Informe 1: Estudio Longitudinal de la Evolución de las Áreas Selváticas 1990-2022 en Estados Unidos de Ámerica, Rusia, China y Brasil.
Mario Germán Sánchez Maya
2025-01-23
Introducción
Con el cambio climático respirándonos en la nuca es necesario tomar conciencia de las condiciones actuales de uno de los equilibradores más significativos de los ecositemas que existen en el planeta tierra: Las selvas. En este contexto se engloba en esta categoría a los diversos cuerpos de vegetación terrestre contigua compuesta por árboles o alguna de sus variaciones.
Esto para poder tomar acción de forma directa o indirecta y así mitigar los cambios abruptos que se han estado presentando en forma de desastres naturales y extinciones masivas.
Datos
Se han extraido los datos del Grupo Banco Mundial, estos indican año a año el área en kilometros cuadrados de bosque selvatico en los paises de interes y muchos otros.
Se han elegido a Estados Unidos de Ámerica, Rusia, China y Brasil para este estudio debido a su gran extensión territorial, su influencia en el panorama y otros factores, como que en Brasil se encuentre albergada la selva amazónica.
# Cargar las librerías necesarias
library(readxl)
library(ggplot2)
library(tidyr)
library(dplyr)
# Leer el archivo
area_selvas <- read_excel("C:/Users/mario/Downloads/area_selvas.xlsx")area_selvas_subset <- area_selvas[c(30, 252, 203, 41), 3:35]
library(tidyr)
library(kableExtra)
area_selvas_long <- area_selvas_subset %>%
mutate(pais = c("Brasil", "Estados Unidos", "Rusia", "China")) %>%
pivot_longer(cols = -pais, names_to = "año", values_to = "area_selva") %>%
mutate(año = as.numeric(gsub("[^0-9]", "", año))) # Extraer los años como números
library(table1)
labels <- list(
pais = "País",
area_selva = "Área Selvática (hectáreas)"
)
table1(~ area_selva | pais, data = area_selvas_long, topclass="Rtable1-grid Rtable1-shade Rtable1-times", transpose=TRUE)| area_selva | |
|---|---|
| Brasil (N=33) |
: Mean (SD): 5330000 (307000) Median [Min, Max]: 5270000 [4940000, 5890000] Missing: 0 (0%) |
| China (N=33) |
: Mean (SD): 1910000 (207000) Median [Min, Max]: 1910000 [1570000, 2240000] Missing: 0 (0%) |
| Estados Unidos (N=33) |
: Mean (SD): 3060000 (29800) Median [Min, Max]: 3070000 [3020000, 3100000] Missing: 0 (0%) |
| Rusia (N=33) |
: Mean (SD): 8130000 (26800) Median [Min, Max]: 8130000 [8090000, 8150000] Missing: 2 (6.1%) |
| Overall (N=132) |
: Mean (SD): 4550000 (2370000) Median [Min, Max]: 3100000 [1570000, 8150000] Missing: 2 (1.5%) |
A continuación se muestra una tabla que indica los incrementos anuales de la superficie selvática en los paises de interés.
# Cargar las librerías necesarias
library(tidyr)
library(dplyr)
library(flextable)
library(knitr)
# Crear el subconjunto de datos
area_selvas_subset <- area_selvas[c(30, 252, 203, 41), 3:35]
# Transformar los datos a formato largo
area_selvas_long <- area_selvas_subset %>%
mutate(pais = c("Brasil", "Estados Unidos", "Rusia", "China")) %>%
pivot_longer(cols = -pais, names_to = "año", values_to = "area_selva") %>%
mutate(año = as.numeric(gsub("[^0-9]", "", año))) # Extraer los años como números
# Calcular las tasas de incremento anual
area_selvas_long <- area_selvas_long %>%
group_by(pais) %>%
arrange(año) %>%
mutate(incremento_anual = round((area_selva - lag(area_selva)) / lag(area_selva) * 100, 2)) %>%
ungroup()
# Crear tabla con formato específico
tabla <- area_selvas_long %>%
select(País = pais, Año = año, `Incremento Anual (%)` = incremento_anual) %>%
mutate(`Incremento Anual (%)` = round(`Incremento Anual (%)`, 2)) %>%
kable("html", escape = FALSE) %>%
kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover", "condensed", "responsive"), font_size = 14)
# Mostrar tabla
tabla| País | Año | Incremento Anual (%) |
|---|---|---|
| Brasil | 1990 | NA |
| Estados Unidos | 1990 | NA |
| Rusia | 1990 | NA |
| China | 1990 | NA |
| Brasil | 1991 | -0.64 |
| Estados Unidos | 1991 | 0.04 |
| Rusia | 1991 | NA |
| China | 1991 | 1.26 |
| Brasil | 1992 | -0.65 |
| Estados Unidos | 1992 | 0.04 |
| Rusia | 1992 | NA |
| China | 1992 | 1.25 |
| Brasil | 1993 | -0.65 |
| Estados Unidos | 1993 | 0.04 |
| Rusia | 1993 | 0.00 |
| China | 1993 | 1.23 |
| Brasil | 1994 | -0.65 |
| Estados Unidos | 1994 | 0.04 |
| Rusia | 1994 | 0.00 |
| China | 1994 | 1.22 |
| Brasil | 1995 | -0.66 |
| Estados Unidos | 1995 | 0.04 |
| Rusia | 1995 | 0.00 |
| China | 1995 | 1.20 |
| Brasil | 1996 | -0.66 |
| Estados Unidos | 1996 | 0.04 |
| Rusia | 1996 | 0.00 |
| China | 1996 | 1.19 |
| Brasil | 1997 | -0.67 |
| Estados Unidos | 1997 | 0.04 |
| Rusia | 1997 | 0.00 |
| China | 1997 | 1.17 |
| Brasil | 1998 | -0.67 |
| Estados Unidos | 1998 | 0.04 |
| Rusia | 1998 | 0.00 |
| China | 1998 | 1.16 |
| Brasil | 1999 | -0.68 |
| Estados Unidos | 1999 | 0.04 |
| Rusia | 1999 | 0.00 |
| China | 1999 | 1.15 |
| Brasil | 2000 | -0.68 |
| Estados Unidos | 2000 | 0.04 |
| Rusia | 2000 | 0.00 |
| China | 2000 | 1.13 |
| Brasil | 2001 | -0.72 |
| Estados Unidos | 2001 | 0.17 |
| Rusia | 2001 | 0.07 |
| China | 2001 | 1.33 |
| Brasil | 2002 | -0.72 |
| Estados Unidos | 2002 | 0.17 |
| Rusia | 2002 | 0.07 |
| China | 2002 | 1.32 |
| Brasil | 2003 | -0.73 |
| Estados Unidos | 2003 | 0.17 |
| Rusia | 2003 | 0.07 |
| China | 2003 | 1.30 |
| Brasil | 2004 | -0.73 |
| Estados Unidos | 2004 | 0.17 |
| Rusia | 2004 | 0.07 |
| China | 2004 | 1.28 |
| Brasil | 2005 | -0.74 |
| Estados Unidos | 2005 | 0.17 |
| Rusia | 2005 | 0.07 |
| China | 2005 | 1.27 |
| Brasil | 2006 | -0.74 |
| Estados Unidos | 2006 | 0.17 |
| Rusia | 2006 | 0.07 |
| China | 2006 | 1.25 |
| Brasil | 2007 | -0.75 |
| Estados Unidos | 2007 | 0.17 |
| Rusia | 2007 | 0.07 |
| China | 2007 | 1.24 |
| Brasil | 2008 | -0.75 |
| Estados Unidos | 2008 | 0.17 |
| Rusia | 2008 | 0.07 |
| China | 2008 | 1.22 |
| Brasil | 2009 | -0.76 |
| Estados Unidos | 2009 | 0.17 |
| Rusia | 2009 | 0.07 |
| China | 2009 | 1.21 |
| Brasil | 2010 | -0.77 |
| Estados Unidos | 2010 | 0.17 |
| Rusia | 2010 | 0.07 |
| China | 2010 | 1.19 |
| Brasil | 2011 | -0.30 |
| Estados Unidos | 2011 | 0.09 |
| Rusia | 2011 | -0.01 |
| China | 2011 | 0.97 |
| Brasil | 2012 | -0.30 |
| Estados Unidos | 2012 | 0.09 |
| Rusia | 2012 | -0.01 |
| China | 2012 | 0.96 |
| Brasil | 2013 | -0.30 |
| Estados Unidos | 2013 | 0.09 |
| Rusia | 2013 | -0.01 |
| China | 2013 | 0.95 |
| Brasil | 2014 | -0.30 |
| Estados Unidos | 2014 | 0.09 |
| Rusia | 2014 | -0.01 |
| China | 2014 | 0.94 |
| Brasil | 2015 | -0.30 |
| Estados Unidos | 2015 | 0.09 |
| Rusia | 2015 | -0.01 |
| China | 2015 | 0.93 |
| Brasil | 2016 | -0.36 |
| Estados Unidos | 2016 | 0.00 |
| Rusia | 2016 | 0.02 |
| China | 2016 | 1.03 |
| Brasil | 2017 | -0.40 |
| Estados Unidos | 2017 | -0.10 |
| Rusia | 2017 | 0.02 |
| China | 2017 | 0.88 |
| Brasil | 2018 | -0.21 |
| Estados Unidos | 2018 | 0.00 |
| Rusia | 2018 | 0.00 |
| China | 2018 | 0.88 |
| Brasil | 2019 | -0.25 |
| Estados Unidos | 2019 | 0.00 |
| Rusia | 2019 | 0.00 |
| China | 2019 | 0.87 |
| Brasil | 2020 | -0.24 |
| Estados Unidos | 2020 | 0.00 |
| Rusia | 2020 | 0.00 |
| China | 2020 | 0.86 |
| Brasil | 2021 | -0.25 |
| Estados Unidos | 2021 | 0.00 |
| Rusia | 2021 | 0.00 |
| China | 2021 | 0.85 |
| Brasil | 2022 | -0.24 |
| Estados Unidos | 2022 | 0.00 |
| Rusia | 2022 | 0.00 |
| China | 2022 | 0.85 |
# Cargar librerías necesarias
library(ggplot2)
library(tidyr)
# Seleccionar las filas y columnas de interés (1990-2022 corresponde a las columnas 3:35)
area_selvas_subset <- area_selvas[c(30, 252, 203, 41), 3:35]
# Añadir los nombres de los países como una columna
area_selvas_subset <- area_selvas_subset %>%
mutate(pais = c("Brasil", "Estados Unidos", "Rusia", "China"))
# Convertir los datos al formato largo para ggplot
area_selvas_long <- area_selvas_subset %>%
pivot_longer(cols = -pais, names_to = "año", values_to = "area_selva") %>%
mutate(año = as.numeric(gsub("[^0-9]", "", año))) # Extraer los años como números
# Crear el gráfico con ggplot2
ggplot(data = area_selvas_long, aes(x = año, y = area_selva, color = pais)) +
geom_line(size = 1.2) +
geom_point(size = 2) +
labs(
title = "Evolución de las Áreas Selváticas (1990-2022)",
x = "Año",
y = "Área Selvática (km^2)",
color = "País"
) +
theme_minimal() +
theme(
plot.title = element_text(size = 16, face = "bold", hjust = 0.5),
axis.title = element_text(size = 14),
legend.title = element_text(size = 12),
legend.text = element_text(size = 10)
)
Po otro lado, también se puede hacer una exploración de la serie de tiempo para apreciar la evolución de la extensión de las selvas de cada uno de los paises, esto de forma estática y dinámica.
Resultados
Se logra observar que hay tanto comportamientos decrecientes como crecientes, lo que puede indicar que los paises pueden tener intereses diferentes en este ámbito.
Conclusiones
Según lo observado, no hay una politica común a favor de la conservación y aumento en las extensiones selváticas de los paises.
Brasil está teniendo un decrecimiento demasiado marcado de su extensión total de bosques.
Apéndice
Buenas prácticas y consejos de Markdown
Carga de datos desde Excel: No copiar View() de los documentos de Excel.
(table1) sirve para discriminar datos entre categoricos y numericos.
as.numeric() sirve para asegurarse que se interpreten los datos de forma numerica.
Colocar y quitar códigos, show-hide.
Quitar mensajes de alerta (desactivar).