SIG con R

En este video presento un flujo completo y reproducible en R para identificar zonas climáticamente idóneas para el cultivo de café bajo sombra, inspirado en el artículo científico:

“A coffee corridor for biodiversity and livelihoods: climatic feasibility of shade coffee cultivation in western Rwanda”
Trees, Forests and People 🌱📄

Aunque el estudio original se desarrolla en África oriental, aquí adapto su enfoque metodológico al contexto colombiano, utilizando datos climáticos globales y herramientas SIG en R.

🧭 Área de estudio y datos utilizados

El análisis se centra en los departamentos de Quindío, Risaralda y Caldas, una de las principales regiones cafeteras de Colombia ☕🇨🇴.

Se emplean datos oficiales y abiertos:

• 🌡️🌧️ Variables bioclimáticas (BIO) de WorldClim v2.1
• 🗺️ Límites administrativos de GADM
• 📦 Paquetes especializados de R para análisis espacial (terra, sf, tmap, geodata)

📊 Variables climáticas consideradas

Siguiendo el artículo de referencia, se seleccionan cinco variables bioclimáticas clave para el cultivo de Coffea arabica:

• BIO1: Temperatura media anual 🌡️
• BIO2: Rango diurno de temperatura
• BIO5: Temperatura máxima del mes más cálido 🔥
• BIO6: Temperatura mínima del mes más frío ❄️
• BIO12: Precipitación anual 🌧️

Cada variable se recorta y enmascara a la zona de estudio para asegurar coherencia espacial.

🧮 Reclasificación climática (idoneidad)

Las variables climáticas se reclasifican en cinco niveles de idoneidad, desde:

• ❌ No apto
• ⚠️ Marginal
• ✅ Apto
• 🌿 Muy apto

Esto se realiza mediante matrices de reclasificación, construidas a partir de rangos climáticos reportados en la literatura agroecológica. El resultado es un conjunto de capas raster comparables entre sí.

⚖️ Análisis multicriterio (Weighted Linear Combination)

Para integrar las variables se aplica un Análisis Multicriterio por Combinación Lineal Ponderada (WLC):

• Todas las variables reciben el mismo peso (0.25)
• Se asume igual importancia relativa de cada factor climático
• El resultado es un mapa continuo de idoneidad climática

Finalmente, el índice se normaliza a un rango de 0 a 1, donde:

• 0 = climáticamente no apto
• 1 = condiciones óptimas para café bajo sombra

📈 Este enfoque permite sintetizar información climática compleja en un solo indicador espacial interpretable.

🗺️ Visualización cartográfica

El resultado se representa mediante un mapa temático en tmap, incorporando:

• 🎨 Paleta de colores gradual por clases de idoneidad
• 🧭 Rosa de los vientos
• 📏 Barra de escala
• 🏷️ Etiquetas departamentales
• 🖼️ Exportación en alta resolución (300 dpi)

El mapa final resume visualmente las zonas con mayor potencial climático para el café, bajo un enfoque reproducible y transparente.

🔁 Reproducibilidad y aplicación

Todo el proceso se desarrolla 100% en R, lo que permite:

• 🔁 Repetir el análisis en otras regiones
• 🌱 Adaptarlo a otros cultivos
• 🌍 Incorporar escenarios climáticos futuros
• 📊 Integrarlo en estudios de planificación territorial

Este tipo de análisis es ampliamente utilizado en agroecología, SIG ambiental y estudios de cambio climático, y aquí se presenta de forma accesible para la comunidad técnica.

¿Me deseas contactar?

Escribeme a mi whatsapp https://wa.me/+573217850490

El vídeo tutorial de YouTube aquí lo puedes encontrar:

Análisis espacial urbano con R y OpenStreetMap

La disponibilidad de áreas verdes urbanas es un indicador clave para la calidad de vida, la salud pública y la resiliencia climática de las ciudades.
En este artículo presento un flujo de trabajo reproducible en R para identificar, cuantificar y mapear las áreas verdes dentro de la ciudad de Cali, combinando límites oficiales con información abierta proveniente de OpenStreetMap (OSM).

El objetivo no es solo hacer un mapa “bonito”, sino calcular un indicador espacial sólido: la proporción del área urbana cubierta por zonas verdes.

🧰 1. Preparación del entorno de trabajo

El análisis se desarrolla completamente en R, utilizando un conjunto de librerías especializadas en datos espaciales, visualización y manejo reproducible de rutas:

Este stack permite:

• trabajar con geometrías vectoriales modernas (sf),
• consultar directamente OpenStreetMap (osmdata),
• realizar operaciones espaciales robustas (terra),
• y producir cartografía publicable (ggplot2, ggspatial).

El uso de here asegura que el proyecto sea portable y reproducible, una práctica fundamental en análisis espaciales profesionales.

🗺️ 2. Carga y preparación de los límites oficiales

El análisis parte de shapefiles oficiales de:

• barrios urbanos,
• corregimientos.

Estos límites definen el universo espacial válido del estudio.

🌳 3. ¿Dónde están las áreas verdes en OpenStreetMap?

A diferencia de los catastros oficiales, OpenStreetMap no tiene una única capa de “zonas verdes”.
Estas áreas están distribuidas en múltiples etiquetas (tags), entre ellas:

• leisure: parques, jardines, zonas recreativas,
• landuse: bosques, praderas,
• natural: vegetación natural.

Para manejar esta complejidad, se define una función personalizada que:

1. consulta OSM por tipo de cobertura,
2. descarga los polígonos,
3. los proyecta correctamente,
4. y los recorta al límite oficial de Cali.

✂️ 4. Recorte espacial: solo lo que está dentro de Cali

Una vez descargados los polígonos desde OSM, se realiza una intersección espacial:

Este paso es fundamental porque:

• evita sobreestimar áreas,
• elimina elementos periféricos,
• asegura métricas coherentes con la ciudad real.

Sin recorte espacial, las métricas urbanas no son defendibles.

🧩 5. Integración de todas las áreas verdes

Las distintas capas provenientes de OSM se limpian y se unen en una sola geometría temática:

Cada polígono conserva:

• su identificador,
• la clave OSM (key),
• el tipo de cobertura (value).

Esto permite auditoría, análisis posterior y extensiones del estudio.

📐 6. Cálculo de la cobertura verde urbana

Con todas las áreas integradas, se calcula el indicador central del anál

Este valor representa el porcentaje del área total de la ciudad cubierto por zonas verdes, un indicador ampliamente utilizado en:

• planeación urbana,
• estudios de sostenibilidad,
• análisis de adaptación al cambio climático.

Aquí pasamos de la cartografía descriptiva a un resultado cuantitativo interpretable.

🗺️ 7. Cartografía final de las áreas verdes

El resultado se presenta mediante un mapa claro y sobrio, pensado para comunicación académica y técnica:

Vídeo tutorial donde explicamos todo esto:

Deseas contactarme para guiarte en tu proyecto de SIG (pregrado, maestría o doctorado), escríbeme al Whatsapp: +57 3217850490

Las luces nocturnas observadas desde satélites se han convertido en uno de los insumos más poderosos para el análisis espacial del desarrollo humano, la urbanización, la actividad económica y los cambios territoriales a escala global. Gracias a su cobertura continua y homogénea, estos datos permiten analizar dinámicas sociales y económicas incluso en regiones donde la información estadística oficial es limitada o inexistente.

En este artículo te explico qué son los datos armonizados de luces nocturnas DMSP–OLS y VIIRS, cómo fueron construidos y por qué son tan relevantes para la investigación en geografía, economía y ciencias ambientales.

🛰️ ¿Qué son los datos de luces nocturnas?

Las luces nocturnas satelitales capturan la iluminación artificial visible durante la noche, proveniente principalmente de:

• Ciudades y áreas urbanas
• Infraestructura vial
• Zonas industriales
• Actividades extractivas
• Centros poblados rurales

Durante décadas, estas observaciones han sido utilizadas como proxy de actividad humana, crecimiento urbano y desarrollo económico.

📡 Dos generaciones de sensores: DMSP y VIIRS

🔹 DMSP-OLS (1992–2013)

El programa Defense Meteorological Satellite Program – Operational Linescan System (DMSP-OLS) fue el primer sistema que permitió observar luces nocturnas a escala global.

Limitaciones principales:

• Saturación en grandes ciudades
• Falta de calibración radiométrica entre años
• Resolución espacial limitada

🔹 VIIRS-DNB (2014–2020)

El sensor Visible Infrared Imaging Radiometer Suite – Day/Night Band (VIIRS-DNB) representa un gran avance tecnológico:

• Mayor resolución espacial
• Mejor sensibilidad radiométrica
• Menor saturación en áreas urbanas

Sin embargo, el cambio de sensor generó una ruptura temporal que dificultaba los análisis de largo plazo… hasta que llegó la armonización.

🔄 Armonización DMSP–VIIRS: un paso clave

El dataset “Harmonization of DMSP and VIIRS nighttime light data”, desarrollado por Li et al. (2020), resuelve este problema mediante un riguroso proceso de calibración temporal y espacial.

✔ ¿Qué logra esta armonización?

• Unifica ambas fuentes en una serie temporal continua
• Permite análisis consistentes desde 1992 hasta 2018
• Reduce sesgos instrumentales
• Facilita estudios comparables en el tiempo

🧩 Contenido del dataset

El conjunto de datos incluye:

• 🌐 Cobertura global
• 📅 Series anuales desde 1992 a 2018
• 🗺️ Resolución espacial de 30 arc-seconds (~1 km)
• 🔢 Valores de luz nocturna calibrados y comparables
• 📊 Datos listos para análisis espacial y estadístico

Los archivos están disponibles en formato raster y son compatibles con herramientas como R, QGIS, ArcGIS y Google Earth Engine.

🔬 ¿Para qué se usan estos datos?

Las aplicaciones son muy amplias, entre ellas:

• 📈 Análisis del crecimiento urbano
• 🌍 Estudios de desigualdad regional
• 💡 Proxy de actividad económica (PIB, consumo energético)
• 🔥 Evaluación de impactos de conflictos o desastres
• 🌱 Estudios de sostenibilidad y presión humana
• 📊 Modelos econométricos espaciales

En muchos estudios, las luces nocturnas funcionan como un indicador alternativo de desarrollo, especialmente útil en países con baja disponibilidad de datos oficiales.

📚 Fuentes de los datos

• Artículo científico
  Li, X., Zhou, Y., Zhao, M., & Zhao, X. (2020).
  A harmonized global nighttime light dataset 1992–2018.
  👉 https://www.nature.com/articles/s41597-020-0510-y
• Repositorio de datos (Figshare)
  👉 https://figshare.com/articles/dataset/Harmonization_of_DMSP_and_VIIRS_nighttime_light_data_from_1992-2018_at_the_global_scale/9828827/5
• Google Earth Engine – Community Catalog
  👉 https://gee-community-catalog.org/projects/hntl/

✍️ Reflexión final

Las luces nocturnas son mucho más que una imagen bonita del planeta: son una huella luminosa de la actividad humana. Gracias a la armonización DMSP–VIIRS, hoy contamos con una de las series espaciales más valiosas para entender cómo hemos transformado el territorio en las últimas tres décadas.

En Un Geógrafo en YouTube seguiremos explorando cómo estos datos pueden ayudarnos a leer el mundo desde el espacio 🌌📊.

Aquí el video tutorial:

¿Me deseas contactar?

Escribeme a mi whatsapp https://wa.me/+573217850490

En este tutorial explicamos como descargar datos de cobertura de la tierra, procesarlos y mapearlos con la ayuda de R

El vídeo en mi canal de YouTube

El script para su réplica:

Me deseas contactar?

Escríbeme al Whatsapp: +57 3217850490

Tutorial en YouTube

Código:

https://github.com/fabiolexcastro/tutorials_youtube/tree/main/aridity_drought

Whatsapp: +57 3217850490

Este es el vídeo tutorial

De aquí puedes descargar el informe realizado, recuerda que es un documento abierto a mejora.

Estas variables se refieren a componentes de la beta diversidad, que mide la variación en la composición de especies entre diferentes áreas o comunidades.

1. Btotal: Este valor representa la beta diversidad total, que es una medida de la disimilitud general en la composición de especies entre las áreas que estás comparando. Es la suma de los componentes de reemplazo y anidamiento.
2. Brepl: Este componente se refiere a la beta diversidad debida al reemplazo de especies. Indica la proporción de la disimilitud que se debe a la sustitución de algunas especies por otras entre las áreas. Es decir, mide cuántas especies en una área son reemplazadas por otras especies en la otra área.
3. Brich: Este componente se refiere a la beta diversidad debida a la diferencia en riqueza de especies (anidamiento). Mide la proporción de la disimilitud que se debe a la ganancia o pérdida de especies entre las áreas, es decir, cómo varía el número de especies sin que haya un reemplazo directo entre ellas.

En resumen:

• Btotal = Brepl + Brich
• Brepl mide la disimilitud por reemplazo de especies.
• Brich mide la disimilitud por diferencia en la riqueza de especies.

Estas medidas te permiten entender mejor cómo varía la composición de especies de orquídeas entre diferentes áreas de Bosque Seco Tropical y qué factores (reemplazo o riqueza) contribuyen más a esa variación.

Contexto del Análisis

Supongamos que tienes datos de distribución de varias especies de orquídeas en diferentes áreas del Bosque Seco Tropical en Colombia. Utilizaste modelos de distribución de especies (como MaxEnt) para identificar las zonas idóneas (donde las condiciones son favorables para la presencia de las orquídeas) y no idóneas (donde las condiciones no son favorables).

¿Qué mide Brepl?

Brepl (Beta diversidad de reemplazo) mide la proporción de la disimilitud en la composición de especies entre dos áreas que se debe al reemplazo de especies. Esto significa que evalúa cuántas especies presentes en una área específica son sustituidas por otras especies diferentes en otra área.

Aplicación a las Zonas Idóneas y No Idóneas

Imaginemos dos zonas idóneas diferentes dentro del Bosque Seco Tropical en Colombia:

• Zona A: Se encuentra en la región norte.
• Zona B: Se encuentra en la región sur.

Escenario sin Reemplazo de Especies

• En la Zona A se encuentran las especies de orquídeas 1, 2 y 3.
• En la Zona B se encuentran las especies de orquídeas 1, 2 y 3.

En este caso, la beta diversidad de reemplazo (Brepl) sería baja porque no hay especies que estén siendo reemplazadas entre las dos zonas; ambas tienen las mismas especies.

Escenario con Reemplazo de Especies

• En la Zona A se encuentran las especies de orquídeas 1, 2 y 3.
• En la Zona B se encuentran las especies de orquídeas 4, 5 y 6.

Aquí, Brepl sería alta porque todas las especies en la Zona A son reemplazadas por diferentes especies en la Zona B.

Interpretación de Brepl

Cuando Brepl es alto, indica que la diferencia en la composición de especies entre las áreas comparadas se debe principalmente a que algunas especies son reemplazadas por otras. Esto puede suceder debido a varios factores, como diferencias en el microclima, el suelo, la altitud, o la intervención humana en cada zona.

En tu análisis de orquídeas en el Bosque Seco Tropical, un Brepl alto podría sugerir que ciertas especies de orquídeas encuentran zonas idóneas en áreas diferentes debido a condiciones ambientales específicas que favorecen a unas especies sobre otras. Esto puede ser crucial para entender cómo se distribuyen las orquídeas y para la conservación de sus hábitats.

En resumen, Brepl te ayuda a identificar y cuantificar el grado en que las especies de orquídeas en diferentes zonas idóneas del Bosque Seco Tropical son reemplazadas por otras especies, proporcionando una visión detallada de la variabilidad en la composición de especies entre estas áreas.

¿Qué mide Brich?

Brich (Beta diversidad de riqueza) mide la proporción de la disimilitud en la composición de especies entre dos áreas que se debe a la diferencia en la riqueza de especies. En otras palabras, evalúa la cantidad de disimilitud que se debe a la ganancia o pérdida de especies entre las áreas, sin considerar el reemplazo directo de unas especies por otras.

Aplicación a las Zonas Idóneas y No Idóneas

Volvamos al ejemplo de las zonas idóneas dentro del Bosque Seco Tropical en Colombia:

• Zona A: Se encuentra en la región norte.
• Zona B: Se encuentra en la región sur.

Escenario sin Diferencia en Riqueza de Especies

• En la Zona A se encuentran las especies de orquídeas 1, 2 y 3.
• En la Zona B se encuentran también las especies de orquídeas 1, 2 y 3.

En este caso, Brich sería baja porque ambas zonas tienen la misma cantidad de especies (riqueza de especies).

Escenario con Diferencia en Riqueza de Especies

• En la Zona A se encuentran las especies de orquídeas 1, 2 y 3.
• En la Zona B se encuentran las especies de orquídeas 1, 2, 3, 4 y 5.

Aquí, Brich sería alta porque la Zona B tiene más especies que la Zona A. La diferencia en la composición de especies se debe a la ganancia de especies adicionales en la Zona B, no al reemplazo de unas especies por otras.

Interpretación de Brich

Cuando Brich es alta, indica que la disimilitud en la composición de especies entre las áreas comparadas se debe principalmente a la diferencia en el número total de especies presentes en cada área. Esto puede ocurrir por diversas razones:

• Condiciones Ambientales Favorables: La Zona B podría tener condiciones más favorables que permiten la presencia de más especies de orquídeas.
• Conservación y Protección: La Zona B podría estar mejor protegida o menos perturbada por actividades humanas, lo que permite una mayor biodiversidad.
• Microhábitats Diversos: La Zona B podría tener una variedad de microhábitats que soportan diferentes especies.

Importancia de Brich en el Estudio

En tu análisis de las orquídeas del Bosque Seco Tropical en Colombia, un Brich alto puede ser indicativo de áreas con una alta diversidad de especies debido a condiciones específicas que favorecen la presencia de una mayor cantidad de especies de orquídeas. Esto puede ser crucial para identificar áreas prioritarias para la conservación, ya que áreas con mayor riqueza de especies pueden ser más valiosas desde el punto de vista de la biodiversidad.

En resumen, Brich te ayuda a entender y cuantificar cómo la riqueza de especies (el número total de especies) varía entre diferentes zonas idóneas del Bosque Seco Tropical, proporcionando una visión importante sobre la distribución y la diversidad de las especies de orquídeas en estas áreas.

En este vídeo tutorial de YouTube explico como geo-procesar datos de producción agrícola (>48 cultivos) con el uso de R, esto con la finalidad de al final computar los datos a nivel departamental, pudiendo vislumbrar al final un mapa como el que se ilustra a continuación.

Los datos es posibles descargarlos a nivel mundial para muchos cultivos, esto en está página web: https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/SWPENT

Ahora bien, el vídeo se encuentra disponible en YouTube #UnGeógrafoEnYouTube

Sí deseas asesoría personalizada me puedes contactar a mi número de WhatsApp

EDGAR – Emission Database for Global Atmospheric Research

Está es una base de datos global que proporciona información detallada sobre las emisiones de Gases de Efecto Invernadero (GEI) y contaminantes atmosféricos antropogénicos en todo el mundo. Esta base de datos es utilizada por investigadores, científicos del clima, políticos y formuladores de políticas para comprender mejor la contribución de diversas fuentes a las emisiones globales y regionales.

EDGAR recopila y procesa datos de múltiples fuentes, como estadísticas energéticas, datos de uso de la tierra, datos industriales y otros, para estimar las emisiones de gases de efecto invernadero y contaminantes atmosféricos. Estos datos se presentan en varios formatos y niveles de desglose, lo que permite un análisis detallado de las emisiones por país, región, sector económico y tipo de gas.

Está base de datos está disponible para descarga desde la Comisión Europea para todo el mundo desde el año 1970 hasta el 2022, esto en formato raster.

Aquí os presento un tutorial tipo vídeo en el que realizamos la descarga automática de la información raster y el procesamiento del mismo con la finalidad de ilustrar los datos al final en una imagen GIF, aquí aprenderás a realizar diversos análisis espaciales:

1. Descarga de información zip desde R, de forma automatizada para diferentes año
2. Unzip de los datos desde R
3. Extracción por máscara para el área continental
4. Cálculo de estadísticas zonales a nivel de país (suma de GEI en ton por unidad político – administrativa)
5. Escritura y lectura de archivos raster
6. Mapeo de los resultados
7. Compilación de las figuras finales dentro de un GIF

Aquí el vídeo tutorial:

Sí deseas replicar el ejercicio de aquí podrás descargar el código en R:

https://github.com/fabiolexcastro/edgar_dbase

Si deseas asesoría personalizada me puedes contactar al Whatsapp o correo electrónico:

Correo: fabioalexandercastro@gmail.com

¿Cuáles existen y dónde descargar?

En el marco de análisis climático surgen algunas dudas en relación a la disponibilidad de datos, entre tanto, para muchos países de América Latina el acceso a información climática es limitada y muchas veces con muchos datos faltantes.

Aquí un breve listado de las fuentes que conozco y con las que he hecho diversos análisis.

_____________________________________________________

1. Worldclim v 2.0

Es una base de datos que corresponde a la climatología a nivel mundial entre el periodo de 1970 y 2000, estos con temporalidad mensual; disponibles a distintas resoluciones espaciales a 1, 5, 10 y 25 km apróximadamente.

Variables: precipitación, temperatura mínima, temperatura promedio y temperatura máxima.

URL: https://www.worldclim.org/data/index.html

2. Terraclimate

Datos climáticos también en formato raster a resolución de 5 kilómetros para todo el globo, bajo la temporalidad 1958 – 2023.

Variables: precipitación, temperatura mínima – promedio – máxima, evapotranspiración potencial, escorrentía, déficit de vapor de agua, radiación solar, entre otras.

URL: https://www.climatologylab.org/terraclimate.html

3. Chelsa

Datos climáticos en raster a resolución de 5 kilómetros, también a nivel mundial. 

Esta base de datos tiene gran cantidad de tipos de temporalidad

• Anual
• Climatologías
• Diarios
• Normales idarias
• Mensual

Decir que para el caso de las climatologías se tienen datos de cambio climático para los periodos 2011 – 2040, 2041 – 2070 y 2071 – 2100, precisamente para los GCMs:

• GFDL-ESM4
• IPSL-CM6A-LR
• MPI-ESM1-2-HR
• MRI-ESM2-0
• UKESM1-0-LL

Y los SSPs: 126, 370 y 585.

URL: https://chelsa-climate.org/downloads/

4. CHIRPS

Esta información climática corresponde a datos de precipitación a nivel mundial a resolución de 5 km aproximadamente, a resolución temporal diaria. El periodo disponible para descarga va desde 1981 hasta la actualidad (constantemente lo están actualizando).

URL: https://www.chc.ucsb.edu/data/chirps

5. CHIRTS

Corresponde también a información diaria de temperaturas máximas y mínimas a nivel global, esto a resolución de 5 km.

La temporalidad de estos datos va desde 1983 hasta el 2015, recordemos que es información a nivel diaria.

URL: https://www.chc.ucsb.edu/data/chirtsdaily

6. AgERA5

Corresponde a la base de datos de Copernicus, contiene al igual información tipo raster a resolución temporal diaria y espacial de alrededor de 10 km.

Aquí hay gran variedad de variables climáticas, entre las cuales son:

1. Componente U del viento
2. Componente V del viento
3. Componente neutral del viento
4. Energía potencial
5. Precipitación
6. Tasa de lluvia
7. Nevadas convectivas
8. Evaporación
9. Temperatura del fondo del lago
10. Precipitación a larga escala
11. Tasa media de precipitación global
12. Evaporación potencial
13. Temperatura máxima
14. Temperatura mínima
15. Escorrentía superficial

Ver más: https://cds.climate.copernicus.eu/cdsapp#!/dataset/reanalysis-era5-single-levels?tab=overview

7. Datos climáticos a futuro (IPCC – CMIP6) – Climatologías

Además de los datos climáticos que podemos descargar por chelsa, también es posible bajar datos de otros GCMs, tales como: 125, 245, 370 y 585, y de más de 20 GCMs a los periodos 2021-2040; 2041-2060 y 2061-2080.

Decir además que se pueden bajar datos a distintas resoluciones espaciales, tales como: 1 km, 5 km, 10 km y 20 km. Como comentario final estos datos vienen a nivel mensual multi-anual para variables como precipitación, temperatura máxima y temperatura mínima.

URL:https://www.worldclim.org/data/cmip6/cmip6climate.html

8. Datos climáticos a nivel diario (NEX-GDDP-CMIP6)

Son datos diarios a resolución aproximada de 50 kilómetros, en otras palabras son los datos bruto (conocido en inglés como <<raw>>) de todos los modelos climáticos, tanto SSPs como GCMs.

Algunas de las variables para descarga son:

1. Precipitación
2. Temperatura máxima
3. Temperatura promedio
4. Temperatura mínima
5. Radiación solar
6. Velocidad del viento

Decir que estos datos es posible llevarlos a resolución de hasta 1 km con el apoyo del método delta y la corrección de sesgo (Navarro et al., 2020)[visitar aquí]

Sí te interesa aprender a aplicar tal método visita mi vídeo en YouTube donde abordo la temática (aquí)

URL: https://nex-gddp-cmip6.s3.us-west-2.amazonaws.com/index.html#NEX-GDDP-CMIP6/

Sí deseas ayuda me puedes contactar a mi número de Whatsapp: