Trabajo Final - Generación de Basura en México
Introducción
Método
Teoría
Resultados y discusión
Generación de basura en México
Datos desde 1992 hasta 2012 obtenidos de INEGI. INEGI. (2017). Indicadores Básicos del Desempeño Ambiental - Residuos sólidos. 8 de Diciembre de 2020, de SEMARNAT Sitio web: https://datos.gob.mx/busca/dataset/indicadores-basicos-del-desempeno-ambiental--residuos-solidos
library(pacman)
p_load("readr", "gganimate", "gifski", "plotly", "GGally", "readr", "DT", "rgdal", "raster", "sf", "tidyverse", "rgeos", "mapview", "leafpop", "gganimate", "ggplot2", "plotrix", "rmdformats", "ftdh")## Installing package into 'C:/Users/maari/OneDrive/Documentos/R/win-library/3.6'
## (as 'lib' is unspecified)## Warning: package 'ftdh' is not available (for R version 3.6.3)## Warning: unable to access index for repository http://www.stats.ox.ac.uk/pub/RWin/bin/windows/contrib/3.6:
## no fue posible abrir la URL 'http://www.stats.ox.ac.uk/pub/RWin/bin/windows/contrib/3.6/PACKAGES'## Warning: 'BiocManager' not available. Could not check Bioconductor.
##
## Please use `install.packages('BiocManager')` and then retry.## Warning in p_install(package, character.only = TRUE, ...):## Warning in library(package, lib.loc = lib.loc, character.only = TRUE,
## logical.return = TRUE, : there is no package called 'ftdh'## Warning in p_load("readr", "gganimate", "gifski", "plotly", "GGally", "readr", : Failed to install/load:
## ftdh## Parsed with column specification:
## cols(
## ANIO = col_double(),
## `GENERACION_TOTAL_(MILLONES_DE_TONELADAS)` = col_double(),
## `GENERACION_PER_CAPITA_(KG/HABITANTE/DIA)` = col_double()
## )Transformar datos
Visualización de datos
Gráfica 1
ggplot(data = dataresiduos)+
geom_line(mapping = aes(x = fecha, y = cantidad_residuos), colour="red") +
xlab("Fecha (año)") +
ylab("Cantidad de residuos (milones de toneladas)") +
ggtitle("Cantidad de residuos generados desde 1995 hasta 2012")
Gráfica 2
ggplot(data = dataresiduospc)+
geom_line(mapping = aes(x = fecha, y = cantidad_residuos_percapita), colour="blue") +
xlab("Fecha (año)") +
ylab("Cantidad de residuos per capita (Kg/habitante/día)") +
ggtitle("Cantidad de residuos generados per capita desde 1995 hasta 2012")
Las tablas muestran que cada año que pasa los residuos generados en México son muchos más, y lo mismo con la cantidad per cápita
Generación de basura en México y su población
Datos desde 1995 hasta 2010 obtenidos de INEGI. INEGI. (2015). Población. 8 de Diciembre de 2020, de INEGI Sitio web: https://www.inegi.org.mx/temas/estructura/
## Parsed with column specification:
## cols(
## ANIO = col_double(),
## `GENERACION_TOTAL_(MILLONES_DE_TONELADAS)` = col_double(),
## POBLACION = col_double()
## )Transformar datos
Visualización de datos
Correlación
## pfecha pcantidad_residuos cantidad_habitantes
## pfecha 1.0000000 0.9507191 0.9945817
## pcantidad_residuos 0.9507191 1.0000000 0.9634711
## cantidad_habitantes 0.9945817 0.9634711 1.0000000Con esto se confirma que entre más habitantes hay más residuos hay generados (Correlación de 0.95), lo cual hace sentido, pero es alarmante.
Regresión Lineal
regresion <- lm(pcantidad_residuos ~ cantidad_habitantes, data=datapoblacionresiduos)
summary(regresion)##
## Call:
## lm(formula = pcantidad_residuos ~ cantidad_habitantes, data = datapoblacionresiduos)
##
## Residuals:
## 1 2 3 4
## 1130.5 -1710.3 161.0 418.8
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.479e+04 9.653e+03 -1.532 0.2652
## cantidad_habitantes 4.845e-04 9.523e-05 5.088 0.0365 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1484 on 2 degrees of freedom
## Multiple R-squared: 0.9283, Adjusted R-squared: 0.8924
## F-statistic: 25.88 on 1 and 2 DF, p-value: 0.03653- Entonces, la recta de mínimos cuadrados, sería la siguiente:
\[ y = -14790 + 0.0004845 x\]
Representación gráfica de la recta
Gráfica 4
plot(datapoblacionresiduos$cantidad_habitantes, datapoblacionresiduos$pcantidad_residuos, xlab = "Población", ylab = "Residuos")
abline(regresion)
La población en México está creciendo de manera constante con cada año que pasa, por lo que la premisa es que con cada año que pase igualmente la basura debería crecer en esta proporción, sin embargo esto no es regular como si lo es el crecimiento de la población, y de igual manera la contaminación y las consecuencias de la basura serán mayores.
Rellenos sanitarios de México
Datos desde 1995 hasta 2012 obtenidos de: https://datos.gob.mx/busca/dataset/indicadores-basicos-del-desempeno-ambiental--residuos-solidos
## Parsed with column specification:
## cols(
## AÑO = col_double(),
## CONCEPTO = col_character(),
## `RELLENOS_SANITARIOS_(NUMERO)` = col_double()
## )Generación de basura y rellenos sanitarios en México
Datos desde 1995 hasta 2012 obtenidos de: INEGI. (2017). Indicadores Básicos del Desempeño Ambiental - Residuos sólidos. 8 de Diciembre de 2020, de SEMARNAT Sitio web: https://datos.gob.mx/busca/dataset/indicadores-basicos-del-desempeno-ambiental--residuos-solidos
## Parsed with column specification:
## cols(
## ANIO = col_double(),
## `GENERACION_TOTAL_(MILLONES_DE_TONELADAS)` = col_double(),
## `RELLENOS_SANITARIOS_(NUMERO)` = col_double()
## )Transformar datos
Visualización de datos
Correlación
## rfecha rcantidad_basura cantidad_rellenos
## rfecha 1.0000000 0.9561011 0.9168572
## rcantidad_basura 0.9561011 1.0000000 0.9350937
## cantidad_rellenos 0.9168572 0.9350937 1.0000000Aquí se aprecia la correlación que existe entre la cantidad de basura, la fecha y la cantidad de rellenos, tieniendo por más correlacionados a que entre cada año que pasa aumenta más la basura (Correlación de 0.95) y aunque también la fecha respecto a la cantidad de rellenos están correlacionadas (Correlación de 0.93), no son tantos los rellenos nuevos con año que sucede.
Diagrama de dispersión
regresionrellenos <- lm(rcantidad_basura ~ cantidad_rellenos, data = datarellenosbasura)
summary(regresionrellenos)##
## Call:
## lm(formula = rcantidad_basura ~ cantidad_rellenos, data = datarellenosbasura)
##
## Residuals:
## Min 1Q Median 3Q Max
## -2242.9 -1433.8 348.8 1384.6 1791.0
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 28249.163 693.541 40.73 < 2e-16 ***
## cantidad_rellenos 61.910 5.866 10.55 1.29e-08 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1467 on 16 degrees of freedom
## Multiple R-squared: 0.8744, Adjusted R-squared: 0.8666
## F-statistic: 111.4 on 1 and 16 DF, p-value: 1.29e-08- Entonces, la recta de mínimos cuadrados, sería la siguiente:
\[ y = 28249.163 + 61.910 x\]
Representación gráfica de la recta
Gráfica 6
plot (datarellenosbasura$cantidad_rellenos, datarellenosbasura$rcantidad_basura, xlab = "Cantidad de rellenos", ylab = "Residuos")
abline(regresionrellenos)
Estas gráficas nos dicen que entre más población existe más generación de residuos existirá en el país, sin embargo los rellenos sanitarios que se tienen no son ni suficientes en cantidad, ni una solución efectiva ni permanente, además que la administración que se tiene de estos residuos que se recaban es muy mala.
¿En dónde terminan los residuos generados?
Datos preliminares de INEGI, 2017
Si ya hablamos que la recolección, gestión y administración de los residuos no es buena en México, ¿dónde es que terminan estos?
Según datos de: INEGI. (2017). Indicadores Básicos del Desempeño Ambiental - Residuos sólidos. 8 de Diciembre de 2020, de SEMARNAT Sitio web: https://datos.gob.mx/busca/dataset/indicadores-basicos-del-desempeno-ambiental--residuos-solidos
La disposición final de los residuos aún hoy que hay “muchos más” rellenos sanitarios sigue siendo en un gran porcentaje en tiraderos no controlados y al aire libre.
disposicion <- read_csv("disposicion.csv",
col_types = cols(ANIO = col_number(),
TONELADAS = col_number()))
datatable(disposicion)Cantidad de basura en rellenos sanitarios
Gráfica 7
ton_rellenos <- (disposicion[disposicion$UBICACION == "Rellenos sanitarios",])
ggplot(data = ton_rellenos) +
geom_line(mapping = aes(x= ANIO, y= TONELADAS), colour="green" )+
xlab("Fecha (año)")+
ylab("Toneladas de residuos en rellenos")+
ggtitle("Residuos en rellenos sanitarios en México desde 1995 hasta 2012")
Cantidad de basura en rellenos de tierra controlados
Gráfica 8
ton_tierra <- (disposicion[disposicion$UBICACION == "Rellenos de tierra controlados",])
ggplot(data = ton_tierra) +
geom_line(mapping = aes(x= ANIO, y= TONELADAS), colour="black" )+
xlab("Fecha (año)")+
ylab("Toneladas de residuos en rellenos de tierra controlados")+
ggtitle("Residuos en rellenos de tierra controlados en México desde 1995 hasta 2012")
Cantidad de basura en sitios no controlados
Gráfica 9
ton_sincontrol <- (disposicion[disposicion$UBICACION == "Sitios no controlados (tiraderos a cielo abierto)",])
ggplot(data = ton_sincontrol) +
geom_line(mapping = aes(x= ANIO, y= TONELADAS), colour="red" )+
xlab("Fecha (año)")+
ylab("Toneladas de residuos en sitios no controlados")+
ggtitle("Residuos en sitios no controlados en México desde 1995 hasta 2012")
Estos datos nos dicen que cada día que pasa existe más recolección de basura desde todos los sectores de la población hacia sectores ya sean rellenos sanitarios o rellenos de tierra controlados, y que cada vez hay menos basura en tiraderos urbanos
Pero la contaminación está en aumento, y cada vez se supone que corre más peligro la población por esta misma, ¿Porqué es esto así?, para responder a esto es necesario detectar los materiales desechados, al igual que analizar si cada sector de la población influye en esto y exactamente el tipo control que existe en estos basurones y rellenos…
Tiraderos a lo largo de México
//{r} Basureros <- shapefile("Locaciones3.shp") mapview::mapview(Basureros, labels=T, map.types="OpenTopoMap") //
Mapa que muestra los basureros registrados en el país por nombre y municipio/localidad
Materiales que son desechados en México
Según datos de: https://datos.gob.mx/busca/dataset/indicadores-basicos-del-desempeno-ambiental--residuos-solidos/resource/47e472b8-f55e-4309-add5-88f892c465ce Estos son los porcentajes que se generaron de basura en 2011 en México.
materiales <- read_csv("materiales.csv",
col_types = cols(KILOSDIA = col_number(),
PORCENTAJE = col_number()))
datatable(materiales)La tabla anterior nos muestran algunas cosas preocupantes, lo primero es que existe un gran porcentaje de papel, cartón y vidrio siendo desechado como residuo, siendo estos materiales que tienen muchas maneras de reutilizarse sin pasar por procesos industriales y en caso de que sea esto necesario hay lugares y campañas que se dedican a esto y no se están llevando a esos lugares, al igual que con el PET y plásticos pero estos son mucho más peligrosos que los anteriores, por lo cuál nos lleva a la cuestión de que riesgos existen que en los rellenos y en los basureros intraurbanos existan estos tipos de residuos sin gestionar.
pxc <- read.csv("Peligro contaminación por residuos solidos urbanos.csv")
cuentaMonitoreo <- t(pxc[pxc$Monitoreo_de_higiene_y_seguridad=="Si",])
noCuentaMonitoreo <- t(pxc[pxc$Monitoreo_de_higiene_y_seguridad=="No",])
sDatoMonitoreo <- t(pxc[pxc$Monitoreo_de_higiene_y_seguridad=="SIN DATO",])
cuentaProceso <- t(pxc[pxc$Ningun_proceso=="Si",])
noCuentaProceso <- t(pxc[pxc$Ningun_proceso=="No",])
sDatoProceso <- t(pxc[pxc$Ningun_proceso=="SIN DATO",])
cuentaTratamiento <- t(pxc[pxc$Tratamiento.de.lixiviados=="Si",])
noCuentaTratamiento <- t(pxc[pxc$Tratamiento.de.lixiviados=="No",])
sDatoTratamiento <- t(pxc[pxc$Tratamiento.de.lixiviados=="SIN DATO",])
nivelRMuyAlto <- t(pxc[pxc$Riesgo=="MUY ALTO",])
nivelRAlto <- t(pxc[pxc$Riesgo=="ALTO",])
nivelRMedio <- t(pxc[pxc$Riesgo=="MEDIANO",])
nivelRBajo <- t(pxc[pxc$Riesgo=="BAJO",])Gráfica 10
porcentajesMonitoreo <- as.numeric(round(((prop.table(table(pxc$Monitoreo_de_higiene_y_seguridad)))*100),2))
porcentajesMonitoreo## [1] 76.62 14.31 9.06etiquetasMonitoreo <- c("No", "Si", "SIN DATO")
etiquetasMonitoreo <- paste(etiquetasMonitoreo, porcentajesMonitoreo)
etiquetasMonitoreo## [1] "No 76.62" "Si 14.31" "SIN DATO 9.06"## [1] "No 76.62%" "Si 14.31%" "SIN DATO 9.06%"colores <- c("olivedrab", "darkolivegreen", "khaki", "darkgoldenrod")
pie3D(porcentajesMonitoreo, labels = etiquetasMonitoreo,explode =0.1, main = "Basureros que cuentan con Monitoreo de Higiene y Seguridad",
sub = "Cuentan con Monitoreo de Higiene y Seguridad", col = colores)
Lo que esta gráfica representa es que la gran mayoría de los rellenos NO CUENTAN CON UN MONITOREO, lo que nos lleva a decir que no existe una administración adecuada dependiendo del material que es desechado y va a dar a los rellenos.
Gráfica 11
porcentajesProceso <- as.numeric(round(((prop.table(table(pxc$Ningun_proceso)))*100),2))
porcentajesProceso## [1] 53.17 34.96 11.87etiquetasProceso <- c("No", "Si", "SIN DATO")
etiquetasProceso <- paste(etiquetasProceso, porcentajesProceso)
etiquetasProceso## [1] "No 53.17" "Si 34.96" "SIN DATO 11.87"## [1] "No 53.17%" "Si 34.96%" "SIN DATO 11.87%"colores <- c("olivedrab", "darkolivegreen", "khaki", "darkgoldenrod")
pie3D(porcentajesProceso, labels = etiquetasProceso,explode =0.1, main = "Basureros sin ningun proceso",
sub = "Sin ningun proceso", col = colores)
De igual manera tampoco existe un número grande de basureros con un proceso en el que los residuos puedan ser gestionados, es decir, es simplemente un lugar en el que va a parar TODO lo desechado, sin más.
Gráfica 12
porcentajesMonitoreo <- as.numeric(round(((prop.table(table(pxc$Monitoreo_de_higiene_y_seguridad)))*100),2))
porcentajesMonitoreo## [1] 76.62 14.31 9.06etiquetasMonitoreo <- c("No", "Si", "SIN DATO")
etiquetasMonitoreo <- paste(etiquetasMonitoreo, porcentajesMonitoreo)
etiquetasMonitoreo## [1] "No 76.62" "Si 14.31" "SIN DATO 9.06"## [1] "No 76.62%" "Si 14.31%" "SIN DATO 9.06%"colores <- c("olivedrab", "darkolivegreen", "khaki", "darkgoldenrod")
pie3D(porcentajesMonitoreo,labels = etiquetasMonitoreo, explode =0.1,
main = "Basureros que cuentan con Monitoreo de Higiene y Seguridad",
sub = "Cuentan con Monitoreo de Higiene y Seguridad", col = colores)
Solamente el 9.06% de los basureros cuentan con el monitoreo de igiene, lo cuál hace complicado el trabajo de analizar con exactitud que tipo de problemas puede causar esto, pues no hay datos de que tan higiénico o no están estos o que protocolos de salud se llevan a cabo para no afectar a la población.
Riesgos
Gráfica 13
porcentajesTratamiento <- as.numeric(round(((prop.table(table(pxc$Tratamiento.de.lixiviados)))*100),2))
porcentajesTratamiento## [1] 95.03 3.61 1.36etiquetasTratamiento <- c("No", "Si", "SIN DATO")
etiquetasTratamiento <- paste(etiquetasTratamiento, porcentajesTratamiento)
etiquetasTratamiento## [1] "No 95.03" "Si 3.61" "SIN DATO 1.36"## [1] "No 95.03%" "Si 3.61%" "SIN DATO 1.36%"colores <- c("darkolivegreen", "yellowgreen", "darkgoldenrod")
pie3D(porcentajesTratamiento,labels = etiquetasTratamiento, explode= 0.1, theta = pi/2,border=par("fg"),
main = "Basureros con Tratamiento de Lixiviado",
sub = "Cuenta con Tratamiento de Lixiviado", col = colores)
En las zonas aledañas a los basurones y rellenos sanitarios hay alta exposición de contaminantes de suelo y de aire, son los primeros en recibir el impacto de los lixiviados, además que cuando existen precipitaciones los primeros en este impacto aumenta casi en un 50% según Revista internacional de contaminación ambiental .
Gráfica 14
## [1] 40.46 4.61 49.36 5.57etiquetasRiesgo <- c("ALTO", "BAJO", "MEDIANO", "MUY ALTO")
etiquetasRiesgo <- paste(etiquetasRiesgo, porcentajesRiesgo)
etiquetasRiesgo## [1] "ALTO 40.46" "BAJO 4.61" "MEDIANO 49.36" "MUY ALTO 5.57"## [1] "ALTO 40.46%" "BAJO 4.61%" "MEDIANO 49.36%" "MUY ALTO 5.57%"colores <- c("darkorange", "yellowgreen", "gold", "firebrick")
pie3D(porcentajesRiesgo,labels = etiquetasRiesgo, explode= 0.2, edges = NA, radius = .85, height = .15, theta = pi/3, start=0,border=par("fg"),
main = "Basureros según su Nivel de Riesgo",
sub = "Nivel de Riesgo", col = colores)
Entidades con basureros de riesgo muy alto
entRMA <- read.csv("entidad.riesgos.csv")
entRMAa <- data.frame(entRMA$Nombre_de_la_entidad, entRMA$Riesgo)
datatable(entRMAa)Como podemos ver en esta gráfica (Gráfica 14) de pastel y en la tabla de datos una gran cantidad de basureros de entidades y municipios tienen riesgo realmente grandes.
Según la gráfica 14 el 4.61% de los basureros está en un riesgo bajo y un 49.36% con un riesgo mediano, mas sin embargo la gráfica 10 y 11 nos dicen que no existen monitoreos en la gran mayoría de los basureros, por lo que estos porcentajes de riesgos son engañosos o mejor dicho no son lo suficientemente ACERTADOS.
Conclusión
La generación de basura en México se encuentra en una situación alarmante, debido al crecimiento que ha tomado con respecto al tiempo y a la población. Sin embargo, no necesariamente se puede decir que entre más habitantes existan, más basura se generará.
Por ello, se piensa que la problemática se encuentra dentro del país ya sea por la falta de normas de separación y reciclaje de basura. No obstante, el gobierno no es el único responsable de esta situación, pues los mismos habitantes no cuentan con la iniciativa de mantener las zonas en las que se encuentran de manera limpia y esto simplemente es por falta de conciencia.
- ¿Qué medidas puede México tomar para comenzar a cambiar?
Se necesita empezar desde uno mismo y tomar acción de forma responsable:
- Implementar el reciclaje
- Separar la basura (crear compostaje con lo orgánico)
- Evitar contaminar lugares públicos (áreas verdes, calles)
- Realizar proyectos de limpieza en parques de la localidad
- Evitar el consumismo irresponsable
Bibliografías
- Gerardo Benarche Pérez. (Diciembre 2011). Riesgo de contaminación por disposición final de residuos. Un estudio de la región centro occidente de México. Revista internacional de contaminación ambiental, vol.28, 9.