Introducción

En este cuaderno se va a ajuntar los datos estadísticos agrícolas de EVA 2019-2025 proporcionados por UPRA en https://upra.gov.co/es-co/Evas_Documentos/BaseEVA_Agr%C3%ADcola20192022.xlsx.

El archivo fue descargado previamente y se eliminaron los encabezados y renombrado las columnas para poder leerlo desde R, teniendo en cuenta no dejar espacios en blanco ni caracteres extraños en los nombres de las columnas.

#Iniciamos limpiando la memoria temporal:

rm(list=ls())

Se cargan las librerias necesarias:

library(readxl)
library(readr)
## Warning: package 'readr' was built under R version 4.5.3
library(dplyr)
## Warning: package 'dplyr' was built under R version 4.5.3
## 
## Adjuntando el paquete: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

Buscamos los nombres de los achivos que están en el mismo directorio que este cuaderno

list.files()
##  [1] "aspect_col.tif"                 "aspect_col.tif.aux.xml"        
##  [3] "BaseAgricola20192025.xlsx"      "Cuaderno_2.html"               
##  [5] "Cuaderno_2.knit.md"             "Cuaderno_2.nb.html"            
##  [7] "Cuaderno_2.Rmd"                 "CuadernoEVA.nb.html"           
##  [9] "CuadernoEVA.Rmd"                "DEM.qgz"                       
## [11] "Elevacion_col_9377.tif"         "Elevacion_col_9377.tif.aux.xml"
## [13] "EVA_19_25.xlsx"                 "EVA2025.xlsx"                  
## [15] "Figs"                           "pendiente_col.tif"             
## [17] "pendiente_col.tif.aux.xml"      "slope_temporal.tif"            
## [19] "slope_temporal.tif.aux.xml"     "stder_frutales_2022.csv"

En este caso el archivo corregido es EVA_19_25.xlsx, ahora procedemos a mirar cuantas hojas tiene ya que es un archivo de excel:

hojas <- excel_sheets("EVA_19_25.xlsx")
hojas
## [1] "Datos"

Leemos la hoja:

EVA19_25 <- read_excel("EVA_19_25.xlsx")
EVA19_25

Filtramos nuestra base de datos para el departamento de Magdalena

(stder19_25 = dplyr::filter(EVA19_25, departamento == "Magdalena"))

Filtramos los datos de 2022

(stder_25 = dplyr::filter(stder19_25, anho == 2022))

Ahora, seleccionemos solo el grupo de cultivos sw Frutales y resumamos la producción por municipio:

stder_25 %>%
  group_by(codigoMunicipio, municipio, grupo_especie) %>%
  filter(grupo_especie=='Frutales') %>% 
  summarize(max_prod = max(produccion, na.rm = TRUE)) %>%
  arrange(desc(max_prod)) -> frutales2022
## `summarise()` has regrouped the output.
## ℹ Summaries were computed grouped by codigoMunicipio, municipio, and
##   grupo_especie.
## ℹ Output is grouped by codigoMunicipio and municipio.
## ℹ Use `summarise(.groups = "drop_last")` to silence this message.
## ℹ Use `summarise(.by = c(codigoMunicipio, municipio, grupo_especie))` for
##   per-operation grouping (`?dplyr::dplyr_by`) instead.
frutales2022

Usamos la biblioteca readr para guardar nuestros datos en formato csv

write_csv(frutales2022, "stder_frutales_2022.csv")

Confirmamos que el archivo fue creado:

list.files()
##  [1] "aspect_col.tif"                 "aspect_col.tif.aux.xml"        
##  [3] "BaseAgricola20192025.xlsx"      "Cuaderno_2.html"               
##  [5] "Cuaderno_2.nb.html"             "Cuaderno_2.Rmd"                
##  [7] "CuadernoEVA.nb.html"            "CuadernoEVA.Rmd"               
##  [9] "DEM.qgz"                        "Elevacion_col_9377.tif"        
## [11] "Elevacion_col_9377.tif.aux.xml" "EVA_19_25.xlsx"                
## [13] "EVA2025.xlsx"                   "Figs"                          
## [15] "pendiente_col.tif"              "pendiente_col.tif.aux.xml"     
## [17] "slope_temporal.tif"             "slope_temporal.tif.aux.xml"    
## [19] "stder_frutales_2022.csv"

Leemos el archivo para comprobar los datos:

los_datos22 <- read_csv("stder_frutales_2022.csv")
## Rows: 24 Columns: 4
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (2): municipio, grupo_especie
## dbl (2): codigoMunicipio, max_prod
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
los_datos22

Como la columna codigoMunicipio ahora es de tipo double, es decir, numérico. la cambiamos con la función mutate:

los_datos22 %>% mutate(codigoMunicipio = as.character(codigoMunicipio)) -> nuevos_datos22 
head(nuevos_datos22)

De acuerdo con la reseña de la publicación en la Plataforma de conocimientos sobre agricultura familiar de la Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO, 2022):

“El mango de azúcar es un fruto pequeño, de color amarillo a rojo en su madurez, aroma y sabor dulce y agradable y bajo contenido de fibra. Todas estas características lo convierten en una fruta muy apetecida en todo el país, un postre saludable, del tamaño adecuado para ser llevado y consumido en el camino, en la lonchera, en el trabajo. Un fruto de mango de azúcar contiene la cantidad justa de energía para animarnos en la jornada y dar placer a los sentidos. Entre todos los mangos de azúcar de Colombia, ninguno se iguala al del Magdalena, su cuna, su nicho, el lugar que le da el color, olor, sabor e identidad. El mango de azúcar cultivado en las planicies y lomas, entre la Sierra Nevada de Santa Marta y el mar Caribe, recibe la cantidad justa de lluvia, sol y nutrientes para ser un manjar exquisito. La importancia de este mango para la economía del departamento del Magdalena y su identidad colectiva como sociedad, nos inspiró para generar esta publicación. El Modelo productivo de mango de azúcar (Mangifera indica L.) para el departamento del Magdalena recopila el contexto del área de influencia, manejo agronómico y aspectos técnicos del cultivo, así como lo relacionado con la cosecha, poscosecha y transformación básica, de tal manera que los agricultores puedan tener una guía para el manejo adecuado del sistema productivo. Así mismo, la correcta aplicación de las tecnologías, con base en procesos documentados y a cargo de personal capacitado, garantizará una innovación enfocada en la sustentabilidad ambiental de los procesos productivos. Se espera que el documento sea una herramienta útil de consulta para los técnicos y productores, que contribuya al fortalecimiento del sistema productivo de mango de azúcar y que mejore la competitividad del cultivo.” (párr. 1).

Referencia Bibliográfica: Organización de las Naciones Unidas para la Alimentación y la Agricultura [FAO]. (2022). Modelo productivo de mango de azúcar (Mangifera indica L.) para el departamento del Magdalena. Plataforma de conocimientos sobre agricultura familiar. https://www.fao.org/family-farming/detail/es/c/1670443/