Methodology to identify spatial patterns in coffee (Coffea arabica L.) production

Metodología para identificar patrones espaciales en la producción de café (Coffea arabica L.)

Coffee farming, a lifeline for numerous families in the mountainous regions of Latin America, faces challenges due to climate change and production variability, which complicate the use of forecast models at the territorial level. In response to these challenges, territorial inference has gained relevance, especially with the advancement of Geographic Information Systems (GIS), which provide useful tools for territorial analysis. Although spatial models are increasingly applied in GIS, coffee farming, like many agricultural subsectors, is hindered by a lack of information and spatial methodologies. This work proposes a methodology to identify spatial patterns of homogeneous production areas. Data from 140 farms, representing 3,900 members of the coffee grower cooperative of Andes, dispersed over 200,000 ha, were analyzed between 2019 and 2021. The variables used to measure productivity included the number of fruits per tree, the average fruit weight, planting density, and the conversion rate of cherry coffee to dry parchment coffee. A simple linear regression model was employed, and spatial dependency analyses were performed using the global and local Moran’s Index to identify clusters of territorial subdivisions. The data were processed in R language, and the GeoDa™ program was used to obtain the spatial weight matrix. Territorial units with similar characteristics for high quality mountain coffee production were identified through spatial dependency indicators. The methodology can contribute to estimating coffee production in large territories, improving the reliability of information and allowing for more informed decision-making to optimize coffee farming in mountainous areas.

La caficultura, una fuente de sustento para numerosas familias en las regiones montañosas de América Latina, enfrenta desafíos debido al cambio climático y la variabilidad de la producción, lo que complica el uso de modelos de pronóstico a nivel territorial. A pesar de estos desafíos, la inferencia territorial ha ganado relevancia, especialmente con el avance de los Sistemas de Información Geográfica (SIG), que ofrecen
herramientas útiles para el análisis territorial. Aunque los modelos espaciales se aplican cada vez más en SIG, la caficultura, al igual que muchos subsectores agrícolas, se ve limitada por la falta de información y metodologías espaciales. Este trabajo propone una metodología para identificar patrones espaciales de áreas de productividad homogénea. Se analizaron datos de 140 fincas, representando a 3900 miembros de la cooperativa de caficultores de Andes, distribuidos en 200.000 ha, entre 2019 y 2021. Las variables utilizadas para medir la productividad incluyeron el número de frutos por árbol, el peso promedio de los frutos, la densidad de plantación y la tasa de conversión de café “cereza” a café pergamino seco. Se empleó un modelo de regresión lineal simple y se realizaron análisis de dependencia espacial utilizando el Índice de Moran global y local para identificar agrupamientos de subdivisiones territoriales. Los datos se procesaron en el lenguaje R, y se utilizó el programa
GeoDa™ para obtener la matriz de pesos espaciales. Mediante indicadores de dependencia espacial, se identificaron unidades territoriales con características similares para la producción de café en zonas montañosas. La metodología puede contribuir a estimar la producción de café en grandes territorios, mejorando la confiabilidad de la información y permitiendo una toma de decisiones más informada para optimizar la caficultura en áreas montañosas.