor área sembrada)
  • La generación de empleo directo (campo y trapiche) e indirecto.
  • El valor nutricional de la panela.
  • Ser de uso directo e indirecto en productos y subproductos que hacen parte de la alimentación humana y animal.

Mapa 3. Producción y rendimiento de Caña Panelera en el departamento de Cundinamarca.

En el anterior mapa encontramos que la mayor producción obtenida en (t/Ha) fue de 47.960,en el municipio de Caparrapi, en un área sembrada de 9303 Ha y con un rendimiento de 52 t/Ha, pero el de mayor rendimiento fue el obtenido en el municipio de Sasaima con 571 t/Ha para un área sembrada de 369 Ha y una producción de 2107 (t/Ha), por lo cual podemos ver que las condiciones edafoclimáticas del municipio pueden llegar a ser un factor de influencia para la obtención de este rendimiento, porque si bien el municipio de Caparrapi tiene el mayor área sembrada su rendimiento no fue el más alto, esto se puede deber a condiciones de manejo por parte de los agricultores, las condiciones climáticas, incidencia de plagas, entre otras. por esto es de vital impotancia estudiar y conocer variables ambientales para prevenir la aparición de patógenos que disminuyan el rendimiento final del cultivo.

3. DESCRIPCIÓN DE DATOS Y MÉTODOS

Datos

Los datos obtenidos del departamento de Cundinamarca fueron tomados de la base de datos de Evaluaciones Agricolas Municipales (EVA) y filtrados previamente por el año más reciente, para este caso los del 2018, al igual que el cultivo de caña panelera, en donde encontramos variables de áreas sembradas (Ha), cosechadas (Ha), producción (t) y rendimiento (t/Ha).

Los datos geoespaciales fueron tomados del Departamento Administrativo Nacional de Estadística – DANE, en la sección del geoportal, donde se descargaron los datos geográficos del Marco Mestro Rural Agropecuario (MMRA) con el fin de referenciar la información obtenida de las Evaluaciones Agrícolas municipales con los lugares geográficos correspondientes al departamento de Cundinamarca. Los datos del MMRA se encuentran delimitados por la totalidad del área rural del país que figuraba en los registros catastrales del Instituto Geográfico Agustín Codazzi (IGAC) para el año 2012.

Los datos de precipitaciones que se utilizarán posteriormente para el análisis de las precipitaciones del departamento de Cundinamarca fueron tomados The Climate Hazards group Infrared Precipitation with Stations (CHIRPS) el cual es un conjunto de datos de precipitación cuasi global de más de 35 años con un alcance de 50°S-50°N (y todas las longitudes), tomando para este estudio los datos del 2020 del 26 de Abril al 30 de Abril. Estos CHIRPS incorporan variables climaticas con imágenes satelitales que tienen una resolución espacial de 0.05° y datos de estaciones in situ para crear series de tiempo de lluvia cuadriculadas para análisis de tendencias y monitoreo estacional de sequías (CHIRPS, 2020)

Metodología

Utilizando los datos de precipitaciones CHIRPS se analizará su utilidad en cultivos de caña panelera para el departamento de Cundinamarca como una opción para prevenir el incremento de plagas y enfermedades en los casos donde aumenten las precipitaciones y para el caso contrario donde se disminuya la cantidad de agua disponible para la planta por fenomenos de sequía, para lo cual en los dos escenarios se genera una disminución en el rendimiento y la producción del cultivo de caña panelera.

Interpolación

La lluvia es un dato hidrológico muy significativo el cual se registra a través de redes de estaciones, estos registros de lluvia por lo general están incompletos debido a la falta de datos de lluvia en un período medido, o la falta de estaciones de lluvia en la región de estudio. Para resolver los problemas de tales datos de lluvia parcial, los datos probables de lluvia pueden estimarse a través de técnicas de interpolación espacial.(Chen et al., 2012), utilizando modelos de predicción espacial como la distancia inversa (IDW), Kriging, curvatura mínima, triangulación o funciones de base radial se han utilizado para generar superficies continuas a partir de datos climáticos provenientes de un número discreto de puntos de medición (Sluiter, 2009; Hengl, 2009).

Dentro de los modelos de predicción espacial es posible hablar de dos enfoques: determinístico y probabilístico. El determinístico es de carácter empírico tradicional y se encuentra ampliamente instrumentalizado en modelos mecánicos como los polígonos de Thiessen (también conocido como vecino más cercano o diagramas de Voronói), red de triángulos irregulares (TIN), distancia inversa ponderada (IDW), funciones polinomiales (Spline) o de regresión lineal y redes neuronales (Sluiter, 2009; Hengl, 2009).Los modelos determinísticos suelen tener desventajas frente a los probabilísticos de tipo geoestadístico (como el Kriging), en especial porque no incluyen los errores de los valores esperados (Giraldo, 2000). Sin embargo, su simplicidad los hace útiles y en algunos casos con rendimiento tan bueno o mejor que los estocásticos (Hengl, 2009)

Polígonos de Thiessen

Los polígonos de Thiessen nombrados en honor al meteorólogo estadounidense Alfred H. Thiessen son una construcción geométrica que permite construir una partición del plano euclídeo. Estos objetos también fueron estudiados por el matemático Georgy Voronoi de donde toma el nombre alternativo de diagramas de Voronoi y por el matemático Gustav Lejeune Dirichlet de donde toma el nombre de teselación de Dirichlet. Los polígonos de Voronoi hacen referencia a un método de análisis poligonal, en el cual el área de estudio puede ser dividida en un conjunto de polígonos convexos, en el que cada uno contiene solo la medida en un punto, por lo que cada punto dado dentro del polígono se estima es más cercano a la medida de ese punto que con cualquier otra medida en otros puntos; cada polígono define el área de influencia alrededor del punto medido (Sen, 2009).

Específicamente para el área de climatología, los diagramas de Voronoi/Thiessen se usan para calcular la precipitación en área basado en los datos de estaciones meteorológicas distribuidas irregularmente en un área de estudio (Farin y Hansford, 2008). Por tanto para el análisis de este método es importante identificar las ubicaciones optimas de pluviómetros para capturar la variabilidad espacial de los sistemas de precipitación en la región y, por lo tanto, proporcionar datos de lluvia espacialmente representativo, aunque en la actualidad también se aplica en estudios en los que hay que determinar áreas de influencia (centros hospitalarios, estaciones de bomberos, bocas de metro, centros comerciales, etc.).

IDW

El método de interpolación IDW se basa en el concepto de la primera ley de Tobler (la primera ley de la geografía) de 1970, la cual dice que “Todo está relacionado con todo lo demás, pero las cosas cercanas están más relacionadas que las distantes”. El IDW fue desarrollado por el Servicio Meteorológico Nacional de EE. UU. En 1972 y está clasificado como un método determinista. Esto se debe a la falta de requisitos en el cálculo para cumplir con supuestos estadísticos específicos. (Chen et al., 2012). Este método se fundamenta en asignar pesos a los datos muestreados que van a ser interpolados para determinar el dato central en función inversa a la distancia que los separa (Giraldo-Henao, 2003). La fórmula general es:

Donde Zj es el valor estimado para el punto j, n , el número de puntos necesarios para la interpolación, Zj el valor en el punto i-ésimo y Kj el peso asociado al dato i en el cálculo del nodo j. Los pesos k varían entre 0 y 1 para cada dato y la suma total de ellos es la unidad.

La función de proporcionalidad entre el peso y la distancia se muestra en la siguiente fórmula:

Siendo la fórmula del peso kij = 1/dij y un exponente de ponderación que controla la forma en la que el peso asignado al dato disminuye con la distancia, es decir, que si el exponente o la potencia van disminuyendo los pesos asignados serán menores, por el contrario, si la potencia aumenta la diferencia en los pesos será mayor (Droj, 2008).

Kriging

Este método de interpolación define la altitud como una variable regionalizada, suponiendo que funciones de correlación espacial pueden explicar en su totalidad o parcialmente la variación espacial de esta, que es la variable estimada que se va a representar a través de funciones homogéneas que se deducen de toda el área de análisis, es decir, los valores próximos de z(Giraldo-Henao, 2003). Estas funciones homogéneas son derivadas teniendo en cuenta la distancia d que existe entre los datos medidos a través de la semivarianza, analizando así la correlación espacial entre ellos en función de d y estimando una media ponderada:

Donde un conjunto de k datos se sitúan en torno del punto interpolado y /lambda representa los pesos asignados a cada uno de ellos. La ventaja del método es el criterio de asignar a cada dato su valor ponderado junto a la asignación de un valor de error a cada punto interpolado, lo que permite aplicar criterios estadísticos brindando una buena definición del área de análisis. Los supuestos estimados en este tipo de métodos suponen que la altitud en un punto esté determinada por los valores de los puntos más próximos distribuidos a distancias variables, y que en función de ellas habrá una mayor o menor inferencia. (Alvarez et al, 2011)