Introducción

“El que posee el suelo, posee hacia arriba hasta los cielos” Décimo Junio Juvenal

“La innovación es clave para mejorar la productividad, la sostenibilidad y la resiliencia en la alimentación y la agricultura”(OECD, 2020). La agricutura 4.0 buscar lograr esto mediante herramientas tecnológicas para optimizar el uso de recursos. Una de estas herramientas es la agricultura basada en datos. La agricultura basada en datos, o data driven agriculture, es el uso adecuado de la ciencia de datos para ayudar a promover la agricultura de precisión. Es decir, consiste en el manejo correcto de los datos adecuados en el momento adecuado para lograr oua toma de deicisones mas optima que apoyen la sostenibilidad a largo plazo. A pesar de lo maravilloso que es este impulso en la agricultura, trae consigo ciertas desventajas, como el exceso de cultivos.

Antecedentes

“Desde la época prehispánica, el maíz es el cultivo más importante de México. Probablemente tuvo su origen en nuestro país y de aquí su cultivo se extendió a América del Norte y hasta Argentina.” (Galarza, J., 2005) A traves de los años el cultivo del maíz en México se ha convertido en una actividad vital para la sobrevivencia de la familia campesina. El maíz es el cultivo más sensible y, de la agricultura, el que más afecta a la economía. Es por esto que aumentar la productividad de este grano es uno de los grandes retos de la agricultura de precisión, pero estos aumentos se lo debemos a Norman Borlaug, que logro la Revolución Verde. La Revolución Verde tuvo lugar entre 1945 y 1970, y consistió en utilizar variedades mejoradas principalmente de trigo y maíz, y la aplicación de fertilizantes y plaguicidas. Con estas variedades y procedimientos, la producción logró ser hasta cinco veces superior que con las técnicas y variedades tradicionales de cultivo.

Pero aumentar su rendimiento ha traído consigo ciertas desventajas.

Objetivos

Teoría

Nuestra teoría es que lo producido juega mucho en el factor de que si un cultivo es sobre producido, este tiende a perder su valor. También queremos analizar si los factores geográficos juegan un papel importante o agregan valor al producto que se está vendiendo, comparando los estados de Sonora y Sinaloa en esta ocasión. Con los datos obtenidos pretendemos analizar a futuro, que cultivo va tener mayor remuneración, aparte de aconsejar a los agricultores en que cultivo deberían de ponerle más empeño, y cual deberían de bajar los esfuerzos. Sin embargo, en este caso solo analizaremos los 10 primeros cultivos de cada año de cada estado.

Método

Para hacer un buen comparativo sobre las magnitudes absolutas de los cultivos, utilizaremos una gráfica de barras, donde mostraremos los 10 primeros cultivos con mayor valor remunerativo de cada año y de cada estado. Así podremos predecir mediante los datos de años anteriores, lo producido contrastado con el precio del que se vendió, cuál será en el futuro el cultivo que tendrá mayor valor en relación a lo que se cosechó. Pero para realizar un mejor análisis a futuro, utilizaremos una gráfica de LOESS, donde se hace una regresión local y que nos ayuda a predecir mediante la ponderación, además de que nos ayudará analizar a profundidad las tendencias de los datos que estamos modelando. Por último, volveremos a utilizar la gráfica de barras y un gráfico de caja y bigote, para analizar el valor-producción de cada estado.

Resultados

## `summarise()` regrouping output by 'Anio', 'Nomestado' (override with `.groups` argument)

Sinaloa 2019

Sinaloa 2018

Sinaloa 2017

Sinaloa 2016

Sinaloa 2015

Sonora 2019

Sonora 2018

Sonora 2017

Sonora 2016

Sonora 2015

## `geom_smooth()` using formula 'y ~ x'

## `geom_smooth()` using formula 'y ~ x'

## `summarise()` regrouping output by 'Anio' (override with `.groups` argument)

# Resultados y discusión

Conclusión

Download AvanceProyecto.Rmd

Bibliografía

Una revolución mundial que inició en sonora | Casa de las Ideas. (2019). Retrieved 9 July 2020, from http://www.casadelasideas.com/recientes/una-revolucion-mundial-que-inicio-en-sonora/#:~:text=Se%20trata%20de%20

Falcon, W., Dean, A., Naylor, R., Ortiz-Monasterio, I., Lobell, D., Harrison, J., … & Minjares, J. L. (2012). Seeds of sustainability: lessons from the birthplace of the green revolution in agriculture. Island Press.

¿Qué es la regresión local LOESS o LOWESS? | Máxima Formación. (2017). Retrieved 9 July 2020, from https://www.maximaformacion.es/blog-dat/que-es-la-regresion-local-loess-o-lowess/

Gráfica De Barras | UNAM .(2020). Retrieved 9 July 2020, from http://asesorias.cuautitlan2.unam.mx/Laboratoriovirtualdeestadistica/DOCUMENTOS/TEMA%201/6.%20GRAFICA%20DE%20BARRAS.pdf

Datos Abiertos | Gobierno de México. (2020). Retrieved 9 July 2020, from http://infosiap.siap.gob.mx/gobmx/dato

HeatSpring Magazine – What Does “Data-Driven Farming” Mean? . (2020). Retrieved 8 July 2020, from https://blog.heatspring.com/what-does-data-driven-farming-mean/#:~:text=Data%2DDriven%20Farming%20is%20the,data%E2%80%9D%20is%20a%20big%20buzzword.

¿Qué es la agricultura 4.0?. (2020). Retrieved 8 July 2020, from https://www.asgrow.com.mx/es-mx/tendencias/-que-es-la-agricultura-4-0-.html

Agricultural productivity and innovation - OECD. (2020). Retrieved 8 July 2020, from https://www.oecd.org/agriculture/topics/agricultural-productivity-and-innovation/

Galarza, J. (2005). Situación Actual y Perspectiva del Maíz en México 1990-2004. Servicio de Información y Estadística Agroalimentaria y Pesquera.