Primera entrega: Evaluaciones agropecuarias Casanare

1. Introducción:

Determinar las condiciones de producción de las diferentes zonas del país es fundamental para comprender la dinámica del comercio en la región, ya que permite determinar aquellos productos que sustentan en gran parte la economía de una zona específica. Como se puede observar en FAO (2020), cada región del país presenta ventajas en cuanto a la producción de difernetes productos agrícolas, lo cual se asocia a sus condiciones de relieve, clima, suelos y manejos aplicados. Por esto, el presente informe tiene como objetivo la caracterización estadística del departamento de Casanare.

2. Funcionalidades GIS

Es fundamental estudiar las estadísticas no espaciales para comprender lo que sucede en los territorios. Inicialmente, es necesario realizar una limpieza al ambiente de trabajo de R, mediante la función “rm(list=ls())”, y seleccionar la carpeta en el ordenador en la cual se almacenarán todos los archivos del proyecto, mediante la función “setwd”.

###
rm(list=ls())
setwd("C:/Users/yarya/Desktop/Geomatica/Clase10")
getwd()

## [1] "C:/Users/yarya/Desktop/Geomatica/Clase10"

##

Una vez realizado esto, es necesraio instalar las librerías que se necesitan para ejecutar las funciones necesarias. La sigueinte función permite ejecutar el código, sin que se instalen siempre las mismas librerías, por lo que se pueden escribir aquellas que son necesarias para el trabajo práctico, y el programa instalará únicamente las que hacen falta.

###
list.of.packages <- c("here", "tidyverse", "rgeos", "maptools", "raster", "sf",  "viridis", "rnaturalearth", "GSODR", "ggrepel", "cowplot", "RColorBrewer")
new.packages <- list.of.packages[!(list.of.packages %in% installed.packages()[,"Package"])]
if(length(new.packages)) install.packages(new.packages)
##

Ahora si es posible cargar las librerías necesarias.

###
library(here)

## here() starts at C:/Users/yarya/Desktop/Geomatica/Clase10

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)
library(readr)
library(RColorBrewer)
library(leaflet)
##

3. Explorar estadísticas agrícolas en Casanare

Para el presente cuaderno, los datos geoespaciales se obtuvieron de las Evaluaciones Agropecuarias Municipales EVA (Ministerio de Agricultura y Desarrollo Rural. 2019.) Estos datos fueron editados para poder ser almacenados como un archivo csv, el cual presenta como separador el punto y coma (“;”), dentro de la carpeta de la asignatura de Geomática.

Casanare <- read.csv("C:/Users/yarya/Desktop/Geomatica/Clase10/Datos_siembra_casanare.csv", sep = ";")
Casanare$PERIODO <- as.integer(Casanare$PERIODO)

## Warning: NAs introducidos por coerción

head(Casanare)

Como se puede observar, los datos presentan desde su fuente de origen el formato deseado, siendo aquellos como el municipio, el grupo, el cultivo, entre otros, caracteres, y los valores del año, la producción, el rendimiento, etc., valores integers.

Una vez cargados los datos, podemos observar los rendimientos de los diferentes grupos de cultivos en todos los municipios.

Casanare %>%
  group_by(MUNICIPIO, GRUPO) %>%
  summarise(rend_prom = mean(`RENDIMIENTO_TON.HA`, na.rm = TRUE)) -> rend_resumen

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

head(rend_resumen)

También es posible calcular el rendimiento promedio por cultivo en todos los municipios de Casanare.

Casanare %>%
  group_by(GRUPO) %>%
  summarise(rend_dep = mean(`RENDIMIENTO_TON.HA`, na.rm = TRUE)) -> rend_Casanare

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

rend_Casanare

Notese que los cultivo con valor de rendimento más alto corresponden a Frutales, le sigue hortalizas, y por último las plantas aromáticas

Ahora, también es posible determinar aquellos municipios con mayor producción de los diferentes cultivos en el año 2018.

Casanare %>% 
  filter(YEAR==2018) %>% 
  group_by(GRUPO, MUNICIPIO) %>%
  summarize(max_rend = max(`RENDIMIENTO_TON.HA`, na.rm = TRUE)) %>%
    slice(which.max(max_rend)) -> rend_max_18

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

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

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

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

rend_max_18

Es posible realizar el mismo análisis para aquellos municipios con la mayor área cosechada en el año 2018 de cada cultivo.

Casanare %>% 
  filter(YEAR==2018) %>% 
  group_by(GRUPO, MUNICIPIO) %>%
  summarize(max_area_cosecha = max(AREA_COSECHADA_HA, na.rm = TRUE)) %>%
    slice(which.max(max_area_cosecha)) -> area_cosecha_max

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

area_cosecha_max

Se puede observar que lo que más se cosecha son plantas oleaginosas en Mani. La palma hace parte de estas plantas, y es el segundo cultivo de mayor impacto económico en la región, de acuerdo al ministerio de agricultura (2017).

Con esta información, es posible filtrar los datos para obtener la información del cultivo de palma de acéite únicamente en el municipio de Mani

Casanare %>% 
  filter(MUNICIPIO=="MANI" & SUBGRUPO=="PALMA DE ACEITE") %>% 
  group_by(YEAR, CULTIVO) -> mani_palma

mani_palma

Ahora, es posible generar un diabrama de barras, para observar como ha sido la dinámica de producción de palma a lo largo de los años, desde el año 2007 hasta el año 2018.

g <- ggplot(aes(x=YEAR, y=PRODUCCION_TON/1000), data = mani_palma) + geom_bar(stat='identity') + labs(y='Producción de Palma de aceite [Ton x 1000]')
g + ggtitle("Evolución del cultivo de Palma de aceite en Mani desde  el 2007 hasta el 2018") + labs(caption= "Basado en el Ministerio de Agricultura y Desarrollo Rural. 2019.")

Se puede observar como la dinámica del cultivo de palma ha presentado un incremento a partir del año 2010, lo cual puede indicar un mejor manejo del cultivo con difernetes prácticas agronómicas.

Ahora, podemos buscar aquellos municipios con la mayor cosecha en el año 2018.

Casanare %>% 
  filter(YEAR==2018) %>% 
  group_by(GRUPO) %>%
  summarize(sum_area_cosecha = sum(AREA_COSECHADA_HA, na.rm = TRUE)) %>%
     arrange(desc(sum_area_cosecha)) -> total_area_cosecha

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

total_area_cosecha

Podemos observar que los cultivos de cereales tenen la mayor área cosechada en el año 2018.

Debido a que el arroz se cultiva o con riego, o mecanizado por secano, y el maíz de forma tradicional o tecnificada, se realizará el filtro mediante el sistema productivo, para observar aquellos cultivos con mayor área cosechada entre los cereales.

Casanare %>%
  filter(GRUPO=="CEREALES" & YEAR==2018) %>%
  group_by(SISTEMA_PRODUCTIVO) %>%
  summarize(sum_cosecha = sum(AREA_COSECHADA_HA, na.rm = TRUE)) %>%
     arrange(desc(sum_cosecha)) -> total_cosecha

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

total_cosecha

Estos resultados presentan relación con la cantidad de arroz mecanizado producido en la zona, siendo el primer cultivo en producción en el departamento de Casanare. (MINAGRICULTURA, 2017).

Y de igual forma, podemos obtener aquellos municipios con la mayor área cosechada para cada uno de los cultivos obtenidos anteriormente en el 2018.

Casanare %>% 
  filter(YEAR==2018 & GRUPO=="CEREALES") %>% 
  group_by(SISTEMA_PRODUCTIVO, MUNICIPIO) %>%
  summarize(max_area2 = max(AREA_COSECHADA_HA, na.rm = TRUE)) %>%
    slice(which.max(max_area2)) -> area_cosecha2

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

area_cosecha2

Con esto, es posible realizar un diagrama de baras, en el cual se ilustre gráficamente el área cosechada total de los diferentes cultivos en la región.

total_area_cosecha$CROP <- abbreviate(total_area_cosecha$GRUPO, 3)
g <- ggplot(aes(x=CROP, y=sum_area_cosecha), data = total_area_cosecha) + geom_bar(stat='identity') + labs(y='Área cosechada total [Ha]')
g+ ggtitle("Área cosechada total por grupos de cultivos en 2018 para Casanare") + theme(plot.title = element_text(hjust = 0.5)) +
   labs(caption= "Basado en el Ministerio de Agricultura y Desarrollo Rural. 2019.")

4. Unir las estadísticas agrícolas a los municipios

Para realizar un análisis de forma gráfica mediante un mapa, es necesario ingresar a R los datos administrativos para Casanare, los cuales pueden ser obtenidos en el geoportal del DANE (DANE, 2020)

cas_munic <- sf::st_read("C:/Users/yarya/Desktop/Geomatica/Clase5/DatosCasanare2017/85_CASANARE/ADMINISTRATIVO/MGN_MPIO_POLITICO.shp")

## Reading layer `MGN_MPIO_POLITICO' from data source `C:\Users\yarya\Desktop\Geomatica\Clase5\DatosCasanare2017\85_CASANARE\ADMINISTRATIVO\MGN_MPIO_POLITICO.shp' using driver `ESRI Shapefile'
## Simple feature collection with 19 features and 9 fields
## geometry type:  POLYGON
## dimension:      XY
## bbox:           xmin: -73.07777 ymin: 4.287476 xmax: -69.83591 ymax: 6.346111
## geographic CRS: WGS 84

Ahora, podemos observar el tipo de archivo que hemos cargado.

cas_munic

Para unir la información de las estadísticas agrícolas y la información municipal, inicialmente debemos generar un atributo en común entre ambos archivos, el cual, por conveniencia, será el código de cada municipio.

Casanare %>% filter (MUNICIPIO =="YOPAL") ->  yop_datos
yop_datos

class(yop_datos$COD_N)

## [1] "integer"

Para realizar esta unión entre los datos, se debe cambiar tanto el tipo como el contenido de los datos de los códigos, los cuales identifican a cada municipio.Para esto, se realizará una copia de los datos originales.

datos2 <- Casanare
datos2$TEMP <-  as.character(datos2$COD_N)
datos2$MPIO_CCDGO <- as.factor(paste(datos2$TEMP))
head(datos2)

4.1. PALMA DE ACEITE

Para facilidad en el manejo de la información, debido a que los datos suministrados no son bien procesados por el sistema R, se filtrará desde un inicio la información correspondiente únicamente para el año 2018. Aquí, nos aseguraremos de que la información del código de cada municipio se haya relacionado correctamente en los datos (presnecia de la columna “MPIO_CCDGO”).

datos2 %>% filter(CULTIVO == "PALMA DE ACEITE", YEAR == "2018")  -> datos3
head(datos3)

class(datos3)

## [1] "data.frame"

datos4 <- datos3 %>% dplyr::select(MUNICIPIO, MPIO_CCDGO, YEAR, PRODUCCION_TON, `RENDIMIENTO_TON.HA`) 
datos4

datos4 %>% 
  gather("YEAR", "PRODUCCION_TON", "RENDIMIENTO_TON.HA", key = variable, value = number)

head(datos4)

datos4 %>% 
  group_by(MPIO_CCDGO) %>% 
  mutate(Visit = 1:n()) %>% 
  gather("YEAR", "PRODUCCION_TON", "RENDIMIENTO_TON.HA", key = variable, value = number) %>% 
  unite(combi, variable, Visit) %>%
  spread(combi, number) -> datos5 
head(datos5)

tail(datos5)

Ahora, la función “left_join” nos pemritirá unir la información deseada.Para esto, es recomendado hacer una copia de los datos en “cas_munic2”

cas_munic2 <- cas_munic
cas_munic_stat_palma = left_join(cas_munic2, datos5, by="MPIO_CCDGO")
summary(cas_munic_stat_palma)

##   DPTO_CCDGO         MPIO_CCDGO         MPIO_CNMBR         MPIO_CRSLC       
##  Length:19          Length:19          Length:19          Length:19         
##  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.   :  181.2   Min.   :2017   Length:19          Min.   :0.6746  
##  1st Qu.:  590.1   1st Qu.:2017   Class :character   1st Qu.:1.3227  
##  Median : 1101.8   Median :2017   Mode  :character   Median :2.0349  
##  Mean   : 2336.5   Mean   :2017                      Mean   :3.0545  
##  3rd Qu.: 2980.0   3rd Qu.:2017                      3rd Qu.:4.2199  
##  Max.   :12115.0   Max.   :2017                      Max.   :8.5701  
##                                                                      
##    Shape_Area       MUNICIPIO         PRODUCCION_TON_1 RENDIMIENTO_TON.HA_1
##  Min.   :0.01478   Length:19          Min.   :  703    Min.   :3.000       
##  1st Qu.:0.04808   Class :character   1st Qu.: 2105    1st Qu.:3.000       
##  Median :0.08981   Mode  :character   Median : 2943    Median :3.000       
##  Mean   :0.19027                      Mean   :22906    Mean   :3.444       
##  3rd Qu.:0.24256                      3rd Qu.:33181    3rd Qu.:4.000       
##  Max.   :0.98597                      Max.   :84389    Max.   :4.000       
##                                       NA's   :10       NA's   :10          
##      YEAR_1              geometry 
##  Min.   :2018   POLYGON      :19  
##  1st Qu.:2018   epsg:4326    : 0  
##  Median :2018   +proj=long...: 0  
##  Mean   :2018                     
##  3rd Qu.:2018                     
##  Max.   :2018                     
##  NA's   :10

4.1.1. Mapeo

Ahora, haremos un mapa interactivo en el cual se pueda observar la producción de cada municipio del departamento de Casanare, que presenta valores de producción de palma de aceite en el año 2018.

bins <- c(0, 1000, 5000, 10000, 20000, 40000, 60000, 80000, 90000)
pal <- colorBin("Oranges", domain = cas_munic_stat_palma$PRODUCCION_TON_1, bins = bins)

  mapa_palma <- leaflet(data = cas_munic_stat_palma) %>%
  addTiles() %>%
  addPolygons(label = ~PRODUCCION_TON_1,
              popup = ~MPIO_CNMBR,
              fillColor = ~pal(PRODUCCION_TON_1),
              color = "#444444",
              weight = 1,
              smoothFactor = 0.5,
              opacity = 1.5,
              fillOpacity = 0.5,
              highlightOptions = highlightOptions(color = "white", weight = 2, bringToFront = TRUE)
              ) %>%
  addProviderTiles(providers$OpenStreetMap) %>%
  addLegend("bottomright", pal = pal, values = ~PRODUCCION_TON_1,
    title = "Producción de palma en Casanare [Ton] (2018)",
    opacity = 1
  )
  mapa_palma

Este mismo procedimiento se repite para generar un mapa de la producción de arroz en el departamento, ya que es de los cultivos más importantes de la región.

4.2 ARROZ

Debido a que el cultivo de arroz para el año 2018 presenta valores de producción para el sistema productivo con sistema de riego, y otro para el valor de sistema productivo por secano, es necesario filtrar directamente con el sistema productivo.

4.2.1 Arroz riego

datos2 %>% filter(SISTEMA_PRODUCTIVO == "ARROZ_RIEGO", YEAR == "2018")  -> arroz_riego
tail(arroz_riego)

class(arroz_riego)

## [1] "data.frame"

arroz_riego2 <- arroz_riego %>% dplyr::select(MUNICIPIO, MPIO_CCDGO, YEAR, PRODUCCION_TON, `RENDIMIENTO_TON.HA`) 
arroz_riego2

arroz_riego2 %>% 
  gather("YEAR", "PRODUCCION_TON", "RENDIMIENTO_TON.HA", key = variable, value = number)

tail(arroz_riego2)

arroz_riego2 %>% 
  group_by(MPIO_CCDGO) %>% 
  mutate(Visit = 1:n()) %>% 
  gather("YEAR", "PRODUCCION_TON", "RENDIMIENTO_TON.HA", key = variable, value = number) %>% 
  unite(combi, variable, Visit) %>%
  spread(combi, number) -> arroz_riego3 
head(arroz_riego3)

tail(arroz_riego3)

cas_munic2 <- cas_munic
cas_munic_stat_arroz_riego = left_join(cas_munic2, arroz_riego3, by="MPIO_CCDGO")
summary(cas_munic_stat_arroz_riego)

##   DPTO_CCDGO         MPIO_CCDGO         MPIO_CNMBR         MPIO_CRSLC       
##  Length:19          Length:19          Length:19          Length:19         
##  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.   :  181.2   Min.   :2017   Length:19          Min.   :0.6746  
##  1st Qu.:  590.1   1st Qu.:2017   Class :character   1st Qu.:1.3227  
##  Median : 1101.8   Median :2017   Mode  :character   Median :2.0349  
##  Mean   : 2336.5   Mean   :2017                      Mean   :3.0545  
##  3rd Qu.: 2980.0   3rd Qu.:2017                      3rd Qu.:4.2199  
##  Max.   :12115.0   Max.   :2017                      Max.   :8.5701  
##                                                                      
##    Shape_Area       MUNICIPIO         PRODUCCION_TON_1 RENDIMIENTO_TON.HA_1
##  Min.   :0.01478   Length:19          Min.   : 103     Min.   :4.00        
##  1st Qu.:0.04808   Class :character   1st Qu.: 169     1st Qu.:4.75        
##  Median :0.08981   Mode  :character   Median :1728     Median :5.50        
##  Mean   :0.19027                      Mean   :1980     Mean   :5.50        
##  3rd Qu.:0.24256                      3rd Qu.:3540     3rd Qu.:6.25        
##  Max.   :0.98597                      Max.   :4362     Max.   :7.00        
##                                       NA's   :15       NA's   :15          
##      YEAR_1              geometry 
##  Min.   :2018   POLYGON      :19  
##  1st Qu.:2018   epsg:4326    : 0  
##  Median :2018   +proj=long...: 0  
##  Mean   :2018                     
##  3rd Qu.:2018                     
##  Max.   :2018                     
##  NA's   :15

4.2.1.1 Mapeo

bins <- c(1, 500, 1000, 2000, 3000, 4000, 5000, 6000)
pal <- colorBin("Oranges", domain = cas_munic_stat_arroz_riego$PRODUCCION_TON_1, bins = bins)

  mapa <- leaflet(data = cas_munic_stat_arroz_riego) %>%
  addTiles() %>%
  addPolygons(label = ~PRODUCCION_TON_1,
              popup = ~MPIO_CNMBR,
              fillColor = ~pal(PRODUCCION_TON_1),
              color = "#444444",
              weight = 1,
              smoothFactor = 0.5,
              opacity = 1.5,
              fillOpacity = 0.5,
              highlightOptions = highlightOptions(color = "white", weight = 2, bringToFront = TRUE)
              ) %>%
  addProviderTiles(providers$OpenStreetMap) %>%
  addLegend("bottomright", pal = pal, values = ~PRODUCCION_TON_1,
    title = "Producción de arroz por riego [Ton] (2018)",
    opacity = 1
  )
  mapa

4.2.2 Arroz secano mecanizado

datos2 %>% filter(SISTEMA_PRODUCTIVO == "ARROZ_SECANO_MECANIZADO", YEAR == "2018")  -> arroz_secano_mecanizado
head(arroz_secano_mecanizado)

class(arroz_secano_mecanizado)

## [1] "data.frame"

datos4 <- datos3 %>% dplyr::select(MUNICIPIO, MPIO_CCDGO, YEAR, PRODUCCION_TON, `RENDIMIENTO_TON.HA`) 
datos4

datos4 %>% 
  gather("YEAR", "PRODUCCION_TON", "RENDIMIENTO_TON.HA", key = variable, value = number)

head(datos4)

datos4 %>% 
  group_by(MPIO_CCDGO) %>% 
  mutate(Visit = 1:n()) %>% 
  gather("YEAR", "PRODUCCION_TON", "RENDIMIENTO_TON.HA", key = variable, value = number) %>% 
  unite(combi, variable, Visit) %>%
  spread(combi, number) -> datos5 
head(datos5)

tail(datos5)

cas_munic2 <- cas_munic
cas_munic_stat = left_join(cas_munic2, datos5, by="MPIO_CCDGO")
summary(cas_munic_stat)

##   DPTO_CCDGO         MPIO_CCDGO         MPIO_CNMBR         MPIO_CRSLC       
##  Length:19          Length:19          Length:19          Length:19         
##  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.   :  181.2   Min.   :2017   Length:19          Min.   :0.6746  
##  1st Qu.:  590.1   1st Qu.:2017   Class :character   1st Qu.:1.3227  
##  Median : 1101.8   Median :2017   Mode  :character   Median :2.0349  
##  Mean   : 2336.5   Mean   :2017                      Mean   :3.0545  
##  3rd Qu.: 2980.0   3rd Qu.:2017                      3rd Qu.:4.2199  
##  Max.   :12115.0   Max.   :2017                      Max.   :8.5701  
##                                                                      
##    Shape_Area       MUNICIPIO         PRODUCCION_TON_1 RENDIMIENTO_TON.HA_1
##  Min.   :0.01478   Length:19          Min.   :  703    Min.   :3.000       
##  1st Qu.:0.04808   Class :character   1st Qu.: 2105    1st Qu.:3.000       
##  Median :0.08981   Mode  :character   Median : 2943    Median :3.000       
##  Mean   :0.19027                      Mean   :22906    Mean   :3.444       
##  3rd Qu.:0.24256                      3rd Qu.:33181    3rd Qu.:4.000       
##  Max.   :0.98597                      Max.   :84389    Max.   :4.000       
##                                       NA's   :10       NA's   :10          
##      YEAR_1              geometry 
##  Min.   :2018   POLYGON      :19  
##  1st Qu.:2018   epsg:4326    : 0  
##  Median :2018   +proj=long...: 0  
##  Mean   :2018                     
##  3rd Qu.:2018                     
##  Max.   :2018                     
##  NA's   :10

4.2.2.1. Mapeo

bins <- c(1, 5000, 10000, 20000, 40000, 60000, 80000, 100000)
pal2 <- colorBin("Greens", domain = cas_munic_stat$PRODUCCION_TON_1, bins = bins)

  mapa2 <- leaflet(data = cas_munic_stat) %>%
  addTiles() %>%
  addPolygons(label = ~PRODUCCION_TON_1,
              popup = ~MPIO_CNMBR,
              fillColor = ~pal2(PRODUCCION_TON_1),
              color = "#444444",
              weight = 1,
              smoothFactor = 0.5,
              opacity = 1.5,
              fillOpacity = 0.5,
              highlightOptions = highlightOptions(color = "white", weight = 2, bringToFront = TRUE)
              ) %>%
  addProviderTiles(providers$OpenStreetMap) %>%
  addLegend("bottomright", pal = pal2, values = ~PRODUCCION_TON_1,
    title = "Producción de arroz secano mecanizado [Ton] (2018)",
    opacity = 1
  )
  mapa2

Para realizar una comparativa aproximada, se presentan los mapas obtenidos para el cultivo de arroz

mapa

mapa2

Se observa que la producción de arroz secano mecanizado está más restringida que la producción de arroz secano mecanizado, y a su vez presneta valores de rendimientos superiores.

6. Bibliografía

FAO. (2020). FAOSTAT - Producción de tomate en Honduras y Guatemala. En: http://www.fao.org/faostat/en/#data/QC

Ministerio de Agricultura. (2017). Evaluaciones agropecuarias municipales. Casanare. Disponible en: