library(pacman)
setwd("~/3er Semestre/ProyectoFinalPYE")
library(plotrix)
p_load("readr", "gganimate", "gifski", "plotly", "GGally", "readr", "DT", "rgdal", "raster", "sf", "tidyverse", "rgeos", "mapview", "leafpop", "gifski", "gganimate", "plotly")Introducción
¿Qué es la basura? La basura es conocida como un grupo de desperdicios que ya han caducado o su función ya no es necesaria, pero, ¿la basura puede afectar a los seres vivos? Sí. Los riesgos que propone la basura a todos los seres es muy alto, pues consiste en contaminación que, de igual forma, afecta al planeta tierra.
Es una problemática muy grande, pero nosotros nos vamos a enfocar dentro de un país, el cual es México. Como se mostrará más adelante, se explicará de que manera están creciendo los residuos que se generan y que partes son más afectadas por esto. La basura es un problema de todos, por lo cual analizar profundamente este tema y poder brindarle ayuda al planeta, y a todo ser vivo, será un proceso que se debe de iniciar inmediatamente, y no solamente un país o algunos estados, sino que, poco a poco, debe de irse planteando en los países habitantes.
Teoría
Antes de comenzar, se necesita explicar un poco de los conocimientos necesarios para comprender más a detalle la información, y así llegar al entendimiento óptimo de los objetivos.
En México se recolectan diariamente 86 343 toneladas de basura, es decir, 770 gramos por persona y son generadas principalmente en:
- Viviendas
- Edificios
- Calles y avenidas
- Parques y Jardines
Más de la mitad de basura que se genera en todo el país se recolecta en siete entidades federativas.
entidades
FUENTE: INEGI. Módulos ambientales.
Método
Resultados y discusión
Fecha = seq(from = as.Date("1995-01-01"), to = as.Date("2011-12-31"), by= 'year')
basura <- read.csv("basura.csv")
basura## anio basura rellenos
## 1 1995 30509.61 30
## 2 1996 31959.42 31
## 3 1997 29272.42 46
## 4 1998 30550.67 66
## 5 1999 30952.28 70
## 6 2000 30733.26 71
## 7 2001 31488.48 64
## 8 2002 32173.61 68
## 9 2003 32915.70 89
## 10 2004 34604.00 90
## 11 2005 35405.00 95
## 12 2006 36135.00 104
## 13 2007 36865.00 114
## 14 2008 37595.00 128
## 15 2009 38325.00 137
## 16 2010 40058.75 186
## 17 2011 41062.50 196num_basura <- basura$basura
num_rellenos <- basura$rellenos
datosb <- data.frame(Fecha, num_basura)
datosr <- data.frame(Fecha, num_rellenos)
ggplot(data= datosb) + geom_line(mapping = aes(x= Fecha, y= num_basura), colour="#2075B3")+ ggtitle("Cantidad de basura generada desde el año 1995 hasta el 2011")
ggplot(data= datosr) + geom_line(mapping = aes(x= Fecha, y= num_rellenos), colour="#3769A9")+ ggtitle("Cantidad de rellenos generados desde el año 1995 hasta el 2011")
Conforme lo representado en las gráficas, empezando del año 1995 hasta 1997 hubo un decremento en la generación de basura, así como también hubo aumento en los rellenos, sin embargo, después del año 1997 hubo un incremento en la basura, por lo que hizo que los rellenos también aumentaran. Se observa que los rellenos fueron en aumento cuando la generación de basura también lo hizo.
Análisis de correlación
## anio basura rellenos
## anio 1.0000000 0.9495559 0.9435149
## basura 0.9495559 1.0000000 0.9393043
## rellenos 0.9435149 0.9393043 1.0000000Con este resultado de correlación, podemos observar que da un 93% de relación entre la basura y los rellenos sanitarios, esto quiere decir que, la basura generada al año se relaciona con los rellenos; se hacen rellenos dependiendo de la basura que se genera.
Diagrama de disperción
En este diagrama veremos con detalle la relación entre la basura y los rellenos sanitarios, mediante gráficas, observamos que los puntos estan en ascenso; relativamente formando una linea creciente.
Test de correlación de Pearson
##
## Pearson's product-moment correlation
##
## data: basura$basura and basura$rellenos
## t = 10.604, df = 15, p-value = 2.299e-08
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## 0.8361639 0.9782823
## sample estimates:
## cor
## 0.9393043Este test es para conocer el porcentaje de relación entre datos. Se puede observar que entre la basura y los rellenos, efectivamente da el 93% de relación que resultó anteriormente.
Diagrama de dispreción de Pearson
ggpairs(basura, lower = list(continous = "smooth"), diag = list(continous = "bar"), axisLabels = "none")
En las referentes gráficas, se muestran mayormente los detalles de la relación que tienen los datos que se tienen. En base a los años, se puede apreciar que, normalmente, la basura y los rellenos van creciendo de la mano, quiere decir que, la generación de basura sí influye en el aumento de los rellenos sanitaros.
## Parsed with column specification:
## cols(
## AÑO = col_double(),
## UBICACION = col_character(),
## `TIPO_DISPOSICION_Y_VOLUMEN_(TONELADAS)` = col_double()
## )## # A tibble: 54 x 3
## AÑO UBICACION `TIPO_DISPOSICION_Y_VOLUMEN_(TO~
## <dbl> <chr> <dbl>
## 1 1995 Rellenos sanitarios 5952000
## 2 1995 Rellenos de tierra controlados 2555000
## 3 1995 Sitios no controlados (tiraderos a ci~ 21283630
## 4 1996 Rellenos sanitarios 8573000
## 5 1996 Rellenos de tierra controlados 2606000
## 6 1996 Sitios no controlados (tiraderos a ci~ 20027240
## 7 1997 Rellenos sanitarios 10269990
## 8 1997 Rellenos de tierra controlados 1657480
## 9 1997 Sitios no controlados (tiraderos a ci~ 16655120
## 10 1998 Rellenos sanitarios 15877140
## # ... with 44 more rowsEsta tabla se representan los datos de 3 diferentes ubicaciones (rellenos sanitarios, rellenos de tierra controlados y sitios no controlados), así como, también los respectivos datos de las toneladas de basura.
Ecuación de la recta de mínimos cuadrados
\[y = 27418.764 + 72.231x\]
## Parsed with column specification:
## cols(
## AÑO = col_double(),
## `GENERACION_TOTAL_(MILLONES_DE_TONELADAS)` = col_double(),
## `GENERACION_PER_CAPITA_(KG/HABITANTE/DIA)` = col_double()
## )## # A tibble: 21 x 3
## AÑO `GENERACION_TOTAL_(MILLONES_DE_TON~ `GENERACION_PER_CAPITA_(KG/HABITAN~
## <dbl> <dbl> <dbl>
## 1 1992 21968. 0.69
## 2 1993 28090. 0.88
## 3 1994 29472. 0.89
## 4 1995 30510. 0.92
## 5 1996 31959. 0.94
## 6 1997 29272. 0.84
## 7 1998 30551. 0.85
## 8 1999 30952. 0.84
## 9 2000 30733. 0.86
## 10 2001 31488. 0.87
## # ... with 11 more rows
Fecha = seq(from = as.Date("1992-01-01"), to = as.Date("2012-12-31"), by= 'year')
num_generacionTotal <- generacion$`GENERACION_TOTAL_(MILLONES_DE_TONELADAS)`
num_generacionCapital <- generacion$`GENERACION_PER_CAPITA_(KG/HABITANTE/DIA)`
datosgT <- data.frame(Fecha, num_generacionTotal)
datosgC <- data.frame(Fecha, num_generacionCapital)
ggplot(data= datosgT) + geom_line(mapping = aes(x= Fecha, y= num_generacionTotal), colour="#1A3D6A")+ ggtitle("Cantidad de la generación total de residuos desde el año 1992 hasta el 2012")
ggplot(data= datosgC) + geom_line(mapping = aes(x= Fecha, y= num_generacionCapital), colour="#08418A")+ ggtitle("Cantidad de la generación por capital de residuos desde el año 1992 hasta el 2012")
Analizando los datos se puede observar que en los años 1992 y 1993 hubo un gran incremento en la generación de residuos, tanto por capital (habitantes), como en total, así mismo, en los siguientes años siguió habiendo un incremento, no fue hasta que en el año 1997 hubo un decremento, sin embargo, en los siguientes años comenzó un nuevo incremento, hasta llegar a tener casi 1kg de residuos generados por habitante por día.
## Parsed with column specification:
## cols(
## .default = col_character(),
## Latitud = col_double(),
## Longitud = col_double(),
## Cantidad_en_toneladas_por_dia = col_double()
## )## See spec(...) for full column specifications.cuentaMonitoreo <- t(Peligro[Peligro$Monitoreo_de_higiene_y_seguridad=="Si",])
noCuentaMonitoreo <- t(Peligro[Peligro$Monitoreo_de_higiene_y_seguridad=="No",])
sDatoMonitoreo <- t(Peligro[Peligro$Monitoreo_de_higiene_y_seguridad=="SIN DATO",])
cuentaProceso <- t(Peligro[Peligro$Ningun_proceso=="Si",])
noCuentaProceso <- t(Peligro[Peligro$Ningun_proceso=="No",])
sDatoProceso <- t(Peligro[Peligro$Ningun_proceso=="SIN DATO",])
cuentaTratamiento <- t(Peligro[Peligro$Tratamiento_de_lixiviados=="Si",])
noCuentaTratamiento <- t(Peligro[Peligro$Tratamiento_de_lixiviados=="No",])
sDatoTratamiento <- t(Peligro[Peligro$Tratamiento_de_lixiviados=="SIN DATO",])
nivelRMuyAlto <- t(Peligro[Peligro$Riesgo=="MUY ALTO",])
nivelRAlto <- t(Peligro[Peligro$Riesgo=="ALTO",])
nivelRMedio <- t(Peligro[Peligro$Riesgo=="MEDIANO",])
nivelRBajo <- t(Peligro[Peligro$Riesgo=="BAJO",])
porcentajesMonitoreo <- as.numeric(round(((prop.table(table(Peligro$Monitoreo_de_higiene_y_seguridad)))*100),2))
etiquetasMonitoreo <- c("No", "Si", "SIN DATO")
etiquetasMonitoreo <- paste(etiquetasMonitoreo, porcentajesMonitoreo)
etiquetasMonitoreo <- paste(etiquetasMonitoreo, "%", sep = "")
colores <- c("#04DBFC", "#04FC84", "#0431FC", "#5704FC")
pie3D(porcentajesMonitoreo, labels = etiquetasMonitoreo,explode =0.2, main = "Basureros que cuentan con Monitoreo de Higiene y Seguridad",
sub = "Cuentan con Monitoreo de Higiene y Seguridad", col = colores)
library(readr)
consumo <- read_csv("gasto_del_consumo_final_privado.csv", col_types = cols(`AÑO` = col_number(), `PROMEDIO_TRIMESTRAL_DEL_CONSUMO_FINAL_PRIVADO_(MILLONES_DE_PESOS)` = col_number()))
consumo## # A tibble: 16 x 2
## AÑO `PROMEDIO_TRIMESTRAL_DEL_CONSUMO_FINAL_PRIVADO_(MILLONES_DE_PESOS)`
## <dbl> <dbl>
## 1 2003 8949065
## 2 2004 9376054
## 3 2005 9634744
## 4 2006 10025829
## 5 2007 10277419
## 6 2008 10350202
## 7 2009 9703198
## 8 2010 10051696
## 9 2011 10389467
## 10 2012 10632504
## 11 2013 10819251
## 12 2014 11046457
## 13 2015 11346412
## 14 2016 11774978
## 15 2017 12142285
## 16 2018 9857178Fecha = seq(from = as.Date("2003-01-01"), to = as.Date("2018-12-31"), by= 'year')
num_promedio <- consumo$`PROMEDIO_TRIMESTRAL_DEL_CONSUMO_FINAL_PRIVADO_(MILLONES_DE_PESOS)`
datosp <- data.frame(Fecha, num_promedio)
ggplot(data= datosp) + geom_line(mapping = aes(x= Fecha, y= num_promedio), colour="#4F91E5")+ ggtitle("Total de gasto de consumo desde el año 2003 hasta el 2018")
En esta gráfica se representan los datos de consumo final privado, es decir, el gasto que se hizo para el control de residuos/basura por año, desde el 2003 hasta el 2018. Aquí mismo, se observa que el gasto fue en incremento hasta el año 2008, cambiando a un decremento en el 2009 y volviendo cambiar, a un incremento, en el 2010 hasta el 2017, donde, un año después, hubo otro decremento en los gastos.
Basureros <- shapefile("Locaciones3.shp")
mapview::mapview(Basureros, labels=T, map.types="OpenTopoMap")En este mapa se encuentran respresentados los basureros de todo México, contando con sus datos, como su nombre, ID, entre otros.
Conclusión
Bibliografías
SEMARNAT. (2019). Indicadores Básicos del Desempeño Ambiental - Residuos sólidos. Recuperado el 9 de diciembre del 2020 de: https://datos.gob.mx/busca/dataset/indicadores-basicos-del-desempeno-ambiental--residuos-solidos
INEGI. (S.F.). Basura. Recuperado el 9 de diciembre del 2020 de: http://cuentame.inegi.org.mx/territorio/ambiente/basura.aspx?tema=T