---
title: "dashboard_Latam_agricola"
author: "Yoselin N Cardona, Jairo H Gonzales y Jhonnier A Hernandez"
date: "2025-11-25"
output:
flexdashboard::flex_dashboard:
orientation: rows
social: menu
source_code: embed
---
Introduction
=====================================
### 🌎 Agricultura y seguridad alimentaria en América Latina y Estados Unidos
La **FAO** recopila datos esenciales para comprender la producción agrícola mundial y anticipar riesgos en la **seguridad alimentaria**.
En un mundo con más de 8 mil millones de personas, contar con información precisa sobre alimentos no es solo una necesidad técnica, sino una prioridad humanitaria.
América es una región clave porque:
- Produce entre el **25% y 27% de los alimentos del planeta**
- Es líder en aguacate, banano, azúcar y nueces
- Su agricultura sostiene a millones de familias rurales
Sin embargo, enfrenta desafíos como deforestación, desigualdad alimentaria y efectos del cambio climático.
Por eso, analizar datos de la FAO permite identificar tendencias y entender cómo evoluciona la capacidad productiva de la región.
---
### 🗺️ FamiliaRural
```{r, echo=FALSE}
knitr::include_graphics("familiarural.jpg")
```
---
Histogramas
=====================================
### Producción total por tipo de cultivo (Toneladas)
```{r setup}
# Librerías necesarias
library(dplyr)
library(ggplot2)
library(tidyr)
library(readr)
# Cargar datos
data_raw <- read_csv("FAOSTAT_limpio.csv")
# Normalizar columnas
colnames(data_raw) <- c("Country", "Crop", "Year", "Production_tonnes")
# Filtrar cultivos de interés
cultivos_interes <- c(
"Avocado", "Aguacate",
"Banana", "Bananas", "Banano",
"Sugar beet", "Azúcar de remolacha",
"Brazil nut", "Brazil nuts", "Nuez del Brazil"
)
data <- data_raw %>%
filter(Crop %in% cultivos_interes)
# Crear nombres estandarizados
data <- data %>%
mutate(Crop_clean = case_when(
Crop %in% c("Avocado", "Aguacate") ~ "Avocado",
Crop %in% c("Banana", "Bananas", "Banano") ~ "Banana",
Crop %in% c("Sugar beet", "Azúcar de remolacha") ~ "Sugar beet",
Crop %in% c("Brazil nut", "Brazil nuts", "Nuez del Brazil") ~ "Brazil nut",
TRUE ~ Crop
))
```
Row
-------------------------------------
### 🌱 Producción total acumulada por cultivo
```{r}
data %>%
group_by(Crop_clean) %>%
summarise(Total_Production = sum(Production_tonnes, na.rm = TRUE)) %>%
ggplot(aes(x = reorder(Crop_clean, Total_Production),
y = Total_Production)) +
geom_col(fill = "#3498DB", width = 0.7) +
coord_flip() +
labs(title = "Producción total por cultivo (Toneladas)",
x = "Cultivo",
y = "Total producción (Ton)") +
theme_minimal(base_size = 14)
```
Países productores
=====================================
### 🏆 ¿Qué país tiene mayor producción agrícola?
```{r}
data %>%
group_by(Country) %>%
summarise(Total_Production = sum(Production_tonnes, na.rm = TRUE)) %>%
arrange(desc(Total_Production)) %>%
ggplot(aes(x = reorder(Country, Total_Production),
y = Total_Production)) +
geom_col(fill = "#2ECC71", width = 0.7) +
coord_flip() +
labs(title = "Producción total agrícola por país",
x = "País",
y = "Total producción (Ton)") +
theme_minimal(base_size = 14)
```
KPIs
=====================================
### 🏆 Indicadores clave de producción agrícola en LATAM
```{r}
# Calcular producción total por país
country_prod <- data %>%
group_by(Country) %>%
summarise(Total = sum(Production_tonnes, na.rm = TRUE))
# País campeón (máxima producción)
pais_campeon <- country_prod %>% top_n(1, Total)
# Producción total de la región
total_region <- sum(country_prod$Total)
# % aporte del país campeón
porcentaje_campeon <- round(pais_campeon$Total / total_region * 100, 2)
pais_campeon
porcentaje_campeon
```
### 🥇 País con mayor producción
**`r pais_campeon$Country`**
### 🌎 Aporte a la producción regional
**`r porcentaje_campeon` %**
Mapa de calor
=====================================
### 🔥 Mapa de calor por país (producción total)
```{r}
library(ggplot2)
library(maps)
# Cargar mapa mundial
world <- map_data("world")
# Filtrar solo países de LATAM según tu dataset
latam_prod <- data %>%
group_by(Country) %>%
summarise(Total = sum(Production_tonnes, na.rm = TRUE))
# Unir con el mapa (requiere nombres iguales)
map_latam <- world %>%
filter(region %in% latam_prod$Country) %>%
left_join(latam_prod, by = c("region" = "Country"))
ggplot(map_latam, aes(long, lat, group = group, fill = Total)) +
geom_polygon(color = "white") +
scale_fill_gradient(low = "#AEDFF7", high = "#08519C") +
labs(title = "Mapa de calor de producción agrícola",
fill = "Toneladas") +
theme_minimal()
```
Mapa interactivo
=====================================
### 🗺️ Mapa interactivo de producción agrícola (Leaflet)
```{r}
library(leaflet)
# Coordenadas aproximadas de países LATAM
coords <- data.frame(
Country = c("Brazil","Colombia","Peru","Chile","Argentina","Mexico","Ecuador","Bolivia","Venezuela","Uruguay","Paraguay","Guatemala","Costa Rica","Panama","Cuba","Nicaragua","El Salvador","Honduras"),
lat = c(-14,-4,-9,-35,-38,23,-1,-17,7,-32,-23,15,10,8,21,13,13,15),
lon = c(-52,-74,-75,-71,-64,-102,-78,-65,-66,-56,-58,-90,-84,-80,-79,-85,-89,-86)
)
# Sumar producción por país
prod_country <- data %>%
group_by(Country) %>%
summarise(Total = sum(Production_tonnes, na.rm = TRUE))
# Unir coordenadas con datos
map_data <- left_join(coords, prod_country, by = "Country")
leaflet(map_data) %>%
addTiles() %>%
addCircleMarkers(
~lon, ~lat,
radius = ~log(Total + 1),
color = "green",
fillOpacity = 0.7,
popup = ~paste("<b>", Country, "</b><br>",
"Producción total: ", round(Total), " ton")
)
```
Serie temporal
=====================================
### 📈 Evolución de la producción agrícola
```{r}
data %>%
group_by(Year, Country) %>%
summarise(Total = sum(Production_tonnes, na.rm = TRUE)) %>%
ggplot(aes(x = Year, y = Total, color = Country)) +
geom_line(size = 1) +
labs(title = "Serie temporal de producción agrícola por país",
x = "Año",
y = "Toneladas") +
theme_minimal(base_size = 14)
```
Países productores =====================================
