Resutados De Evaluaciones Agropecuarias (EVA)Del Magdalena
Sara Valentina Forero Gómez
20 de diciembre del 2024
En este Notebook se podra visualizar la dinamica agricola del departamento del Magdalena, teniendo en cuenta los resultados de las evaluaciones EVA en el año 2019 y 2023
library(tidyverse)
library(readr)
library(dplyr)
library(ggplot2)list.files("./datos", pattern = c ('csv'))## [1] "Evaluaciones_Agropecuarias_Magdalenaa.csv"## [1] "co.csv"
## [2] "Evaluaciones_Agropecuarias_Municipales_EVA.csv"
## [3] "stder_frutales_2020.csv"
## [4] "stder_oleag_2020.csv"eva <- read_csv("./datos/Evaluaciones_Agropecuarias_Magdalenaa.csv",
col_names = TRUE,
show_col_types = FALSE)## Warning: One or more parsing issues, call `problems()` on your data frame for details,
## e.g.:
## dat <- vroom(...)
## problems(dat)names(eva)## [1] "Codigomunicipio;Municipio;Cultivo;Grupocultivo;Año;Areasembrada(ha);Areacosechada(ha);Produccion(t);Rendimiento(t/ha)"eva <- read_csv2(
"./datos/Evaluaciones_Agropecuarias_Magdalenaa.csv",
col_names = TRUE,
show_col_types = FALSE
) %>%
# Seleccionar columnas relevantes
dplyr::select(Codigomunicipio:`Rendimiento(t/ha)`) %>%
# Limpiar y transformar columnas
dplyr::mutate(
`Areasembrada(ha)` = floor(as.numeric(gsub(",", ".", `Areasembrada(ha)`))),
`Areacosechada(ha)` = floor(as.numeric(gsub(",", ".", `Areacosechada(ha)`))),
`Produccion(t)` = floor(as.numeric(gsub(",", ".", `Produccion(t)`)))
) %>%
# Renombrar columnas
dplyr::rename(
`Area_cosechada(ha)` = `Areacosechada(ha)`,
`Produccion(t)` = `Produccion(t)`,
`Rendimiento(t/ha)` = `Rendimiento(t/ha)`
)## ℹ Using "','" as decimal and "'.'" as grouping mark. Use `read_delim()` for more control.###1.Tabla De Datos De Las Evaluaciones agropecuarias (EVA) Podemos observar los resultados que obtuvo el departamento del Meta durante los años 2019 y 2023
eva <- read_delim(
"./datos/Evaluaciones_Agropecuarias_Magdalenaa.csv",
delim = ";", # Especificamos el delimitador
col_names = TRUE,
locale = locale(
decimal_mark = ",", # Coma como separador decimal
grouping_mark = "." # Punto como separador de miles
),
show_col_types = FALSE
) %>%
# Seleccionar columnas relevantes
dplyr::select(Codigomunicipio:`Rendimiento(t/ha)`) %>%
# Limpiar y transformar columnas
dplyr::mutate(
`Areasembrada(ha)` = floor(as.numeric(gsub(",", ".", `Areasembrada(ha)`))),
`Areacosechada(ha)` = floor(as.numeric(gsub(",", ".", `Areacosechada(ha)`))),
`Produccion(t)` = floor(as.numeric(gsub(",", ".", `Produccion(t)`)))
) %>%
# Renombrar columnas
dplyr::rename(
`Area_cosechada(ha)` = `Areacosechada(ha)`,
`Rendimiento(t/ha)` = `Rendimiento(t/ha)`
)->new.evanew.eva## # A tibble: 1,145 × 9
## Codigomunicipio Municipio Cultivo Grupocultivo Año `Areasembrada(ha)`
## <dbl> <chr> <chr> <chr> <dbl> <dbl>
## 1 47001 Santa Marta Aguacate Frutales 2019 48
## 2 47001 Santa Marta Aguacate Frutales 2023 10
## 3 47001 Santa Marta Aguacate Frutales 2023 40
## 4 47001 Santa Marta Ahuyama Hortalizas 2019 101
## 5 47001 Santa Marta Ahuyama Hortalizas 2019 142
## 6 47001 Santa Marta Ahuyama Hortalizas 2023 111
## 7 47001 Santa Marta Ahuyama Hortalizas 2023 39
## 8 47001 Santa Marta Ají Hortalizas 2019 53
## 9 47001 Santa Marta Ají Hortalizas 2019 75
## 10 47001 Santa Marta Ají Hortalizas 2023 36
## # ℹ 1,135 more rows
## # ℹ 3 more variables: `Area_cosechada(ha)` <dbl>, `Produccion(t)` <dbl>,
## # `Rendimiento(t/ha)` <dbl>###2.Analisis Evaluaciones EVA Departamento Del Meta #2.1 cultivos representativos de los años 2019 y 2023
new.eva %>%
## filter(`Produccion(t)` > 0) %>%
group_by(Grupocultivo) %>%
summarize(`total_produccion(t)` = sum(`Produccion(t)`)) %>%
arrange(desc(`total_produccion(t)`))## # A tibble: 8 × 2
## Grupocultivo `total_produccion(t)`
## <chr> <dbl>
## 1 Frutales 1575894
## 2 Raíces y tubérculos 525530
## 3 Oleaginosas 285836
## 4 Cereales 148878
## 5 Hortalizas 146924
## 6 Cultivos tropicales tradicionales 36557
## 7 Leguminosas 4233
## 8 Cultivos para condimentos, bebidas medicinales y aromát… 82Los cultivos mas representativos de los años 2019 y 2023 segun las evaluaciones EVA fueron los frutales, las raices y tubercos,las oleaginosas y los cereales
new.eva %>% group_by(Grupocultivo) %>% summarize(`total_produccion(t)` = sum(`Produccion(t)`)) -> PTPT %>%
filter(`total_produccion(t)` > 1000000) -> main.groupsSuma de los cultivos mas representativos en toneladas(t)
(value = sum(main.groups$`total_produccion(t)`))## [1] 1575894Podemos observar que el total de la suma de estos 4 cultivos (frutales,raices,tuberculos, oleaginosas y cereales ) no da un valor de 1.575.894 toneladas en los años 2019 y 2023
A continuacion podremos observar un diagrama de torta con el cultivo mas representativo
main.groups$percent = main.groups$`total_produccion(t)`/valuePT <- PT %>%
mutate(percentage = (`total_produccion(t)` / sum(`total_produccion(t)`)) * 100)bp<- ggplot(main.groups, aes(x="", y=percent, fill=Grupocultivo))+
geom_bar(stat = "identity", width = 1, color = "white") +
coord_polar("y", start = 0)+ theme_void() + labs(title = "Distribucion de Produccion por Grupocultivo", fill = "Grupocultivo") + theme(plot.title = element_text(hjust = 0.5, size = 14, face = "bold"),
legend.title = element_text(hjust = 0.5),
legend.text = element_text(size = 10),
plot.margin = margin(20, 20, 20, 20) )
# Piechart
pie <- bp + coord_polar("y", start=0)## Coordinate system already present. Adding new coordinate system, which will
## replace the existing one.pie
#2.2 Municipios Lideres En Produccion De Cada Cultivo En El Año 2019 Y 2023
new.eva %>%
group_by(Grupocultivo, Municipio) %>%
summarize(`total_produccion(t)` = sum(`Produccion(t)`, na.rm = TRUE)) %>%
slice(which.max(`total_produccion(t)`)) %>%
arrange(desc(`total_produccion(t)`)) -> lideres## `summarise()` has grouped output by 'Grupocultivo'. You can override using the
## `.groups` argument.lideres## # A tibble: 8 × 3
## # Groups: Grupocultivo [8]
## Grupocultivo Municipio `total_produccion(t)`
## <chr> <chr> <dbl>
## 1 Frutales Zona Ban… 912712
## 2 Oleaginosas Zona Ban… 99221
## 3 Raíces y tubérculos San Zenón 90880
## 4 Hortalizas Sitionue… 45212
## 5 Cereales El Retén 23781
## 6 Cultivos tropicales tradicionales Fundación 13607
## 7 Leguminosas Sitionue… 584
## 8 Cultivos para condimentos, bebidas medicinale… Fundación 82Como podemos observar los Municipios lideres en producción fuerón Zona Bananera como primer y segundo lugar destacando con frutrales y oleaginosas y San zesón en tercer lugar, destacando en raíces y tubérculos
#2.3 Vista Agrícola En Los Municipios Lideres
lideres %>%
filter(`total_produccion(t)` > 50000) -> lideres.principaleslibrary(scales)##
## Adjuntando el paquete: 'scales'## The following object is masked from 'package:purrr':
##
## discard## The following object is masked from 'package:readr':
##
## col_factorp <- ggplot(data = lideres.principales, aes(x = reorder(Municipio, -`total_produccion(t)`), y = `total_produccion(t)`)) +
geom_bar(stat = "identity", fill = "steelblue") +
labs(
title = "Municipios Lideres en Produccion Agricola en el Magdalena ",
x = "Municipio",
y = "Produccion Total (t)"
) +
theme_minimal() +
theme(
axis.text.x = element_text(angle = 45, hjust = 1),
plot.title = element_text(hjust = 0.5))+ scale_y_continuous(labels = label_comma())
p
2.4 Cultivo Más Representativas Según Área Sembrada Y Cosechada En Los Años 2019 Y 2023
especies_representativas <- new.eva %>%
filter(`Areasembrada(ha)` > 0, `Area_cosechada(ha)` > 0) %>% # Filtrar valores mayores a cero
group_by(Cultivo, Grupocultivo) %>% # Agrupar por Cultivo y Grupocultivo
summarize(
`total_Areasembrada(ha)` = sum(`Areasembrada(ha)`, na.rm = TRUE), # Sumar área sembrada
`total_Area_Cosechada(ha)` = sum(`Area_cosechada(ha)`, na.rm = TRUE), # Sumar área cosechada
.groups = "drop" # Eliminar los grupos después de la agregación
) %>%
arrange(desc(`total_Area_Cosechada(ha)`)) %>% # Asegúrate de usar el nombre correcto de la columna
slice_head(n = 10) # Seleccionar las primeras 10 filasespecies_representativas %>%
head()## # A tibble: 6 × 4
## Cultivo Grupocultivo total_Areasembrada(h…¹ total_Area_Cosechada…²
## <chr> <chr> <dbl> <dbl>
## 1 Palma de aceite Oleaginosas 92103 80459
## 2 Maíz Cereales 57832 55206
## 3 Yuca Raíces y tubérc… 41212 38304
## 4 Café Cultivos tropic… 37486 34738
## 5 Banano Frutales 34964 31476
## 6 Mango Frutales 10568 8026
## # ℹ abbreviated names: ¹`total_Areasembrada(ha)`, ²`total_Area_Cosechada(ha)`A continuación podemos observar un gráfico de barras con los cultivos más representativos del municipio del Magdalena en el año 2019 y 2023
ggplot(data = especies_representativas,
aes(x = reorder(Cultivo, -`total_Area_Cosechada(ha)`),
y = `total_Area_Cosechada(ha)`, fill = Cultivo)) +
geom_bar(stat = "identity") +
labs(
title = "Top 10 cultivos en Area Cosechada",
x = "Cultivo",
y = "Area Cosechada Total (ha)"
) +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5), # Centrar título
axis.text.x = element_text(angle = 45, hjust = 1) # Rotar etiquetas del eje X
)
2.5 Rendimiento Del Cultivo De Palma De Aceite En Los Años 2019 Y 2023
Palma_de_aceite <- new.eva %>%
filter(Cultivo == "Palma de aceite", Año >= 2019, Año <= 2023) %>% group_by(Año) %>%
summarize(
`Rendimiento_Total(t/ha)` = sum(`Rendimiento(t/ha)`, na.rm = TRUE),
.groups = "drop"
)Palma_de_aceite## # A tibble: 2 × 2
## Año `Rendimiento_Total(t/ha)`
## <dbl> <dbl>
## 1 2019 42.1
## 2 2023 43.3Gráfico de lineas del rendimiento en toneladas por hectárea de palma de aceite del año 2019 y 2023
ggplot(Palma_de_aceite, aes(x = Año, y = `Rendimiento_Total(t/ha)`)) +
geom_line(color = "pink", size = 1) +
geom_point(color = "red", size = 2) +
labs(title = "Rendimiento Total de Palma de Aceite (2019-2023)",
x = "Año",
y = "Rendimiento Total (t/ha)") +
theme_minimal()## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
###Conclusión El Magdalena muestra una diversidad de cultivos importantes que contribuyen significativamente a la produción agricola del departamento. Entre los cultivos analizados, se destacan algunos con un alto rendimiento y áreas cosechadas extensas,lo que refleja la importancia estratégica de estas actividades para la economía y el desarrollo rural de la región. Se identificaron los 10 principales cultivoss con mayor área cosechada, entre los cuales destacan cultivos de raíces, tubérculos y frutas. Estos cultivos reflejan la diversidad agroecológica de la región y la adaptación de los agricultores a diferentes condiciones climáticas y de suelo.
###Bibliograía Lizarazo, I., 2022. Understanding dynamic productivity of crops. Available at https://rpubs.com/ials2un/production_dyn_v1.
EVA 2023. (2023). Upra.gov.co. https://upra.gov.co/es-co/Paginas/eva_2023.aspx