U1A6

Fernando A.,Julian P.,Ian S.,Juan Pablo V.

2/16/2021

1 La aplicación de ciencia de datos en la Agricultura

1.1 Introducción a este documento

En este documento estaremos explicando el cómo representar gráficamente datos sobre la agricultura desde un tema que escogímos, el cual son las “Hortalizas” y cómo su producción desde el año 2018 al 2019 fue evolucionando

  • Este análisis fue hecho con el propósito del aprendizaje para la materia de Estadística aplicada, en la cuál se nos enseña a usar R y sus funciones para representar datos y hacer análisis de los mismos

  • A continuación veremoslos 3 temas siguientes por orden:

  1. La teoría detrás de las Hortalizas y su rendimiento
  2. Agricultura impulsada por datos
  3. Las tablas donde se muestran en comparación las 5 hortalizas 2018 y 2019
  4. Un conjunto de las dos tablas
  5. Conclusión

Hortalizas

1.2 Teoría

1.2.1 Datos curiosos de las 10 principales hortalizas en Sonora:

DatosC

Aportaron el 31.1% de la produccion total de la actividad agrícola de Sonora y generaron el 43.8% del valor total de la producción generada por la agricultura en el estado.

Generaron divisas al estado del orden de los 1,508.2 millones de dolares, que representan el 56.8% del total generado por la agricultura en Sonora. Generaron 5.7 millones de jornales, que representan el 33% del total generado por la agricultura en Sonora.

1.2.2 ¿Que ha pasado en la ciencia que afecte el rendimiento en los ultimos 20 años?

Desde hace años el enfoque de la ciencia áplicada a la agricultura no ha tenido como mision elevar la producción aunque sea una consecuencia inmediata, lo que se busca es reducir las mermas que para los agricultores es de los problemas más graves de los que se encuentran, entonces ellos estan mas preocupados por que su cultivo se mantenga saludable y se convierta en un negocio un poco más seguro.

Somos conscientes del nivel de los avances tecnológicos en la producción agrícola de los últimos años. No tienen precedentes en la historia del trabajo del hombre de campo.

Mejoraron la calidad laboral, gracias a la implementación de maquinaria especializada y la mejora en la calidad de las semillas. Fueron de vital importancia en el desarrollo de insumos que maximizan la cantidad y la calidad de la producción.

1.2.3 ¿Que ha pasado en la sociedad para que este sea el comportamiento evolutivo en la agricultura?

La posición geográfica de México lo convierte en depositario de grandes cantidades de tierra, sol, viento y agua, razón por la cual, si no se optimizan estos recursos con ayuda de nuevas herramientas tecnológicas, el cambio climático será un factor que influirá de manera negativa en el destino de muchas familias que se dedican principalmente al campo.(Servín, A. 2018)

1.2.4 La papa como cultivo sustentable.

La papa como producto alimenticio presento una fuerte expansión a nivel mundial situándose como el cuarto alimento básico en la década de los noventa, después del trigo, el arroz y el maíz. Esta expansión se deriva de la gran capacidad de adaptación a los distintos climas y sistemas de cultivo que presenta este tubérculo, lo cual ha producido el aumento en su producción y consumo.(Liza, S. 2019)

Esto genera una gran atracción por los agricultores ya que lo que buscan es asegurar su cosecha, y no requerir de mucha inversión.

1.3 Agricultura basada en datos

A lo largo de la historia, los agricultores siempre han luchado por poder mantener y controlar sus cultivos debido a factores importantes como el clima. Una inundación impredecible destruye los campos y las sequías lo secan todo y con el agua limitada que podría tener el agricultor, saber cuándo regar es un juego de adivinanzas impredecible.

Este podría no ser el caso por mucho tiempo en el campo de la “agricultura basada en datos”. Con este concepto introducido en su finca, el agricultor podrá tener un control más específico sobre su finca. A partir de los datos que produce la finca, una finca podrá responder a las preguntas

  • Que producir
  • Cuando producir
  • Donde producir?
  • ¿Para quién producir?
  • ¿Qué operaciones hacer cuando?
  • ¿Dónde en la granja?

Aparte de esto, los datos probados también permiten al agricultor tener un control más fino sobre las operaciones que se deben realizar en la recolección de los cultivos. Les ayuda saber como es el producto que crece, el estado de la tierra y determinar qué tan hidratados están los cultivos. Ahora, al ver los datos en bruto directamente, el agricultor tiene la capacidad de hacer ajustes para corregir esto o mejorarlo, posiblemente agregando acciones autónomas.Desafortunadamente, la agricultura basada en datos no es accesible para todos debido al precio del software y hardware necesarios para poder realizar este trabajo. Si bien es un gran paso hacia adelante, todavía se requieren algunos avances en roder para que esté disponible para todos.

1.4 Importación y filtrado de datos

library(pacman)
p_load('readr','prettydoc','dplyr','ggplot2','plotly','gganimate')

# Importación de datos de agricultura 2019
agricultura2019 <- read_csv("Cierre_agricola_mun_2019.csv")
## 
## -- Column specification --------------------------------------------------------
## cols(
##   .default = col_double(),
##   Nomestado = col_character(),
##   Nomddr = col_character(),
##   Nomcader = col_character(),
##   Nommunicipio = col_character(),
##   Nomcicloproductivo = col_character(),
##   Nommodalidad = col_character(),
##   Nomunidad = col_character(),
##   Nomcultivo = col_character()
## )
## i Use `spec()` for the full column specifications.
# Importación de datos de agricultura 2018
agricultura2018 <- read_csv("Cierre_agricola_mun_2018.csv")
## 
## -- Column specification --------------------------------------------------------
## cols(
##   .default = col_double(),
##   Nomestado = col_character(),
##   Nomddr = col_character(),
##   Nomcader = col_character(),
##   Nommunicipio = col_character(),
##   Nomcicloproductivo = col_character(),
##   Nommodalidad = col_character(),
##   Nomunidad = col_character(),
##   Nomcultivo = col_character()
## )
## i Use `spec()` for the full column specifications.
# Filtrado de datos para el estado de sonora del año 2019
agricultura2019 <- agricultura2019[agricultura2019$Nomestado=='Sonora' ,]

# Filtrado de datos para el estado de sonora del año 2018
agricultura2018 <- agricultura2018[agricultura2018$Nomestado=='Sonora' ,]


hortalizas2019 <- agricultura2019 %>% filter(Nomcultivo == 'Sandia' | Nomcultivo == 'Papa' | Nomcultivo == 'Pepino' | Nomcultivo == 'Chile verde' | Nomcultivo == 'Calabacita')

hortalizas2019 <- hortalizas2019[1:132,]

hortalizas2018 <- agricultura2018 %>% filter(Nomcultivo == 'Sandia' | Nomcultivo == 'Papa' | Nomcultivo == 'Pepino' | Nomcultivo == 'Chile verde' | Nomcultivo == 'Calabacita')

1.4.1 Gráfico interactivo para los cultivos mas importantes del año 2018

En esta tabla podemos apreciar como la Sandía es sumamente solicitada y cultivada en el año 2018, junto con ella podemos analizar que tanto la Calabacita como la Papa son los segundos lugares y por último el chile verde un poco más arriba de el Pepino, todos de ellos Hortalizas.

horta2018 <- ggplot(hortalizas2018, aes(fill=Nomcultivo, y=Sembrada, x=Anio))+
  geom_bar(position="dodge", stat="identity")+
  labs(x="Tipo de cultivo", y="Hectarea sembradas", title="Principales hortalizas en Sonora")


ggplotly(horta2018)

1.4.2 Gráfico interactivo para los cultivos mas importantes del año 2019

Continuando con la segunda tabla podemos apreciar que las escalas de Hectareas sembradas han bajado,por lo que ahora sepuede apreciar de cerca como la papa y la sandía son igualmente solicitadas, esto nos da información clave ya que gracias a la ciencia de datos podemos hacer nuestras hipótesis acerca de el por que el consumo de la sandía a bajado tanto. Además podemos notar el poco crecimiento que han tenido tanto el chile verde como, la papa y el pepino, a su vez también podemos notar el decremento de la calabacita

horta2019 <- ggplot(hortalizas2019, aes(fill=Nomcultivo, y=Sembrada, x=Anio))+
  geom_bar(position="dodge", stat="identity")+
  labs(x="Tipo de cultivo", y="Hectarea sembradas", title="Principales hortalizas en Sonora")

ggplotly(horta2019)

1.5 Conclusión

Este trabajo nos ayudo a reforzar los aprendizajes aprendidos en las clases anteriores de estadística aplicada, aprendímos que la ciencia de datos nos puede ayudar a identificar cambios constantes o de cierto rango de fechas y así poder empezar a sacar nuetraspropias conlcusiones sobre el resultado de las mismas, así mismo también aprendemos a tener más conciencia sobre los datos así como también a saber ordenarlos de manera correcta.

1.6 Bibliografía

Alba Servín 28 de abril de 2018, 08:25, Horas, H. M. R. P., Horas, H. C. B. P., Horas, H. G. K. A. P., Horas, H. G. L. P., González, L., Content, B., R., K., Pérez, M., Rosa, A., Fredes, F., & Meza, E. L. E. Y. (2018, 29 abril). El futuro del campo. El Economista. https://www.eleconomista.com.mx/empresas/El-futuro-del-campo-20180428-0002.html

Liza, S. E. C., Muñoz, A. V., & Bendezú, S. G. (2019). Análisis de la sustentabilidad económica de la producción de papa en la región Lima. TAYACAJA, 1(2).

Maru A, Berne D, De Beer J et al. Digital and Data-Driven Agriculture: Harnessing the Power of Data for Smallholders [version 1; not peer reviewed]. F1000Research 2018, 7:525 (http://dx.doi.org/10.7490/f1000research.1115402.1)

TedX Talks. (26 de julio de 2018).How data-driven farming could transform agriculture | Ranveer Chandra | TEDxUniversityofRochester. Youtube.https://www.youtube.com/watch?v=dpVylFjT-Cw&feature=youtu.be&ab_channel=TEDxTalks