U1A10

Cristina Gpe. Arguelles Lema, Cielo Aholiva Higuera Gutierrez, Saul Eduardo López López y Mariana Pompa Rivera

25/2/2021

library(pacman) #Para importar la biblioteca "pacman"
p_load("base64enc", "htmltools", "mime", "xfun", "prettydoc","readr", "knitr","DT","dplyr", "ggplot2","plotly", "gganimate","gifski","scales")

Análisis de Apicultura en México

Acerca de este documento:

  • Este es documento basado en el análisis de apicultura en México, representado mayormente en la contribución de la abeja al ecosistema, así mismo factores realizados por humanos que puede llegar a la extinción, esto representado en datos de diferentes variables.

Datos obtenidos [Apicultura]

Descarga de este código

  • Para fines de reproducibilidad inmediata se incluye todo el código para su descarga
xfun::embed_file("U1A9.Rmd")

Download U1A9.Rmd

Introducción

  • La apicultura se describe como la actividad dedicada a la crianza de las abejas, brindándoles los cuidados necesarios con el objetivo de obtener y consumir los productos que son capaces de elaborar y recolectar. El principal producto que se obtiene de esta actividad es la miel, sin embargo también se procesan productos no menos importantes como el polen, jalea real, propóleos y veneno de abejas.

  • Las abejas son fundamentales para un equilibrio del medio ambiente ya que al obtener el alimento de las flores fomentan en las plantas la capacidad de fecundarse, actividad llamada polinización cruzada, con ésta, las plantas generan el oxígeno suficiente para la vida y además, aumentan el rendimiento en los cultivos, lo que favorece un incremento en alimentos de origen vegetal, materia prima textil, e insumos agropecuarios.

Alrededor del 70% de la agricultura mundial es posible por las abejas, que favorecen la polinización y reproducción de las plantas, lo cual equivale al 35% de la producción de alimentos

¿Por qué las abejas importan tanto a la humanidad?

  • La agricultura es la primera y auténtica beneficiaria de los servicios prestados por las abejas. Su contribución en términos económicos es realmente significativa, hasta tal punto que la renta directa de la apicultura (miel, cera, polen y otros productos) pasa a un segundo término.

  • Setenta de los 100 principales cultivos alimentarios que se cultivan en todo el mundo dependen de polinizadores, lo que equivale al 90 por ciento de la nutrición mundial. Sin la existencia de las abejas abría una escasez de alimentos.

  • También existirían consecuencias económicas ya que las abejas contribuyen alrededor de 3,250 pesos a la producción de cultivos por hectárea al año. Para poner eso en contexto, la Organización de las Naciones Unidas para la Agricultura y la Alimentación estima que 1.400 millones de hectáreas de tierra en todo el mundo se cultivan actualmente para cultivos. Eso equivale a agregar alrededor de $4.2 billones a la economía global.

¿Por qué las abejas están desapareciendo tan rápidamente?

  • La cantidad de abejas y otros polinizadores se está reduciendo en muchas partes del mundo debido, en buena parte, a las prácticas agrícolas intensivas, el monocultivo, el uso excesivo de productos químicos agrícolas y a unas temperaturas más altas asociadas al cambio climático, que afectan no solo a los rendimientos de los cultivos sino también la nutrición. Si esta tendencia continúa, cada vez con más frecuencias los cultivos nutritivos como frutas, nueces y muchas verduras serán sustituidos por cultivos básicos como el arroz, el maíz y las patatas, lo que podría derivar en una dieta desequilibrada.

  • En México la proliferación de cultivos de maíz ha presentado un grave problema para estos polinizadores, ya que quitan espacio para flores con polen, de las que se alimentan. Por otro lado, su hábitat natural está desapareciendo poco a poco; el campo se ve cada vez más reducido por la deforestación, según la SEMARNAT en los últimos 20 años el país ha perdido entre 155 mil y 776 mil hectáreas de bosques y selvas.

Gráfico de colmenas a través de los años

library(readxl)
library(ggplot2)
colmenass <- read_excel("Colmenas.xlsx") 
colmenas <- ggplot(data = colmenass) + 
  geom_line(aes(Fecha, Colmenas, colour="Colmenas")) + 
  xlab("Año") +
  ylab("Cantidad de Colmenas") +
  ggtitle("Colmenas a través de los años") 
library(plotly)
ggplotly(colmenas)

A partir de esta crisis económica en México surge una falta de reservas internacionales, causando devaluación del peso mexicano, por lo cual se puede observar que la cantidad de colmenas en México fue decreciendo de 1994 a 1997, pero en el año 1993 a 1994 se mantuvo constante. Finalmente en el periodo 2003-2015 la cantidad de colmenas fue aumentando con una cantidad de 2 millones, concluyendo que nunca se logró alcanzar la cantidad que existía en el año 1993.

Gráfico del Uso de Plaguicidas

library(readxl)
library(ggplot2)
Pest <- ggplot(data = colmenass) +
  geom_line(aes(Fecha, Toneladas, colour="Toneladas de plaguicidas")) + 
  xlab("Año") +
  ylab("Toneladas") +
  ggtitle("Plaguicidas uso (1990-2018)") +
 theme_linedraw()
  geom_point
## function (mapping = NULL, data = NULL, stat = "identity", position = "identity", 
##     ..., na.rm = FALSE, show.legend = NA, inherit.aes = TRUE) 
## {
##     layer(data = data, mapping = mapping, stat = stat, geom = GeomPoint, 
##         position = position, show.legend = show.legend, inherit.aes = inherit.aes, 
##         params = list(na.rm = na.rm, ...))
## }
## <bytecode: 0x00000000187b3088>
## <environment: namespace:ggplot2>
ggplotly(Pest)
  • En base a los datos de este grafico se puede observar que durante 1990 se mantuvo constante su producción plaguicidas hasta el 2000, que fue el año en el que decayó su productividad. Sin embargo, en 2002 comenzó a mostrar cambios positivos, aumentando su producción, dejando una cantidad de 50,894 toneladas en el 2007.

Gráfico de la Relación de Colmenas con el Uso de plaguicidas a través de los Años en México

library(readxl)
library(ggplot2)
colmenass <- read_excel("Colmenas.xlsx") 
rel <- ggplot(data = colmenass) +
  geom_line(aes(Fecha, Toneladas, colour="Toneladas de plaguicidas")) + 
  geom_line(aes(Fecha, Colmenas, colour="Colmenas (escala)")) +
  xlab("Año") +
  ylab("Comportamiento") +
  ggtitle("Relación entre el uso de plaguicidas y las colmenas de abeja (1990-2018)") +
 theme_linedraw()
  geom_point
## function (mapping = NULL, data = NULL, stat = "identity", position = "identity", 
##     ..., na.rm = FALSE, show.legend = NA, inherit.aes = TRUE) 
## {
##     layer(data = data, mapping = mapping, stat = stat, geom = GeomPoint, 
##         position = position, show.legend = show.legend, inherit.aes = inherit.aes, 
##         params = list(na.rm = na.rm, ...))
## }
## <bytecode: 0x00000000187b3088>
## <environment: namespace:ggplot2>
ggplotly(rel)
  • Debido al aumento de producción de plaguicidas en el 2003 en adelante, el número de colmenas fue decreciendo o permaneciendo constante en cantidades bajas de producción. Por lo que se puede deducir que el aumento de los plaguicidas es una de las causas del menor número de producción de colmenas en México.

Gráfica de Pastel Acerca de las Unidades de Producción por Entidad y Municipio

library(readxl)
Unidades <- read_excel("Unidades.xlsx") 
## New names:
## * `` -> ...3
## * `` -> ...4
ggplot(Unidades,aes(x=1 ,y=UnidadesProduccion , fill=Lugar))+
  geom_bar(stat = "identity",color="gray47")+
  geom_text(aes(label=percent(UnidadesProduccion)),
              position=position_stack(vjust=0.5),color="black",size=1.8,)+
  coord_polar(theta="y")

  • Para el estado de Sonora se analizó la cantidad de colmenas que existían en cada entidad y se puede observar que hermosillo cuenta con la mayor cantidad de producción de colmenas en el estado, mientras que cajeme es el segundo productor.

Existencia de Colmenas por Entidad y Municipio

Existencias <- read_excel("ExistenciasColmenas.xlsx")

Ex <- Existencias$Lugar
Col <- Existencias$ExistenciasColmenas
datos <- data.frame(Ex, Col)
Existencias<- ggplot(Existencias, aes( y=Col, x=Ex)) +
  geom_bar(position="dodge", stat="identity", fill= "violetred1") +
  labs(x="Entidad o Municipio", y="Cantidad de Colmenas", title="Existencia de Colmenas por Entidad o Municipio ") +
  theme(axis.text.x = element_text(angle=90,hjust=1),axis.text.y =element_text(size = 6)) +
  geom_smooth() 
library(plotly)
ggplotly(Existencias)
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'
  • En este gráfico se manejaron los mismos datos que el gráfico anterior, el único objetivo es visualizar los datos de mejor manera para darle una buena interpretación

Clasificación no supervisada k-means

ipak <- function(pkg){
  new.pkg <- pkg[!(pkg %in% installed.packages()[, "Package"])]
  if (length(new.pkg)) 
    install.packages(new.pkg, dependencies = TRUE)
  sapply(pkg, require, character.only = TRUE)
}

packages <- c("tidyverse","cluster", "factoextra","NbClust","tidyr")
ipak(packages)
## Loading required package: tidyverse
## -- Attaching packages --------------------------------------- tidyverse 1.3.0 --
## v tibble  3.0.5     v stringr 1.4.0
## v tidyr   1.1.2     v forcats 0.5.1
## v purrr   0.3.4
## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x scales::col_factor() masks readr::col_factor()
## x purrr::discard()     masks scales::discard()
## x plotly::filter()     masks dplyr::filter(), stats::filter()
## x dplyr::lag()         masks stats::lag()
## Loading required package: cluster
## Loading required package: factoextra
## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa
## Loading required package: NbClust
##  tidyverse    cluster factoextra    NbClust      tidyr 
##       TRUE       TRUE       TRUE       TRUE       TRUE
library(readxl)
df <- read_excel("colmenas2.xlsx")
df
## # A tibble: 29 x 2
##    Colmenas Toneladas
##       <dbl>     <dbl>
##  1  2114489     26625
##  2  2088315     26625
##  3  2107618     26625
##  4  2293733     26625
##  5  2292428     26625
##  6  2053761     26625
##  7  1919938     26625
##  8  1715948     26625
##  9  1791111     26625
## 10  1944573     26625
## # ... with 19 more rows
#normalizar las puntuaciones
df <- scale(df)
head(df)
##       Colmenas  Toneladas
## [1,] 1.2015898 -0.6981002
## [2,] 1.0445024 -0.6981002
## [3,] 1.1603524 -0.6981002
## [4,] 2.2773509 -0.6981002
## [5,] 2.2695187 -0.6981002
## [6,] 0.8371211 -0.6981002

Cálculo de matriz de distancias acerca de la relación que existe entre las colmenas y las toneladas de plaguicidas

#calcular la matriz de distancias
m.distancia <- get_dist(df, method = "euclidean") #el método aceptado también puede ser: "maximum", "manhattan", "canberra", "binary", "minkowski", "pearson", "spearman" o "kendall"
fviz_dist(m.distancia, gradient = list(low = "blue", mid = "white", high = "red"))

Estimación del número de Clústers de colmenas y toneladas de pesticidas

#estimar el número de clústers
#Elbow, silhouette o gap_stat  method
fviz_nbclust(df, kmeans, method = "wss")

fviz_nbclust(df, kmeans, method = "silhouette")

fviz_nbclust(df, kmeans, method = "gap_stat")

#calculamos los tres clústers
k2 <- kmeans(df, centers = 3, nstart = 25) #center es 3 porque tengo 3 clústers
k2
## K-means clustering with 3 clusters of sizes 13, 9, 7
## 
## Cluster means:
##     Colmenas  Toneladas
## 1 -0.3969498  0.9197530
## 2 -0.5752756 -1.0111962
## 3  1.4768326 -0.4080034
## 
## Clustering vector:
##  [1] 3 3 3 3 3 3 2 2 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 3
## 
## Within cluster sum of squares by cluster:
## [1] 5.158095 3.601788 5.580778
##  (between_SS / total_SS =  74.4 %)
## 
## Available components:
## 
## [1] "cluster"      "centers"      "totss"        "withinss"     "tot.withinss"
## [6] "betweenss"    "size"         "iter"         "ifault"
str(k2)
## List of 9
##  $ cluster     : int [1:29] 3 3 3 3 3 3 2 2 2 2 ...
##  $ centers     : num [1:3, 1:2] -0.397 -0.575 1.477 0.92 -1.011 ...
##   ..- attr(*, "dimnames")=List of 2
##   .. ..$ : chr [1:3] "1" "2" "3"
##   .. ..$ : chr [1:2] "Colmenas" "Toneladas"
##  $ totss       : num 56
##  $ withinss    : num [1:3] 5.16 3.6 5.58
##  $ tot.withinss: num 14.3
##  $ betweenss   : num 41.7
##  $ size        : int [1:3] 13 9 7
##  $ iter        : int 2
##  $ ifault      : int 0
##  - attr(*, "class")= chr "kmeans"

Gráfico de Clústers de colmenas y toneladas de pesticidas

#plotear los cluster
fviz_cluster(k2, data = df)

fviz_cluster(k2, data = df, ellipse.type = "euclid",repel = TRUE,star.plot = TRUE) #ellipse.type= "t", "norm", "euclid"

fviz_cluster(k2, data = df, ellipse.type = "norm")

fviz_cluster(k2, data = df, ellipse.type = "norm",palette = "Set2", ggtheme = theme_minimal())

Dendrograma acerca de la relación que existe entre colmenas y toneladas de pesticidas

res2 <- hcut(df, k = 4, stand = TRUE)
fviz_dend(res2, rect = TRUE, cex = 0.5,
          k_colors = c("red","#2E9FDF", "purple", "green"))

Colmenas <- read_excel("colmenas2.xlsx")
Colmenas %>%
  mutate(Cluster = k2$cluster) %>%
  group_by(Cluster) %>%
  summarise_all("mean")
## # A tibble: 3 x 3
##   Cluster Colmenas Toneladas
## *   <int>    <dbl>     <dbl>
## 1       1 1848139.    47753.
## 2       2 1818427.    22536.
## 3       3 2160350.    30413.
df <- read_excel("colmenas2.xlsx")
df
## # A tibble: 29 x 2
##    Colmenas Toneladas
##       <dbl>     <dbl>
##  1  2114489     26625
##  2  2088315     26625
##  3  2107618     26625
##  4  2293733     26625
##  5  2292428     26625
##  6  2053761     26625
##  7  1919938     26625
##  8  1715948     26625
##  9  1791111     26625
## 10  1944573     26625
## # ... with 19 more rows
df$clus<-as.factor(k2$cluster)
df
## # A tibble: 29 x 3
##    Colmenas Toneladas clus 
##       <dbl>     <dbl> <fct>
##  1  2114489     26625 3    
##  2  2088315     26625 3    
##  3  2107618     26625 3    
##  4  2293733     26625 3    
##  5  2292428     26625 3    
##  6  2053761     26625 3    
##  7  1919938     26625 2    
##  8  1715948     26625 2    
##  9  1791111     26625 2    
## 10  1944573     26625 2    
## # ... with 19 more rows
df <- read_excel("colmenas2.xlsx")
df <- scale(df)
df<- as.data.frame(df)
df$clus<-as.factor(k2$cluster)
df
##       Colmenas  Toneladas clus
## 1   1.20158977 -0.6981002    3
## 2   1.04450239 -0.6981002    3
## 3   1.16035238 -0.6981002    3
## 4   2.27735086 -0.6981002    3
## 5   2.26951870 -0.6981002    3
## 6   0.83712112 -0.6981002    3
## 7   0.03396131 -0.6981002    2
## 8  -1.19031680 -0.6981002    2
## 9  -0.73921422 -0.6981002    2
## 10  0.18181214 -0.6981002    2
## 11 -0.23135396 -0.6981002    2
## 12 -0.31153010 -0.9471969    2
## 13 -0.78276824 -1.8535321    2
## 14 -1.12258209 -1.4898801    2
## 15 -1.01548851 -1.3196551    2
## 16 -1.09330601  0.2626794    1
## 17 -1.00375527  0.2037937    1
## 18 -1.03972321  1.1602851    1
## 19 -0.70100166  1.1036966    1
## 20 -0.83736532  1.1169440    1
## 21 -0.43301565  1.2683317    1
## 22 -0.39978448  1.3383973    1
## 23 -0.09626866  1.0316401    1
## 24  0.11298513  0.9042968    1
## 25  0.40140679  0.5580271    1
## 26  0.62208173  0.9611150    1
## 27 -0.32966711  0.8943421    1
## 28 -0.36293430  1.1532403    1
## 29  1.54739327  1.3325777    3

Relación de Clústers de toneladas de pesticidas y colmenas

df$clus<-factor(df$clus)
data_long <- gather(df, caracteristica, valor, Colmenas:Toneladas, factor_key=TRUE)
data_long
##    clus caracteristica       valor
## 1     3       Colmenas  1.20158977
## 2     3       Colmenas  1.04450239
## 3     3       Colmenas  1.16035238
## 4     3       Colmenas  2.27735086
## 5     3       Colmenas  2.26951870
## 6     3       Colmenas  0.83712112
## 7     2       Colmenas  0.03396131
## 8     2       Colmenas -1.19031680
## 9     2       Colmenas -0.73921422
## 10    2       Colmenas  0.18181214
## 11    2       Colmenas -0.23135396
## 12    2       Colmenas -0.31153010
## 13    2       Colmenas -0.78276824
## 14    2       Colmenas -1.12258209
## 15    2       Colmenas -1.01548851
## 16    1       Colmenas -1.09330601
## 17    1       Colmenas -1.00375527
## 18    1       Colmenas -1.03972321
## 19    1       Colmenas -0.70100166
## 20    1       Colmenas -0.83736532
## 21    1       Colmenas -0.43301565
## 22    1       Colmenas -0.39978448
## 23    1       Colmenas -0.09626866
## 24    1       Colmenas  0.11298513
## 25    1       Colmenas  0.40140679
## 26    1       Colmenas  0.62208173
## 27    1       Colmenas -0.32966711
## 28    1       Colmenas -0.36293430
## 29    3       Colmenas  1.54739327
## 30    3      Toneladas -0.69810024
## 31    3      Toneladas -0.69810024
## 32    3      Toneladas -0.69810024
## 33    3      Toneladas -0.69810024
## 34    3      Toneladas -0.69810024
## 35    3      Toneladas -0.69810024
## 36    2      Toneladas -0.69810024
## 37    2      Toneladas -0.69810024
## 38    2      Toneladas -0.69810024
## 39    2      Toneladas -0.69810024
## 40    2      Toneladas -0.69810024
## 41    2      Toneladas -0.94719693
## 42    2      Toneladas -1.85353215
## 43    2      Toneladas -1.48988007
## 44    2      Toneladas -1.31965507
## 45    1      Toneladas  0.26267942
## 46    1      Toneladas  0.20379366
## 47    1      Toneladas  1.16028515
## 48    1      Toneladas  1.10369663
## 49    1      Toneladas  1.11694401
## 50    1      Toneladas  1.26833170
## 51    1      Toneladas  1.33839732
## 52    1      Toneladas  1.03164007
## 53    1      Toneladas  0.90429675
## 54    1      Toneladas  0.55802708
## 55    1      Toneladas  0.96111500
## 56    1      Toneladas  0.89434207
## 57    1      Toneladas  1.15324030
## 58    3      Toneladas  1.33257767
 ggplot(data_long, aes(as.factor(x = caracteristica), y = valor,group=clus, colour = clus)) + 
  stat_summary(fun = mean, geom="pointrange", size = 1)+
  stat_summary(geom="line")
## No summary function supplied, defaulting to `mean_se()`
## Warning: Removed 6 rows containing missing values (geom_segment).

  #geom_point(aes(shape=clus))
  • Interpretación: Como se puede observar en el gráfico durante el primer clustér hay menos colmenas cuando se tiene mas valor de pesticidas, a comparación del cluster 2 y 3 que tienen mas colmenas cuando hay menos pesticidas, por ello se ve como los pesticidas pueden afectar la producción de las colmenas.

Conclusión

  • Es importante reducir la cantidad de toneladas de plaguicidas para lograr una mayor producción de colmenas, ya que las abejas polinizan más del 70 % de cultivos que abastecen el 90% de los alimentos del mundo. Finalmente, es importante mencionar que sin estos insectos la actividad agrícola podría extinguirse y dejaría a un elevado porcentaje de familias sin fuente de ingresos. Al analizar las aglomeraciones existentes en las gráficas se observa que las colmenas disminuyen mientras las toneladas de plaguicidas aumentan y viceversa, lo cual perjudica de manera directa a la población de abejas existentes.

Referencias Bibliográficas