Agricultura Impulsada por Datos

Introducción

Apesar de su clima desertico, la produccion agricola en Sonora a demostrado ser mas que competente, gracias a la tenacidad de los productores de estas tierras que cubren bien aspectos como la inocuidad, fitosanitaria y procesos poscosecha, gracias a su gran extensión territorial, junto con su variabilidad de clima, consigue generar grandes volumenes de produccion de la mejor calidad.

Hipotesis

¿Ha habido una reduccion en la activida agricola desde los inicios de la pandemia?

Objetivos

  • Retratar el comportamiento de la siembras en sonora en los ultimos años
  • Demostrar si hay alguna relación entre el comportamiento de las actividades agricolas y el inicio de la pandemia
  • Mostrar como esto a afectado a la zona de cajeme

Importar liberias

library(readr)
library(DT)
library(pacman)
library(ggplot2)

p_load("base64enc", "htmltools", "mime", "xfun", "prettydoc","readr", "knitr","DT","dplyr", "ggplot2","plotly", "gganimate","gifski","scales")

Descargar codigo

xfun::embed_file("U1A6.Rmd")

Download U1A6.Rmd ## Datos 2020 Los datos fueron obtenidos de SIAP

Podemos ver la información de la siembras correspondiendes a los municipios de Sonora durante el mes de Marzo del 2020, mes en el que comenzo la pandemia.

datos1 <- read.csv("SiembrasCosechas2020.csv", encoding = "UTF-8")
class(datos1)
## [1] "data.frame"
head(datos1)
##    Municipio Sembrada Cosechada Siniestrada Anio
## 1      Bacum  22985.0   1050.00         0.0 2020
## 2     Cajeme  84051.9   2972.00         0.0 2020
## 3    Empalme   3802.0   1697.00         0.0 2020
## 4   Etchojoa  47350.5   2654.93         0.0 2020
## 5    Guaymas  23615.1   1920.00         0.0 2020
## 6 Hermosillo  21013.0      0.00       127.5 2020
datatable(datos1)

Datos 2019

Los datos fueron obtenidos de SIAP

Podemos ver la información de la siembras correspondiendes a los municipios de Sonora durante el mes de Marzo del 2019, un año antes de la pandemia fuera declarada.

datos2 <- read.csv("SiembrasCosechas2019.csv", encoding = "UTF-8")
class(datos2)
## [1] "data.frame"
head(datos2)
##    Municipio Sembrada Cosechada Siniestrada Anio
## 1      Bacum 32266.95  31529.95         737 2019
## 2     Cajeme 84979.50  84541.50         438 2019
## 3    Empalme  3857.00   3857.00           0 2019
## 4   Etchojoa 58881.14  58554.14         327 2019
## 5    Guaymas 21047.00  21047.00           0 2019
## 6 Hermosillo 30519.00  30519.00           0 2019
datatable(datos2)

Comparación de los Datos

municipios <- datos2$Municipio 
sembrada19 <- datos2$Sembrada 
sembrada20 <- datos1$Sembrada 

cosechada19 <- datos2$Cosechada 
cosechada20 <- datos1$Cosechada


dataf_sembrada <- data.frame(municipios,sembrada19,sembrada20) 
dataf_cosechada <- data.frame(municipios,cosechada20,cosechada20) 


sembrada  <- plot_ly(dataf_sembrada, x= municipios, y= sembrada19, name = "sembrada 2019", type = 'bar')%>% add_trace(y=sembrada20, name = "sembrada2020")
sembrada
cosechada <- plot_ly(dataf_cosechada, x= municipios, y= cosechada19, name = "cosechada 2019", type = 'bar')%>% add_trace(y=cosechada20, name = "cosechada 2020")
cosechada

En cuanto a los sembrado los datos son casi iguales ciertamente, pero por otro lado la cosecha se vio enormente reducida con respecto a su año pasado, esto debe tener relacion con que a inicios del mes de marzo del 2020 se inhabilito a los trabajadores.

Conclusión

Con la información ya retratada podemos ver que la hipotesis es correcta, los inicios del la cuarentena en México y el estado de pandemia mundial, han afectado enormemente a muchas areas de todo tipo, la agricultura sonorense no muestra ser la excepción y podemos ver como desde los inicios de la cuarentena ya afectaba de sobremanera a esta.