ESTADÍSTICAS MUNICIPALES DE LA AGRICULTURA EN CESAR

1. INTRODUCCIÓN

El siguiente cuaderno tiene como objetivo ilustrar las estadísticas agrícolas para el departamento de César, Colombia.

2. FUNCIONALIDADES DE GIS

Explorar las estadísticas no espaciales es esencial para entender lo que está sucediendo en los territorios. Entre las librerías de R que permiten explorar y resumir estadísticas se encuentra “dplyr” y “tidyverse”.

Por otra parte, operaciones geoespaciales pueden mejorar el entendiendo de problemas que afectan las regiones geográficas. Para esto es necesario unir datos espaciales con no espaciales o realizar uniones espaciales. Estas operaciones están basadas en la intersección entre dos objetos especiales, usualmente puntos o polígonos. Existen muchas formas en las que se pueden unir los objetos, las cuales incluyen opciones específicas.

Para comenzar, es necesario llamar todas las librerías que se utilizarán:

library(here)

## here() starts at C:/Users/Marcela/Documents/UNAL/2020-2/GB

library(tidyverse)

## -- Attaching packages --------------------------------------- tidyverse 1.3.0 --

## v ggplot2 3.3.2     v purrr   0.3.4
## v tibble  3.0.3     v dplyr   1.0.2
## v tidyr   1.1.2     v stringr 1.4.0
## v readr   1.3.1     v forcats 0.5.0

## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag()    masks stats::lag()

library(rgeos)

## Loading required package: sp

## rgeos version: 0.5-5, (SVN revision 640)
##  GEOS runtime version: 3.8.0-CAPI-1.13.1 
##  Linking to sp version: 1.4-2 
##  Polygon checking: TRUE

library(maptools)

## Checking rgeos availability: TRUE

library(raster)

## 
## Attaching package: 'raster'

## The following object is masked from 'package:dplyr':
## 
##     select

## The following object is masked from 'package:tidyr':
## 
##     extract

library(sf)

## Linking to GEOS 3.8.0, GDAL 3.0.4, PROJ 6.3.1

library(viridis)

## Loading required package: viridisLite

library(rnaturalearth)

library(GSODR)

library(ggrepel)

library(cowplot)

3. EXPLORANDO ESTADÍSTICAS DE LA AGRICULTURA EN CESAR

Inicialmente es necesario descargar los datos en formato .csv en Estadísticas Municipales Agropecuarias. Debido a que la base de datos incluye otros departamentos que no son de interés es pertinente editar el documento y conservar solo los datos del departamento a analizar, en este caso, Cesar. A continuación, se procede a subir el documento editado y a leerlo

setwd("/Users/Marcela/Documents/UNAL/2020-2/GB")

Cesar <- read.csv("Cesar_EVA.csv", sep = ";")

Para observar los atributos de los datos

head(Cesar)

tail(Cesar)

Como se puede observar, cada municipio tiene estadísticas de área sembrada, área cosechada y rendimiento para diferentes cultivos en diferentes años. El atributo “subgrupo” y “cultivo” hacen referencia al cultivo. Además, los cultivos son clasifican en un grupo determinado.

Para comenzar, se utilizará la librería “dplyr” para explorar el contenido de los datos. Para eso, inicialmente se visualizará un resumen del rendimiento por grupo y municipio

names(Cesar) <-c("COD", "DEPARTAMENTO", "COD_MUN", "MUNICIPIO", 
                 "GRUPO", "SUBGRUPO", "CULTIVO", "S. PRODUCTIVO",
                 "YEAR", "PERIODO", "AREA_SEM", "AREA_COSE",
                 "PRODUCCION", "RENDIMIENTO", "ESTADO", "NOMBRE",
                 "CICLO" )

colnames(Cesar)

##  [1] "COD"           "DEPARTAMENTO"  "COD_MUN"       "MUNICIPIO"    
##  [5] "GRUPO"         "SUBGRUPO"      "CULTIVO"       "S. PRODUCTIVO"
##  [9] "YEAR"          "PERIODO"       "AREA_SEM"      "AREA_COSE"    
## [13] "PRODUCCION"    "RENDIMIENTO"   "ESTADO"        "NOMBRE"       
## [17] "CICLO"

head(Cesar)

tail(Cesar)

A continuación, se puede resumir el rendimiento de cada municipio dependiendo del cultivo para conocer más detalladamente la actividad agrícola en el departamento.

Rend_Resumen <- Cesar %>%
  group_by(MUNICIPIO, GRUPO) %>%
  summarise(rend_prom = mean(RENDIMIENTO, na.rm = TRUE)) 

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

Rend_Resumen

head(Rend_Resumen)

De los resultados obtenidos se puede observar que el mayor rendimiento promedio se encuentra en el municipio de “La Jagua de Ibírico” con una producción de hortalizas de 19.47 Ton/ha. Seguido por Valledupar con un rendimiento promedio de 18.62 Ton/ha para el mismo grupo de cultivo.

Asimismo, es posible calcular el rendimiento promedio por grupo en los municipios de Cesar

Rend_Dep <- Cesar %>%
  group_by(GRUPO) %>%
  summarise(Rend_Dep = mean(RENDIMIENTO, na.rm= TRUE))

## `summarise()` ungrouping output (override with `.groups` argument)

Rend_Dep

De acuerdo con la salida anterior y en concordancia con el último resultado obtenido, las hortalizas son el cultivo con mayor rendimiento, seguido por los frutales.

Ahora, se quiere observar cuáles son los municipios con el mayor rendimiento por cada grupo de cultivos en el 2018

Rend_Max_18 <- Cesar %>%
  filter(YEAR==2018) %>%
  group_by(GRUPO, MUNICIPIO) %>%
  summarize(max_rend = max(RENDIMIENTO, na.rm = TRUE)) %>%
    slice(which.max(max_rend))

## Warning in max(RENDIMIENTO, na.rm = TRUE): ningun argumento finito para max;
## retornando -Inf

## Warning in max(RENDIMIENTO, na.rm = TRUE): ningun argumento finito para max;
## retornando -Inf

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

Rend_Max_18

De acuerdo con la salida anterior, el máximo rendimiento en el 2018 estuvo dado por los cultivos de frutales en el departamento, más específicamente en el municipio de La Gloria.

También es posible filtrar los datos para obtener los valores de área cosechada por cada cultivo en el 2018.

Area_cosecha_max <- Cesar %>%
  filter(YEAR==2018) %>%
  group_by(GRUPO, MUNICIPIO) %>%
  summarize(max_area_cosecha = max(AREA_COSE, na.rm = TRUE)) %>%
     slice(which.max(max_area_cosecha))

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

Area_cosecha_max

La salida anterior permite observar que en el 2018 el cultivo de oleaginosas es el que ocupa la mayor área cosechada en San Alberto con 12.833 hectáreas. Lo anterior concuerda con el reporte dado por Carlos Eduardo Campo Cuello, el secretario de Agricultura Departamental, quien afirmó que en el 2018, más del 92% del PIB agrícola lo genera la palma de aceite debido a la fuerte integración vertical del sector palmero.

Teniendo en cuenta el último resultado, se procede a filtrar los datos, de manera que sea posible observar la producción de palma de aceite en el municipio de San Alberto.

Palma_San <- Cesar %>%
  filter(MUNICIPIO=="SAN ALBERTO" & SUBGRUPO=="PALMA DE ACEITE") %>%
  group_by(YEAR, CULTIVO)

Palma_San

Para analizar los datos de forma más fácil es posible realizar gráficos de exploración

g <- ggplot(aes(x=YEAR, y=PRODUCCION/1000), data = Palma_San) + geom_bar(stat='identity') + labs(y='Oil Palm Production [Ton x 1000]') 

g + ggtitle("Evolucion del cultivo de Palma de Aceite en San Alberto (2007-2018)") + labs(caption= "Based on EMA data (DANE, 2018)")

El gráfico permite observar que la producción de palma de aceite incrementó notablemente del 2015-2018, sin embargo, a pesar de la importancia del cultivo en el departamento, este muestra rendimientos muy bajos. Lo anterior puede deberse a las fuertes sequías que ocurrieron en el municipio en los años mencionados. De acuerdo con la Sociedad de Agricultures de Colombia (2016), la sequía proplongada causó una disminución de la producción del 40 al 50%.

Por otra parte, también es posible observar cuáles son los cultivos con la mayor área cosechada en 2018

Total_Area_Cosecha <- Cesar %>%
  filter(YEAR==2018) %>%
  group_by(GRUPO) %>%
  summarize(sum_area_cosecha = sum(AREA_COSE, na.rm = TRUE)) %>%
  arrange(desc(sum_area_cosecha))

## `summarise()` ungrouping output (override with `.groups` argument)

Total_Area_Cosecha

Tal como se mencionó anteriormente, el cultivo de oleaginosas es el que presenta mayor cantidad de área cosechada en el departamento. Cabe resaltar que dentro de este grupo de cultivos se encuentra la palma de aceite, el ajonjolí y la jatropha. Sin embargo, en el 2018, para este grupo de cultivos solo se reportaron datos de la palma de aceite.

Total_Cosecha <- Cesar %>%
  filter(GRUPO=="OLEAGINOSAS" & YEAR==2018) %>%
  group_by(CULTIVO) %>%
  summarize(sum_cosecha = sum(AREA_COSE, na.rm = TRUE)) %>%
  arrange(desc(sum_cosecha))

## `summarise()` ungrouping output (override with `.groups` argument)

Total_Cosecha

Ahora se procederá a filtrar los datos para observar cuales fueron los municipios con la mayor área cosechada de palma de aceite en 2018.

Area_Cosecha2 <- Cesar %>%
  filter(YEAR==2018 & GRUPO=="OLEAGINOSAS") %>%
  group_by(CULTIVO, MUNICIPIO) %>%
  summarize(max_area2 = max(AREA_COSE, na.rm = TRUE)) %>%
  slice(which.max(max_area2))

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

Area_Cosecha2

Para complementar el análisis de los resultados obtenidos, es posible realizar un gráfico que una los datos de las oleaginosas con el área total cosechada

Total_Area_Cosecha$CULTIVO <- abbreviate(Total_Area_Cosecha$GRUPO, 3)

G1 <- ggplot(aes(x=CULTIVO, y=sum_area_cosecha), data = Total_Area_Cosecha) + geom_bar(stat= "identity") + labs(y="Area Cosechada [Ha]")

G1 + ggtitle("Total de area cosechada por grupos de cultivo en 2018 en San Alberto") + theme(plot.title = element_text(hjust = 0.5)) + labs(caption = "Basados en data EMA (DANE, 2018)")

La gráfica anterior permite observar más claramente que, en cuanto a área cosechada, el cultivo de oleaginosas predomina en la región, seguido por otros cultivos permanentes y cereales.

4. UNIENDO ESTADÍSTICAS DE AGRICULTURA DE LOS MUNICIPIOS

Se comenzará subiendo un shapefile de datos administrativos del departamento, para lo cual se usará la librería sf.

Cesar_Mun <- sf::st_read("./Cesar/MGN_MPIO_POLITICO.shp")

## Reading layer `MGN_MPIO_POLITICO' from data source `C:\Users\Marcela\Documents\UNAL\2020-2\GB\Cesar\MGN_MPIO_POLITICO.shp' using driver `ESRI Shapefile'
## Simple feature collection with 25 features and 9 fields
## geometry type:  POLYGON
## dimension:      XY
## bbox:           xmin: -74.13916 ymin: 7.67435 xmax: -72.88575 ymax: 10.86767
## geographic CRS: WGS 84

Para observar las características del documento subido solo es necesario llamarlo

Cesar_Mun

Lo anterior permite observar que Cesar_Mun es una simple feature collection que emplea coordenadas del sistema de referencias geográfico WGS84.

Se empleará la función left_join para unir los municipios y estadísticas seleccionadas. Para que esto sea posible es necesario un atributo o variable común entre los datos a unir. En este caso, el mejor atributo es un ID. En el shapefile “Cesar_Mun” corresponde a MPIO_CCDGO, mientras que en “Cesar” es COD.

Valle_Datos <- Cesar %>% filter(MUNICIPIO == "VALLEDUPAR")

Valle_Datos

class(Valle_Datos$COD_MUN)

## [1] "integer"

Para poder unir los datos se debe cambiar ambos tipos de datos y el contenido de ellos para cada municipios. Por lo tanto, se debe crear una copia de los datos originales lo cual no tendrá repercuciones en lo realizado anteriormente.

Datos2 <- Cesar

Datos2$TEMP <- as.character(Datos2$COD_MUN)

Datos2$MPIO_CCDGO <- as.factor(Datos2$TEMP)

Datos2

Ahora, se puede filtrar los datos para un solo año y seleccionar uno o dos atributos relevantes

Datos3 <- Datos2 %>% filter(CULTIVO=="PALMA DE ACEITE")

tail(Datos3)

class(Datos3)

## [1] "data.frame"

Datos4 <- Datos3 %>% dplyr::select(MUNICIPIO, MPIO_CCDGO, YEAR, PRODUCCION, RENDIMIENTO)

Datos4

Datos4 %>%
  gather("YEAR", "PRODUCCION", "RENDIMIENTO", key = variable, value = number)

head(Datos4)

Datos5 <- Datos4 %>%
  group_by(MPIO_CCDGO) %>%
  mutate(Visit = 1:n()) %>%
  gather("YEAR", "PRODUCCION", "RENDIMIENTO", key = variable, value = number) %>%
  unite(combi, variable, Visit) %>%
  spread(combi, number)

head(Datos5)

tail(Datos5)

También es posible hacer una copia de una simple features collection.

Cesar_Mun2 <- Cesar_Mun

Ahora es posible unir los datos

Cesar_Mun_Estad = left_join(Cesar_Mun2, Datos5, by="MPIO_CCDGO")

summary(Cesar_Mun_Estad)

##   DPTO_CCDGO         MPIO_CCDGO         MPIO_CNMBR         MPIO_CRSLC       
##  Length:25          Length:25          Length:25          Length:25         
##  Class :character   Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character   Mode  :character  
##                                                                             
##                                                                             
##                                                                             
##                                                                             
##    MPIO_NAREA        MPIO_NANO     DPTO_CNMBR          Shape_Leng    
##  Min.   :  73.01   Min.   :2017   Length:25          Min.   :0.4349  
##  1st Qu.: 549.45   1st Qu.:2017   Class :character   1st Qu.:1.3359  
##  Median : 755.91   Median :2017   Mode  :character   Median :1.8600  
##  Mean   : 902.49   Mean   :2017                      Mean   :1.9210  
##  3rd Qu.: 993.28   3rd Qu.:2017                      3rd Qu.:2.3246  
##  Max.   :4185.79   Max.   :2017                      Max.   :4.8778  
##                                                                      
##    Shape_Area        MUNICIPIO          PRODUCCION_1    PRODUCCION_10 
##  Min.   :0.005993   Length:25          Min.   :   0.0   Min.   :  42  
##  1st Qu.:0.045082   Class :character   1st Qu.:  15.5   1st Qu.: 448  
##  Median :0.062240   Mode  :character   Median : 189.0   Median : 624  
##  Mean   :0.074318                      Mean   : 641.5   Mean   :1154  
##  3rd Qu.:0.081449                      3rd Qu.: 813.5   3rd Qu.: 924  
##  Max.   :0.345529                      Max.   :3398.0   Max.   :4826  
##                                        NA's   :10       NA's   :12    
##  PRODUCCION_11   PRODUCCION_12      PRODUCCION_2   PRODUCCION_3  
##  Min.   :    7   Min.   :   27.0   Min.   :   0   Min.   :    0  
##  1st Qu.:   65   1st Qu.:  423.8   1st Qu.:  65   1st Qu.:   65  
##  Median :  336   Median :  681.5   Median : 272   Median :  272  
##  Mean   : 2041   Mean   : 4246.8   Mean   :1325   Mean   : 2861  
##  3rd Qu.:  624   3rd Qu.: 7737.8   3rd Qu.:2362   3rd Qu.: 2739  
##  Max.   :22374   Max.   :12824.0   Max.   :6228   Max.   :24325  
##  NA's   :12      NA's   :13        NA's   :10     NA's   :10     
##   PRODUCCION_4    PRODUCCION_5      PRODUCCION_6       PRODUCCION_7  
##  Min.   :   92   Min.   :   28.0   Min.   :   28.00   Min.   :   51  
##  1st Qu.:  281   1st Qu.:  117.0   1st Qu.:   56.25   1st Qu.:  596  
##  Median : 1546   Median :  584.5   Median :  493.00   Median : 1418  
##  Mean   : 2701   Mean   : 2492.5   Mean   : 1511.64   Mean   : 4218  
##  3rd Qu.: 3951   3rd Qu.: 2366.2   3rd Qu.:  831.00   3rd Qu.: 5489  
##  Max.   :11669   Max.   :15007.0   Max.   :13737.00   Max.   :26524  
##  NA's   :11      NA's   :11        NA's   :11         NA's   :11     
##   PRODUCCION_8      PRODUCCION_9   RENDIMIENTO_1   RENDIMIENTO_10 
##  Min.   :    6.0   Min.   :   51   Min.   :3.200   Min.   :2.500  
##  1st Qu.:   64.5   1st Qu.:  516   1st Qu.:3.500   1st Qu.:2.540  
##  Median :  442.0   Median :  862   Median :3.690   Median :2.600  
##  Mean   : 1609.9   Mean   : 4449   Mean   :3.672   Mean   :2.735  
##  3rd Qu.:  796.8   3rd Qu.: 4675   3rd Qu.:3.835   3rd Qu.:3.000  
##  Max.   :13662.0   Max.   :21122   Max.   :4.000   Max.   :3.000  
##  NA's   :11        NA's   :11      NA's   :13      NA's   :12     
##  RENDIMIENTO_11  RENDIMIENTO_12 RENDIMIENTO_2   RENDIMIENTO_3   RENDIMIENTO_4  
##  Min.   :2.500   Min.   :2.54   Min.   :2.500   Min.   :1.800   Min.   :2.000  
##  1st Qu.:2.600   1st Qu.:2.67   1st Qu.:3.425   1st Qu.:3.478   1st Qu.:3.405  
##  Median :2.800   Median :2.95   Median :3.675   Median :3.690   Median :3.500  
##  Mean   :2.815   Mean   :2.95   Mean   :3.533   Mean   :3.550   Mean   :3.486  
##  3rd Qu.:3.000   3rd Qu.:3.00   3rd Qu.:3.940   3rd Qu.:3.933   3rd Qu.:3.820  
##  Max.   :3.390   Max.   :3.81   Max.   :4.000   Max.   :4.000   Max.   :4.000  
##  NA's   :12      NA's   :13     NA's   :13      NA's   :13      NA's   :11     
##  RENDIMIENTO_5   RENDIMIENTO_6   RENDIMIENTO_7   RENDIMIENTO_8  
##  Min.   :2.000   Min.   :2.500   Min.   :2.500   Min.   :2.000  
##  1st Qu.:3.325   1st Qu.:3.325   1st Qu.:3.325   1st Qu.:3.000  
##  Median :3.500   Median :3.500   Median :3.420   Median :3.100  
##  Mean   :3.414   Mean   :3.512   Mean   :3.301   Mean   :3.034  
##  3rd Qu.:3.575   3rd Qu.:3.900   3rd Qu.:3.420   3rd Qu.:3.200  
##  Max.   :4.000   Max.   :4.200   Max.   :3.780   Max.   :3.400  
##  NA's   :11      NA's   :11      NA's   :11      NA's   :11     
##  RENDIMIENTO_9       YEAR_1        YEAR_10        YEAR_11        YEAR_12    
##  Min.   :2.000   Min.   :2007   Min.   :2016   Min.   :2017   Min.   :2018  
##  1st Qu.:2.842   1st Qu.:2007   1st Qu.:2016   1st Qu.:2017   1st Qu.:2018  
##  Median :2.985   Median :2007   Median :2016   Median :2017   Median :2018  
##  Mean   :3.029   Mean   :2008   Mean   :2016   Mean   :2017   Mean   :2018  
##  3rd Qu.:3.375   3rd Qu.:2007   3rd Qu.:2016   3rd Qu.:2017   3rd Qu.:2018  
##  Max.   :3.860   Max.   :2016   Max.   :2017   Max.   :2018   Max.   :2018  
##  NA's   :11      NA's   :10     NA's   :12     NA's   :12     NA's   :13    
##      YEAR_2         YEAR_3         YEAR_4         YEAR_5         YEAR_6    
##  Min.   :2008   Min.   :2009   Min.   :2010   Min.   :2011   Min.   :2012  
##  1st Qu.:2008   1st Qu.:2009   1st Qu.:2010   1st Qu.:2011   1st Qu.:2012  
##  Median :2008   Median :2009   Median :2010   Median :2011   Median :2012  
##  Mean   :2009   Mean   :2010   Mean   :2010   Mean   :2011   Mean   :2012  
##  3rd Qu.:2008   3rd Qu.:2009   3rd Qu.:2010   3rd Qu.:2011   3rd Qu.:2012  
##  Max.   :2017   Max.   :2018   Max.   :2013   Max.   :2014   Max.   :2015  
##  NA's   :10     NA's   :10     NA's   :11     NA's   :11     NA's   :11    
##      YEAR_7         YEAR_8         YEAR_9              geometry 
##  Min.   :2013   Min.   :2014   Min.   :2015   POLYGON      :25  
##  1st Qu.:2013   1st Qu.:2014   1st Qu.:2015   epsg:4326    : 0  
##  Median :2013   Median :2014   Median :2015   +proj=long...: 0  
##  Mean   :2013   Mean   :2014   Mean   :2015                     
##  3rd Qu.:2013   3rd Qu.:2014   3rd Qu.:2015                     
##  Max.   :2016   Max.   :2017   Max.   :2018                     
##  NA's   :11     NA's   :11     NA's   :11

5. GRÁFICOS

library(RColorBrewer)

library(leaflet)

Se graficará la producción de café por municipios para cada año

bins <- c(0, 1000, 2000, 5000, 10000, 15000, 20000, 30000, 42000)
pal <- colorBin("PuRd", domain = Cesar_Mun_Estad$PRODUCCION_12, bins = bins)

Mapa <- leaflet(data = Cesar_Mun_Estad) %>%
  addTiles() %>%
  addPolygons(label = ~PRODUCCION_12,
              popup = ~MPIO_CNMBR,
              fillColor = ~pal(PRODUCCION_12),
              color = "#444444",
              weight = 1,
              smoothFactor = 0.5,
              opacity = 1.0,
              fillOpacity = 0.5,
              highlightOptions = highlightOptions(color = "white", weight = 2, bringToFront = TRUE)
              ) %>%
  addProviderTiles(providers$OpenStreetMap) %>%
  addLegend("bottomright", pal = pal, values = ~PRODUCCION_12,
    title = "Producción de Palma de Aceite en Cesar [Ton] (2018)",
    opacity = 1
  )

Mapa

El mapa anterior muestra la variación de la producción de palma de aceite en el departamento, desde municipios que producen de 0-1.000 ton hasta municipios con cifras de 10.000-15.000

De acuerdo con los datos obtenidos del rendimiento máximo en el 2018, los frutales se encontraron en el primer lugar, más específicamente debido al cultivo de patilla. Por lo tanto, se filtrarán los datos para visualizar el rendimiento de patilla en el departamento

Rend_Cult <- Cesar %>%
  filter(GRUPO== "FRUTALES" & YEAR== 2018) %>%
  group_by(CULTIVO) %>%
  summarize(sum_rend = sum(RENDIMIENTO, na.rm = TRUE)) %>%
  arrange(desc(sum_rend))

## `summarise()` ungrouping output (override with `.groups` argument)

Rend_Cult

Datos6 <- Datos2 %>% filter(CULTIVO== "PATILLA")
Datos7 <- Datos6 %>% dplyr::select(MUNICIPIO, MPIO_CCDGO, YEAR, PRODUCCION, RENDIMIENTO)

Datos7

Datos7 %>%
  gather("YEAR", "PRODUCCION", "RENDIMIENTO", key= variable, value = number)

Datos8 <- Datos7 %>%
  group_by(MPIO_CCDGO) %>%
  mutate(Visit = 1:n()) %>%
  gather("YEAR", "PRODUCCION", "RENDIMIENTO", key = variable, value = number) %>%
  unite(combi, variable, Visit) %>%
  spread(combi, number)

head(Datos8)

tail(Datos8)

Cesar_Mun_Estad3 <- left_join(Cesar_Mun2, Datos8, by="MPIO_CCDGO")
summary(Cesar_Mun_Estad3)

##   DPTO_CCDGO         MPIO_CCDGO         MPIO_CNMBR         MPIO_CRSLC       
##  Length:25          Length:25          Length:25          Length:25         
##  Class :character   Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character   Mode  :character  
##                                                                             
##                                                                             
##                                                                             
##                                                                             
##    MPIO_NAREA        MPIO_NANO     DPTO_CNMBR          Shape_Leng    
##  Min.   :  73.01   Min.   :2017   Length:25          Min.   :0.4349  
##  1st Qu.: 549.45   1st Qu.:2017   Class :character   1st Qu.:1.3359  
##  Median : 755.91   Median :2017   Mode  :character   Median :1.8600  
##  Mean   : 902.49   Mean   :2017                      Mean   :1.9210  
##  3rd Qu.: 993.28   3rd Qu.:2017                      3rd Qu.:2.3246  
##  Max.   :4185.79   Max.   :2017                      Max.   :4.8778  
##                                                                      
##    Shape_Area        MUNICIPIO          PRODUCCION_1    PRODUCCION_10  
##  Min.   :0.005993   Length:25          Min.   :  15.0   Min.   : 11.0  
##  1st Qu.:0.045082   Class :character   1st Qu.: 195.0   1st Qu.:112.5  
##  Median :0.062240   Mode  :character   Median : 429.0   Median :132.0  
##  Mean   :0.074318                      Mean   : 468.2   Mean   :195.8  
##  3rd Qu.:0.081449                      3rd Qu.: 700.0   3rd Qu.:148.5  
##  Max.   :0.345529                      Max.   :1056.0   Max.   :640.0  
##                                        NA's   :14       NA's   :19     
##  PRODUCCION_11  PRODUCCION_12  PRODUCCION_13   PRODUCCION_14    PRODUCCION_15  
##  Min.   :  21   Min.   : 140   Min.   :   88   Min.   : 100.0   Min.   :100.0  
##  1st Qu.:  60   1st Qu.: 150   1st Qu.:   97   1st Qu.: 170.0   1st Qu.:150.0  
##  Median :  90   Median : 198   Median :  125   Median : 240.0   Median :200.0  
##  Mean   : 282   Mean   : 652   Mean   : 5790   Mean   : 470.7   Mean   :266.7  
##  3rd Qu.: 135   3rd Qu.:1072   3rd Qu.: 5818   3rd Qu.: 656.0   3rd Qu.:350.0  
##  Max.   :1104   Max.   :1700   Max.   :22820   Max.   :1072.0   Max.   :500.0  
##  NA's   :20     NA's   :20     NA's   :21      NA's   :22       NA's   :22     
##  PRODUCCION_16  PRODUCCION_17 PRODUCCION_18   PRODUCCION_19    PRODUCCION_2  
##  Min.   : 120   Min.   :100   Min.   : 80.0   Min.   :  2.0   Min.   : 16.0  
##  1st Qu.: 330   1st Qu.:119   1st Qu.:161.2   1st Qu.: 26.5   1st Qu.:124.5  
##  Median : 540   Median :138   Median :242.5   Median : 51.0   Median :275.0  
##  Mean   :2620   Mean   :138   Mean   :242.5   Mean   : 51.0   Mean   :361.0  
##  3rd Qu.:3870   3rd Qu.:157   3rd Qu.:323.8   3rd Qu.: 75.5   3rd Qu.:552.0  
##  Max.   :7200   Max.   :176   Max.   :405.0   Max.   :100.0   Max.   :990.0  
##  NA's   :22     NA's   :23    NA's   :23      NA's   :23      NA's   :14     
##  PRODUCCION_20   PRODUCCION_21   PRODUCCION_22  PRODUCCION_23  PRODUCCION_3   
##  Min.   :  6.0   Min.   :  2.0   Min.   :   2   Min.   :40    Min.   :  60.0  
##  1st Qu.: 49.5   1st Qu.: 46.5   1st Qu.: 519   1st Qu.:40    1st Qu.: 204.0  
##  Median : 93.0   Median : 91.0   Median :1036   Median :40    Median : 300.0  
##  Mean   : 93.0   Mean   : 91.0   Mean   :1036   Mean   :40    Mean   : 704.2  
##  3rd Qu.:136.5   3rd Qu.:135.5   3rd Qu.:1553   3rd Qu.:40    3rd Qu.: 840.0  
##  Max.   :180.0   Max.   :180.0   Max.   :2070   Max.   :40    Max.   :2943.0  
##  NA's   :23      NA's   :23      NA's   :23     NA's   :24    NA's   :16      
##   PRODUCCION_4     PRODUCCION_5    PRODUCCION_6     PRODUCCION_7  
##  Min.   :  17.0   Min.   : 36.0   Min.   :  12.0   Min.   :  3.0  
##  1st Qu.: 295.0   1st Qu.:113.5   1st Qu.:  97.5   1st Qu.: 72.5  
##  Median : 379.5   Median :152.0   Median : 252.0   Median :220.0  
##  Mean   : 502.8   Mean   :214.0   Mean   :1408.2   Mean   :208.8  
##  3rd Qu.: 640.5   3rd Qu.:246.0   3rd Qu.: 940.0   3rd Qu.:345.0  
##  Max.   :1164.0   Max.   :570.0   Max.   :8000.0   Max.   :400.0  
##  NA's   :17       NA's   :17      NA's   :17       NA's   :19     
##   PRODUCCION_8    PRODUCCION_9     RENDIMIENTO_1   RENDIMIENTO_10 
##  Min.   :  3.0   Min.   :  50.00   Min.   : 6.00   Min.   : 8.00  
##  1st Qu.: 67.0   1st Qu.:  93.25   1st Qu.: 9.00   1st Qu.:10.00  
##  Median :175.0   Median : 155.00   Median :10.00   Median :10.00  
##  Mean   :193.2   Mean   : 405.33   Mean   :11.31   Mean   :10.83  
##  3rd Qu.:325.0   3rd Qu.: 357.00   3rd Qu.:13.34   3rd Qu.:10.75  
##  Max.   :400.0   Max.   :1575.00   Max.   :20.00   Max.   :16.00  
##  NA's   :19      NA's   :19        NA's   :14      NA's   :19     
##  RENDIMIENTO_11 RENDIMIENTO_12  RENDIMIENTO_13    RENDIMIENTO_14 
##  Min.   : 7.5   Min.   :  3.5   Min.   :  3.500   Min.   : 8.00  
##  1st Qu.: 9.0   1st Qu.: 10.0   1st Qu.:  8.375   1st Qu.: 9.00  
##  Median : 9.0   Median : 11.0   Median : 12.500   Median :10.00  
##  Mean   :10.3   Mean   :171.9   Mean   :198.375   Mean   :11.33  
##  3rd Qu.:10.0   3rd Qu.: 16.0   3rd Qu.:202.500   3rd Qu.:13.00  
##  Max.   :16.0   Max.   :819.0   Max.   :765.000   Max.   :16.00  
##  NA's   :20     NA's   :20      NA's   :21        NA's   :22     
##  RENDIMIENTO_15   RENDIMIENTO_16   RENDIMIENTO_17 RENDIMIENTO_18 
##  Min.   : 8.000   Min.   : 10.00   Min.   : 8.0   Min.   : 9.00  
##  1st Qu.: 9.000   1st Qu.: 12.50   1st Qu.: 8.5   1st Qu.: 9.25  
##  Median :10.000   Median : 15.00   Median : 9.0   Median : 9.50  
##  Mean   : 9.333   Mean   : 48.33   Mean   : 9.0   Mean   : 9.50  
##  3rd Qu.:10.000   3rd Qu.: 67.50   3rd Qu.: 9.5   3rd Qu.: 9.75  
##  Max.   :10.000   Max.   :120.00   Max.   :10.0   Max.   :10.00  
##  NA's   :22       NA's   :22       NA's   :23     NA's   :23     
##  RENDIMIENTO_19 RENDIMIENTO_2   RENDIMIENTO_20 RENDIMIENTO_21 RENDIMIENTO_22 
##  Min.   :10     Min.   : 7.00   Min.   :10     Min.   :10     Min.   : 10.0  
##  1st Qu.:10     1st Qu.: 9.50   1st Qu.:15     1st Qu.:10     1st Qu.: 33.3  
##  Median :10     Median :11.00   Median :20     Median :10     Median : 56.6  
##  Mean   :10     Mean   :11.88   Mean   :20     Mean   :10     Mean   : 56.6  
##  3rd Qu.:10     3rd Qu.:13.50   3rd Qu.:25     3rd Qu.:10     3rd Qu.: 79.9  
##  Max.   :10     Max.   :20.00   Max.   :30     Max.   :10     Max.   :103.2  
##  NA's   :23     NA's   :14      NA's   :23     NA's   :23     NA's   :23     
##  RENDIMIENTO_23 RENDIMIENTO_3   RENDIMIENTO_4   RENDIMIENTO_5  
##  Min.   :200    Min.   : 8.00   Min.   : 9.50   Min.   : 8.00  
##  1st Qu.:200    1st Qu.:10.00   1st Qu.:10.00   1st Qu.:10.00  
##  Median :200    Median :12.00   Median :11.00   Median :10.00  
##  Mean   :200    Mean   :11.35   Mean   :11.31   Mean   :10.75  
##  3rd Qu.:200    3rd Qu.:12.00   3rd Qu.:12.00   3rd Qu.:10.50  
##  Max.   :200    Max.   :15.00   Max.   :15.00   Max.   :16.00  
##  NA's   :24     NA's   :16      NA's   :17      NA's   :17     
##  RENDIMIENTO_6    RENDIMIENTO_7   RENDIMIENTO_8   RENDIMIENTO_9  
##  Min.   : 10.00   Min.   :10.00   Min.   : 8.00   Min.   : 7.50  
##  1st Qu.: 10.00   1st Qu.:10.00   1st Qu.:10.00   1st Qu.: 9.25  
##  Median : 12.00   Median :10.00   Median :10.00   Median :10.00  
##  Mean   : 38.75   Mean   :11.33   Mean   :10.67   Mean   :10.42  
##  3rd Qu.: 37.00   3rd Qu.:11.50   3rd Qu.:10.00   3rd Qu.:10.00  
##  Max.   :140.00   Max.   :16.00   Max.   :16.00   Max.   :16.00  
##  NA's   :17       NA's   :19      NA's   :19      NA's   :19     
##      YEAR_1        YEAR_10        YEAR_11        YEAR_12        YEAR_13    
##  Min.   :2006   Min.   :2011   Min.   :2012   Min.   :2012   Min.   :2013  
##  1st Qu.:2006   1st Qu.:2013   1st Qu.:2012   1st Qu.:2013   1st Qu.:2013  
##  Median :2008   Median :2015   Median :2015   Median :2016   Median :2014  
##  Mean   :2008   Mean   :2014   Mean   :2015   Mean   :2015   Mean   :2015  
##  3rd Qu.:2009   3rd Qu.:2016   3rd Qu.:2017   3rd Qu.:2017   3rd Qu.:2016  
##  Max.   :2013   Max.   :2017   Max.   :2017   Max.   :2018   Max.   :2018  
##  NA's   :14     NA's   :19     NA's   :20     NA's   :20     NA's   :21    
##     YEAR_14        YEAR_15        YEAR_16        YEAR_17        YEAR_18    
##  Min.   :2013   Min.   :2014   Min.   :2014   Min.   :2015   Min.   :2015  
##  1st Qu.:2014   1st Qu.:2014   1st Qu.:2014   1st Qu.:2015   1st Qu.:2015  
##  Median :2014   Median :2014   Median :2015   Median :2015   Median :2016  
##  Mean   :2015   Mean   :2015   Mean   :2016   Mean   :2015   Mean   :2016  
##  3rd Qu.:2016   3rd Qu.:2016   3rd Qu.:2016   3rd Qu.:2015   3rd Qu.:2016  
##  Max.   :2017   Max.   :2017   Max.   :2018   Max.   :2015   Max.   :2016  
##  NA's   :22     NA's   :22     NA's   :22     NA's   :23     NA's   :23    
##     YEAR_19         YEAR_2        YEAR_20        YEAR_21        YEAR_22    
##  Min.   :2016   Min.   :2007   Min.   :2016   Min.   :2017   Min.   :2017  
##  1st Qu.:2016   1st Qu.:2007   1st Qu.:2016   1st Qu.:2017   1st Qu.:2017  
##  Median :2016   Median :2009   Median :2016   Median :2017   Median :2018  
##  Mean   :2016   Mean   :2010   Mean   :2016   Mean   :2017   Mean   :2018  
##  3rd Qu.:2016   3rd Qu.:2010   3rd Qu.:2017   3rd Qu.:2017   3rd Qu.:2018  
##  Max.   :2016   Max.   :2016   Max.   :2017   Max.   :2017   Max.   :2018  
##  NA's   :23     NA's   :14     NA's   :23     NA's   :23     NA's   :23    
##     YEAR_23         YEAR_3         YEAR_4         YEAR_5         YEAR_6    
##  Min.   :2018   Min.   :2007   Min.   :2008   Min.   :2009   Min.   :2009  
##  1st Qu.:2018   1st Qu.:2008   1st Qu.:2011   1st Qu.:2011   1st Qu.:2012  
##  Median :2018   Median :2010   Median :2012   Median :2014   Median :2014  
##  Mean   :2018   Mean   :2011   Mean   :2013   Mean   :2013   Mean   :2014  
##  3rd Qu.:2018   3rd Qu.:2012   3rd Qu.:2015   3rd Qu.:2015   3rd Qu.:2016  
##  Max.   :2018   Max.   :2016   Max.   :2017   Max.   :2017   Max.   :2018  
##  NA's   :24     NA's   :16     NA's   :17     NA's   :17     NA's   :17    
##      YEAR_7         YEAR_8         YEAR_9              geometry 
##  Min.   :2010   Min.   :2010   Min.   :2011   POLYGON      :25  
##  1st Qu.:2011   1st Qu.:2012   1st Qu.:2012   epsg:4326    : 0  
##  Median :2014   Median :2014   Median :2014   +proj=long...: 0  
##  Mean   :2013   Mean   :2013   Mean   :2014                     
##  3rd Qu.:2015   3rd Qu.:2015   3rd Qu.:2016                     
##  Max.   :2015   Max.   :2016   Max.   :2016                     
##  NA's   :19     NA's   :19     NA's   :19

bins <- c(0, 1000, 2000, 5000, 10000, 15000, 20000, 40000, 68000)
pal <- colorBin("Purples", domain = Cesar_Mun_Estad3$PRODUCCION_12, bins = bins)

Mapa2 <- leaflet(data = Cesar_Mun_Estad3) %>%
  addTiles() %>%
  addPolygons(label = ~PRODUCCION_12,
              popup = ~MPIO_CNMBR,
              fillColor = ~pal(PRODUCCION_12),
              color = "#444444",
              weight = 1,
              smoothFactor = 0.5,
              opacity = 1.0,
              fillOpacity = 0.5,
              highlightOptions = highlightOptions(color = "white", weight = 2, bringToFront = TRUE)
              ) %>%
  addProviderTiles(providers$OpenStreetMap) %>%
  addLegend("bottomright", pal = pal, values = ~PRODUCCION_12,
    title = "Rendimiento de Patilla en Cesár [Ton/ha] (2018)",
    opacity = 1
  )

Mapa2

El mapa anterior permite observar que el rendimiento del cultivo de pitalla en el departamento del Cesar no supera las 1.000 ton/ha.

6. BIBLIOGRAFÍA

Barriga, A. 2018. Panorama de la Agricultura en el Cesar. En: El Pilón es lo nuestro. Disponible en: https://elpilon.com.co/panorama-la-agricultura-cesar/; consulta: octubre de 2020.

Oñate, F. 2014. 77% del Cesar se ocupa en actividades agropecuarias. En: El Pilón es lo nuestro. Disponible en: https://elpilon.com.co/77-del-cesar-se-ocupa-en-actividades-agropecuarias/; consulta: octubre de 2020.

SAC. 2016. Sequia en los cultivos de palma de aceite en el Cesar tiene al borde de la quiebra a pequeños productores. En: Sociedad de Agricultores de Colombia. Disponible en: https://sac.org.co/sequia-en-los-cultivos-de-palma-de-aceite-en-el-cesar-tiene-al-borde-de-la-quiebra-a-pequenos-productores/; consulta: Octubre de 2020.