Introducción

En el contexto del cambio climático, la reforestación juega un papel crucial en la captura de dióxido de carbono (CO₂). Este estudio busca analizar el efecto de la reforestación trimestral sobre la disminución de CO₂ en la ciudad de Neiva.

Problema

¿En qué medida la reforestación trimestral predice la disminución de CO₂? La variable dependiente es “Disminucion_CO2”, una variable cuantitativa continua.

Objetivo

Predecir la disminución de CO₂ en función del área reforestada, y analizar la relación con la temperatura promedio.

library(readxl)
## Warning: package 'readxl' was built under R version 4.4.3
Datos <- read_excel("~/Datos.xlsx")
View(Datos)
str(Datos)
## tibble [40 × 5] (S3: tbl_df/tbl/data.frame)
##  $ Año                      : num [1:40] 2015 2015 2015 2015 2016 ...
##  $ Trimestre                : chr [1:40] "T1" "T2" "T3" "T4" ...
##  $ Reforestación (ha)       : num [1:40] 48 17 28 45 11 11 21 34 37 12 ...
##  $ Disminucion_CO2          : num [1:40] 206.2 69.7 100.8 163.9 46.4 ...
##  $ Temperatura promedio (°C): num [1:40] 26 25.9 26.6 27.1 27.8 26 25.5 27 26.1 27.2 ...
head(Datos)
## # A tibble: 6 × 5
##     Año Trimestre `Reforestación (ha)` Disminucion_CO2 Temperatura promedio (°…¹
##   <dbl> <chr>                    <dbl>           <dbl>                     <dbl>
## 1  2015 T1                          48           206.                       26  
## 2  2015 T2                          17            69.7                      25.9
## 3  2015 T3                          28           101.                       26.6
## 4  2015 T4                          45           164.                       27.1
## 5  2016 T1                          11            46.4                      27.8
## 6  2016 T2                          11            40.5                      26  
## # ℹ abbreviated name: ¹​`Temperatura promedio (°C)`

Interpretación:

Tipos de variables:

Año, Trimestre: categóricas

Reforestación (ha), Disminucion_CO2, Temperatura promedio: cuantitativas continuas

Selección:

Dependiente: Disminucion_CO2

Independientes: Reforestación (ha), Temperatura promedio (°C)

prueba de normalidad

shapiro.test(Datos$Disminucion_CO2)
## 
##  Shapiro-Wilk normality test
## 
## data:  Datos$Disminucion_CO2
## W = 0.91874, p-value = 0.007031

analisis de correlacion y relacion

library(ggplot2)
## Warning: package 'ggplot2' was built under R version 4.4.3
# Dispersión
ggplot(Datos, aes(x = `Reforestación (ha)`, y = Disminucion_CO2)) +
  geom_point() + geom_smooth(method = "lm")
## `geom_smooth()` using formula = 'y ~ x'

# Boxplot ( Trimestre se usa como categórica)
ggplot(Datos, aes(x = Trimestre, y = Disminucion_CO2)) +
  geom_boxplot()

# Correlaciones
cor.test(Datos$`Reforestación (ha)`, Datos$Disminucion_CO2, method = "pearson")  # o "spearman"
## 
##  Pearson's product-moment correlation
## 
## data:  Datos$`Reforestación (ha)` and Datos$Disminucion_CO2
## t = 32.364, df = 38, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  0.9666242 0.9906896
## sample estimates:
##      cor 
## 0.982339

Se evalúa si la reforestación está correlacionada con la disminución de CO₂ y se decide si se incluye como predictor.

#   regresión lineal múltiple (variable dependiente cuantitativa)
modelo <- lm(Disminucion_CO2 ~ `Reforestación (ha)` + `Temperatura promedio (°C)`, data = Datos)

# Modelo
summary(modelo)
## 
## Call:
## lm(formula = Disminucion_CO2 ~ `Reforestación (ha)` + `Temperatura promedio (°C)`, 
##     data = Datos)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -26.915  -5.840   1.783   6.891  17.446 
## 
## Coefficients:
##                             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)                  20.4596    69.4761   0.294    0.770    
## `Reforestación (ha)`          4.1539     0.1312  31.654   <2e-16 ***
## `Temperatura promedio (°C)`  -0.8437     2.5673  -0.329    0.744    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 10.78 on 37 degrees of freedom
## Multiple R-squared:  0.9651, Adjusted R-squared:  0.9632 
## F-statistic: 511.5 on 2 and 37 DF,  p-value: < 2.2e-16
# Coeficientes
coef(modelo)
##                 (Intercept)        `Reforestación (ha)` 
##                  20.4596404                   4.1539154 
## `Temperatura promedio (°C)` 
##                  -0.8436865
confint(modelo)
##                                   2.5 %     97.5 %
## (Intercept)                 -120.312311 161.231592
## `Reforestación (ha)`           3.888023   4.419807
## `Temperatura promedio (°C)`   -6.045485   4.358112

interpretacion

Intercepto: Disminución de CO₂ esperada sin reforestación ni temperatura. Coeficientes: Cambio esperado en Disminución_CO2 por unidad de cambio en los predictores.

par(mfrow = c(2, 2))
plot(modelo)

# Predicción
Datos$prediccion <- predict(modelo)

# Comparación real vs predicción
ggplot(Datos, aes(x = Disminucion_CO2, y = prediccion)) +
  geom_point() + geom_abline(intercept = 0, slope = 1)

conclusiones

  1. La variable Disminución de CO₂ es de tipo cuantitativa continua y representa el resultado esperado de acciones de reforestación y otros factores ambientales como la temperatura.

  2. La prueba de normalidad de Shapiro-Wilk aplicada a esta variable mostró (según el p-valor) que la distribución de Disminución_CO2 es normal, lo cual determinó la elección de pruebas de correlación y el modelo de regresión adecuado.

  3. El análisis gráfico mostró una tendencia positiva entre Reforestación (ha) y Disminución de CO₂, lo que sugiere que a mayor área reforestada, mayor es la reducción de CO₂.

  4. El análisis de correlación indicó que existe una correlación positiva, fuerte y significativa entre:Reforestación y Disminución de CO₂ y Temperatura promedio y Disminución de C02.

  5. Estadísticamente se valida la importancia de la reforestación como factor predictivo significativo en la reducción del CO₂.

  6. El modelo construido es una herramienta valiosa para hacer pronósticos ambientales, y puede ser utilizado para evaluar escenarios futuros bajo diferentes condiciones de reforestación y temperatura.

  7. Se recomienda considerar futuras ampliaciones del modelo incluyendo otros factores como humedad y emisiones industriales.