Apicultura
Importación de paquetes
setwd("~/EALMV9") # Directorio de trabajo.
library("pacman") # Importa biblioteca "pacman". Se utiliza para hacer una mejor gestión de paquetes.
p_load("base64enc", "htmltools", "mime", "xfun", "prettydoc","readr", "knitr","DT","dplyr", "ggplot2","plotly", "gganimate","gifski","scales", "readxl", "tidyverse","cluster", "factoextra","NbClust","tidyr") # Paquetes necesarios para la elaboración.Descarga de este código
Para fines de reproducibilidad se incluye el código para su descarga.
xfun::embed_file("U1A10.Rmd")Importancia de las abejas
Las abejas son muy importantes para los humanos, incluso para ecosistemas enteros. Como sabemos, las abejas permiten que las plantas se reproduzcan mediante la polinización. Estas plantas contribuyen al sistema alimentario al alimentar a los animales, además de los humanos, como las aves y los insectos. Si la fuente de alimento para estos animales se redujera o se perdiera por completo, causaría sufrimiento a toda la cadena alimentaria.
Cómo afecta el cambio climático a la abejas
El aumento de temperaturas, las escasas e irregulares lluvias, afectan más de manera directa al medio ambiente, como consecuencia se ven afectadas varias actividades de las abejas que dependen de este, como lo es la polinización, esto de la mano con los cambios de temperatura reducen la cantidad de néctar y calidad de polen, afectando a su producción de alimento y desarrollo. Los cambios drásticos que se dan en ciertos entornos obligan a las abejas a emigrar de su hábitat natural.
El investigador Shannon Olsson, junto con Geetha Thimmegowda y sus colegas estudiaron durante cuatro años más de 1.800 abejas silvestres y encontraron que las Apis dorsata que habitan en las áreas más contaminadas de Bangalore mostraban comportamientos diferentes. La investigación les mostró que más del 80 por ciento de las abejas recolectadas en sitios con contaminación moderada o alta morían en un lapso de 24 horas.
Cómo afectan los pesticidas a las abejas
En un nuevo estudio publicado en Cell Press, científicos revelaron que alrededor del 25% de todas las especies de abejas conocidas han desaparecido en las últimas décadas.
Podemos entender la alerta de los científicos cuando descubrieron que una cuarta parte de las especies de abejas habían desaparecido desde los años 1990’s
La población de abejas ha disminuido enormemente en los últimos años, y estamos empezando a comprender todas las formas en que la actividad humana está afectando a estos importantes insectos. Matarlas intencionadamente con pesticidas es una vía de destrucción, pero a veces las abejas quedan atrapadas en el fuego cruzado y son meras víctimas de la batalla entre los humanos y otras plagas.
Una investigación reciente ha revelado que muchos de los plaguicidas más populares que aún se utilizan en Estados Unidos afectan a la mente de las moscas y las abejas, destruyendo su memoria y alterando su ciclo de sueño.
Datos
Datos sobre CO2
“Emisiones de CO2 (kt). Centro de Análisis de Información sobre Dióxido de Carbono, División de Ciencias Ambientales del Laboratorio Nacional de Oak Ridge ( Tennessee, Estados Unidos ).” https://datos.bancomundial.org/indicator/EN.ATM.CO2E.KT?end=2016&start=1960
# Leer excel de datos
datos <- read_excel("co2.xlsx")
# Definir variables
datos_mex <- t(datos[datos$Country == "Mexico",])
datos_usa <- t(datos[datos$Country == "Estados Unidos",])
datos_uk <- t(datos[datos$Country == "Reino Unido",])Datos sobre colmenas
“Production of Beehives by country. Organización de las Naciones Unidas para la Alimentación y la Agricultura”. http://www.fao.org/faostat/en/#data/QA/visualize
# Leer excel de datos
datos2 <- read_excel("colmenas.xlsx")
# Definir variables
datos2_mex <- t(datos2[datos2$Pais == "Mexico",])
datos2_usa <- t(datos2[datos2$Pais == "Estados Unidos",])Formatear datos
Los objetivos de formatear los datos son los siguientes:
- Eliminar campos que no son utilizables.
- crear un marco de datos (“data frame”)
Datos del CO2
# Vector año (toma desde 1960, hasta 2016).
Fecha <- seq(from = as.Date("1960-01-01"), to = as.Date("2016-01-01"), by = "year")
# México
vec1 <- as.vector(datos_mex)
vec2 <- vec1[3:59]
num1 <- as.numeric(vec2)
mex <- as.vector(num1)
# Estados Unidos
vec1 <- as.vector(datos_usa)
vec2 <- vec1[3:59]
num1 <- as.numeric(vec2)
usa <- as.vector(num1)
# Reino Unido
vec1 <- as.vector(datos_uk)
vec2 <- vec1[3:59]
num1 <- as.numeric(vec2)
uk <- as.vector(num1)
# Generación de un marco de datos ("data frame")
datos1 <- data.frame(Fecha, mex, usa, uk)Datos colmenas
# Vector año (toma desde 1960, hasta 2016).
Fecha2 <- seq(from = as.Date("1961-01-01"), to = as.Date("2018-01-01"), by = "year")
# México
vec1 <- as.vector(datos2_mex)
vec2 <- vec1[2:59]
num1 <- as.numeric(vec2)
mex2 <- as.vector(num1)
# Estados Unidos
vec1 <- as.vector(datos2_usa)
vec2 <- vec1[2:59]
num1 <- as.numeric(vec2)
usa2 <- as.vector(num1)
# Generación de un marco de datos ("data frame")
datos2 <- data.frame(Fecha2, mex2, usa2)Graficación de datos
A continuación, se presenta una visualización de los datos de CO2 en México, Estados Unidos y Reino Unido y las colmenas en México y Estados Unidos
Gráficas interactivas
Esta gráfica se realiza con el paquete “plotly”..
gcov <- ggplot(data = datos1) +
geom_line(aes(Fecha, mex, colour = "México")) +
geom_line(aes(Fecha, usa, colour = "Estados Unidos")) +
geom_line(aes(Fecha, uk, colour = "Reino Unido")) +
xlab("Fecha") +
ylab("Niveles de Co2") +
labs(colour = "País") +
ggtitle("Niveles de CO2") +
scale_y_continuous(labels = comma)
ggplotly(gcov)gcov <- ggplot(data = datos2) +
geom_line(aes(Fecha2, mex2, colour = "México")) +
geom_line(aes(Fecha2, usa2, colour = "Estados Unidos")) +
xlab("Fecha") +
ylab("Número de colmenas ") +
labs(colour = "País") +
ggtitle("Colmenas a través de los años") +
scale_y_continuous(labels = comma)
ggplotly(gcov)Gráficas animadas
ggplot(data = datos1) +
geom_line(aes(Fecha, mex, colour = "México")) +
geom_line(aes(Fecha, usa, colour = "Estados Unidos")) +
geom_line(aes(Fecha, uk, colour = "Reino Unido")) +
xlab("Fecha") +
ylab("Niveles de Co2") +
labs(colour = "País") +
ggtitle("Niveles de CO2") +
scale_y_continuous(labels = comma) +
transition_reveal(Fecha)
ggplot(data = datos2) +
geom_line(aes(Fecha2, mex2, colour = "México")) +
geom_line(aes(Fecha2, usa2, colour = "Estados Unidos")) +
xlab("Fecha") +
ylab("Número de colmenas ") +
labs(colour = "País") +
ggtitle("Colmenas a través de los años") +
scale_y_continuous(labels = comma) +
transition_reveal(Fecha2)
Regresión lineal
r <- read_excel("CO2vsColmenas.xlsx")
pairs(r)
cor(r)## colmenas Co2
## colmenas 1.0000000 -0.9233076
## Co2 -0.9233076 1.0000000K-means
Matriz de distancia
d <- read_excel("u1a10.xlsx")
#normalizar datos
d <- scale(d)
head(d)## año colmenas Co2
## [1,] 1.686133 2.039829 -2.545046
## [2,] 1.624819 2.031602 -2.401102
## [3,] 1.563505 2.054224 -2.223000
## [4,] 1.502191 2.129288 -2.038502
## [5,] 1.440877 1.221327 -1.856482
## [6,] 1.379564 1.147291 -1.625859m.distancia <- get_dist(d, method = "euclidean")
fviz_dist(m.distancia, gradient = list(low = "blue", mid = "white", high = "red"))
En esta matriz de distancia se puede identificar los valores que son parecidos. Los valores que estamos comparando son los níveles de CO2 y las colmenas a lo largo de los años.
Estimar el número de clústers
Es necesario conocer cuántos clústers van a ser necesarios, para esto se realiza la estimación de los datos optimizados.
Se utilizan tres métods para obtener el número de clústers.
- Método Wss
fviz_nbclust(d, kmeans, method = "wss")
Se puede apreciar que el punto ideal de corte se encuentra en el clúster número 2.
- Método Silhouette
fviz_nbclust(d, kmeans, method = "silhouette")
En este método se nos indica que el número de clústeres con similutidos son de dos. Este es el mismo resultado que en el método anterior.
- Método Gap Stat
fviz_nbclust(d, kmeans, method = "gap_stat")
A diferencia de los otros métodos, el número ideal de clústers que nos arroja es 3.
Clústers
Después de aplicar los métodos anteriores podemos decir que: las colmenas y el CO2 se pueden dividir de una manera óptima en dos clústers.
resnumclust<-NbClust(d, distance = "euclidean", min.nc=2, max.nc=10, method = "kmeans", index = "alllong")
## *** : The Hubert index is a graphical method of determining the number of clusters.
## In the plot of Hubert index, we seek a significant knee that corresponds to a
## significant increase of the value of the measure i.e the significant peak in Hubert
## index second differences plot.
## 
## *** : The D index is a graphical method of determining the number of clusters.
## In the plot of D index, we seek a significant knee (the significant peak in Dindex
## second differences plot) that corresponds to a significant increase of the value of
## the measure.
##
## *******************************************************************
## * Among all indices:
## * 9 proposed 2 as the best number of clusters
## * 7 proposed 3 as the best number of clusters
## * 3 proposed 5 as the best number of clusters
## * 1 proposed 6 as the best number of clusters
## * 2 proposed 9 as the best number of clusters
## * 5 proposed 10 as the best number of clusters
##
## ***** Conclusion *****
##
## * According to the majority rule, the best number of clusters is 2
##
##
## *******************************************************************fviz_nbclust(resnumclust)## Among all indices:
## ===================
## * 2 proposed 0 as the best number of clusters
## * 1 proposed 1 as the best number of clusters
## * 9 proposed 2 as the best number of clusters
## * 7 proposed 3 as the best number of clusters
## * 3 proposed 5 as the best number of clusters
## * 1 proposed 6 as the best number of clusters
## * 2 proposed 9 as the best number of clusters
## * 5 proposed 10 as the best number of clusters
##
## Conclusion
## =========================
## * According to the majority rule, the best number of clusters is 2 .
Se dividen en clústers
#calcular clusters
k2 <- kmeans(d, centers = 2, nstart = 25)
k2## K-means clustering with 2 clusters of sizes 31, 25
##
## Cluster means:
## año colmenas Co2
## 1 -0.7664242 -0.8152764 0.6693175
## 2 0.9503660 1.0109427 -0.8299536
##
## Clustering vector:
## [1] 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1
## [39] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
##
## Within cluster sum of squares by cluster:
## [1] 18.78476 28.16256
## (between_SS / total_SS = 71.5 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"str(k2)## List of 9
## $ cluster : int [1:56] 2 2 2 2 2 2 2 2 2 2 ...
## $ centers : num [1:2, 1:3] -0.766 0.95 -0.815 1.011 0.669 ...
## ..- attr(*, "dimnames")=List of 2
## .. ..$ : chr [1:2] "1" "2"
## .. ..$ : chr [1:3] "año" "colmenas" "Co2"
## $ totss : num 165
## $ withinss : num [1:2] 18.8 28.2
## $ tot.withinss: num 46.9
## $ betweenss : num 118
## $ size : int [1:2] 31 25
## $ iter : int 1
## $ ifault : int 0
## - attr(*, "class")= chr "kmeans"fviz_cluster(k2, data = d)
fviz_cluster(k2, data = d, ellipse.type = "euclid",repel = TRUE,star.plot = TRUE)
fviz_cluster(k2, data = d, ellipse.type = "norm")
fviz_cluster(k2, data = d, ellipse.type = "norm",palette = "Set2", ggtheme = theme_minimal())
### Dendograma
Aquí se puede apreciar que los daros se agrupan con los que son similares entre sí.
res2 <- hcut(d, k = 2, stand = TRUE)
fviz_dend(res2, rect = TRUE, cex = 0.5,
k_colors = c("red","#2E9FDF"))
Tabla de datos sobre las colmenas y CO2 por año
d <- read_excel("u1a10.xlsx")
d$clus <- as.factor(k2$cluster)
d## # A tibble: 56 x 4
## año colmenas Co2 clus
## <dbl> <dbl> <dbl> <fct>
## 1 2016 5514000 2880506. 2
## 2 2015 5506000 2987208. 2
## 3 2014 5528000 3119231. 2
## 4 2013 5601000 3255995. 2
## 5 2012 4718000 3390923. 2
## 6 2011 4646000 3561878. 2
## 7 2010 4635000 3695709. 2
## 8 2009 4539000 3831355. 2
## 9 2008 4433000 4024749. 2
## 10 2007 4634000 4328905. 2
## # ... with 46 more rowsTabla de datos de caracteristicas por año (optimizados)
d <- read_excel("u1a10.xlsx")
d <- scale(d)
d <- as.data.frame(d)
d$clus<-as.factor(k2$cluster)
d## año colmenas Co2 clus
## 1 1.68613318 2.03982865 -2.545046066 2
## 2 1.62481925 2.03160249 -2.401102198 2
## 3 1.56350532 2.05422441 -2.223000229 2
## 4 1.50219138 2.12928805 -2.038501964 2
## 5 1.44087745 1.22132652 -1.856482078 2
## 6 1.37956351 1.14729115 -1.625859247 2
## 7 1.31824958 1.13598019 -1.445318474 2
## 8 1.25693565 1.03726636 -1.262329002 2
## 9 1.19562171 0.92826985 -1.001436306 2
## 10 1.13430778 1.13495192 -0.591123563 2
## 11 1.07299384 0.59305415 -0.553532338 2
## 12 1.01167991 0.57043223 -0.272688937 2
## 13 0.95036598 0.61053472 0.004187079 2
## 14 0.88905204 0.69896586 -0.227449859 2
## 15 0.82773811 0.69485278 -0.486675462 2
## 16 0.76642417 0.75963373 -0.207736603 2
## 17 0.70511024 0.81516026 -0.033453614 2
## 18 0.64379631 0.57557358 0.166968608 2
## 19 0.58248237 0.65063722 0.181720159 2
## 20 0.52116844 0.62801530 -0.059197098 2
## 21 0.45985450 0.70205067 -0.312016511 2
## 22 0.39854057 0.74009662 -0.621012519 2
## 23 0.33722664 0.76580334 -0.573621555 2
## 24 0.27591270 0.79151007 -0.393778290 2
## 25 0.21459877 0.81721679 -0.370354886 2
## 26 0.15328483 -0.33444450 -0.366432022 1
## 27 0.09197090 -0.34986853 -0.106192312 1
## 28 0.03065697 -0.32004873 0.169214485 1
## 29 -0.03065697 -0.08971647 0.253603049 1
## 30 -0.09197090 -0.32930315 0.075966086 1
## 31 -0.15328483 -0.32827488 0.072518121 1
## 32 -0.21459877 -0.49896754 0.192158043 1
## 33 -0.27591270 -0.67377327 0.352881677 1
## 34 -0.33722664 -0.76837402 0.441484970 1
## 35 -0.39854057 -0.89999245 0.493511146 1
## 36 -0.45985450 -0.97608436 0.654304035 1
## 37 -0.52116844 -0.92467091 0.811604438 1
## 38 -0.58248237 -0.91850129 0.855171475 1
## 39 -0.64379631 -0.90307726 0.995009446 1
## 40 -0.70511024 -0.93392533 1.249995585 1
## 41 -0.76642417 -1.00796070 1.117939033 1
## 42 -0.82773811 -0.98328224 1.179339517 1
## 43 -0.88905204 -0.95757551 1.225736161 1
## 44 -0.95036598 -1.00384762 1.334161541 1
## 45 -1.01167991 -1.15294663 1.379558918 1
## 46 -1.07299384 -1.16837066 1.254853407 1
## 47 -1.13430778 -1.11798548 1.378619014 1
## 48 -1.19562171 -1.22184065 1.142648622 1
## 49 -1.25693565 -1.06143068 0.669673943 1
## 50 -1.31824958 -0.86194650 0.847780859 1
## 51 -1.37956351 -1.06862857 0.678499150 1
## 52 -1.44087745 -1.01927165 0.424818983 1
## 53 -1.50219138 -0.91541648 0.544018634 1
## 54 -1.56350532 -0.81258958 0.618285913 1
## 55 -1.62481925 -0.89485110 0.485408181 1
## 56 -1.68613318 -0.77660017 0.322700855 1d$clus<-factor(d$clus)
data_long <- gather(d, caracteristica, valor, colmenas:Co2, factor_key=TRUE)
data_long## año clus caracteristica valor
## 1 1.68613318 2 colmenas 2.039828646
## 2 1.62481925 2 colmenas 2.031602494
## 3 1.56350532 2 colmenas 2.054224412
## 4 1.50219138 2 colmenas 2.129288050
## 5 1.44087745 2 colmenas 1.221326515
## 6 1.37956351 2 colmenas 1.147291146
## 7 1.31824958 2 colmenas 1.135980187
## 8 1.25693565 2 colmenas 1.037266363
## 9 1.19562171 2 colmenas 0.928269848
## 10 1.13430778 2 colmenas 1.134951918
## 11 1.07299384 2 colmenas 0.593054151
## 12 1.01167991 2 colmenas 0.570432233
## 13 0.95036598 2 colmenas 0.610534724
## 14 0.88905204 2 colmenas 0.698965859
## 15 0.82773811 2 colmenas 0.694852783
## 16 0.76642417 2 colmenas 0.759633730
## 17 0.70511024 2 colmenas 0.815160257
## 18 0.64379631 2 colmenas 0.575573578
## 19 0.58248237 2 colmenas 0.650637215
## 20 0.52116844 2 colmenas 0.628015297
## 21 0.45985450 2 colmenas 0.702050666
## 22 0.39854057 2 colmenas 0.740096619
## 23 0.33722664 2 colmenas 0.765803344
## 24 0.27591270 2 colmenas 0.791510069
## 25 0.21459877 2 colmenas 0.817216795
## 26 0.15328483 1 colmenas -0.334444495
## 27 0.09197090 1 colmenas -0.349868530
## 28 0.03065697 1 colmenas -0.320048729
## 29 -0.03065697 1 colmenas -0.089716471
## 30 -0.09197090 1 colmenas -0.329303150
## 31 -0.15328483 1 colmenas -0.328274881
## 32 -0.21459877 1 colmenas -0.498967536
## 33 -0.27591270 1 colmenas -0.673773268
## 34 -0.33722664 1 colmenas -0.768374017
## 35 -0.39854057 1 colmenas -0.899992450
## 36 -0.45985450 1 colmenas -0.976084357
## 37 -0.52116844 1 colmenas -0.924670906
## 38 -0.58248237 1 colmenas -0.918501292
## 39 -0.64379631 1 colmenas -0.903077257
## 40 -0.70511024 1 colmenas -0.933925327
## 41 -0.76642417 1 colmenas -1.007960696
## 42 -0.82773811 1 colmenas -0.983282240
## 43 -0.88905204 1 colmenas -0.957575514
## 44 -0.95036598 1 colmenas -1.003847620
## 45 -1.01167991 1 colmenas -1.152946626
## 46 -1.07299384 1 colmenas -1.168370661
## 47 -1.13430778 1 colmenas -1.117985480
## 48 -1.19562171 1 colmenas -1.221840650
## 49 -1.25693565 1 colmenas -1.061430684
## 50 -1.31824958 1 colmenas -0.861946497
## 51 -1.37956351 1 colmenas -1.068628567
## 52 -1.44087745 1 colmenas -1.019271655
## 53 -1.50219138 1 colmenas -0.915416485
## 54 -1.56350532 1 colmenas -0.812589584
## 55 -1.62481925 1 colmenas -0.894851105
## 56 -1.68613318 1 colmenas -0.776600169
## 57 1.68613318 2 Co2 -2.545046066
## 58 1.62481925 2 Co2 -2.401102198
## 59 1.56350532 2 Co2 -2.223000229
## 60 1.50219138 2 Co2 -2.038501964
## 61 1.44087745 2 Co2 -1.856482078
## 62 1.37956351 2 Co2 -1.625859247
## 63 1.31824958 2 Co2 -1.445318474
## 64 1.25693565 2 Co2 -1.262329002
## 65 1.19562171 2 Co2 -1.001436306
## 66 1.13430778 2 Co2 -0.591123563
## 67 1.07299384 2 Co2 -0.553532338
## 68 1.01167991 2 Co2 -0.272688937
## 69 0.95036598 2 Co2 0.004187079
## 70 0.88905204 2 Co2 -0.227449859
## 71 0.82773811 2 Co2 -0.486675462
## 72 0.76642417 2 Co2 -0.207736603
## 73 0.70511024 2 Co2 -0.033453614
## 74 0.64379631 2 Co2 0.166968608
## 75 0.58248237 2 Co2 0.181720159
## 76 0.52116844 2 Co2 -0.059197098
## 77 0.45985450 2 Co2 -0.312016511
## 78 0.39854057 2 Co2 -0.621012519
## 79 0.33722664 2 Co2 -0.573621555
## 80 0.27591270 2 Co2 -0.393778290
## 81 0.21459877 2 Co2 -0.370354886
## 82 0.15328483 1 Co2 -0.366432022
## 83 0.09197090 1 Co2 -0.106192312
## 84 0.03065697 1 Co2 0.169214485
## 85 -0.03065697 1 Co2 0.253603049
## 86 -0.09197090 1 Co2 0.075966086
## 87 -0.15328483 1 Co2 0.072518121
## 88 -0.21459877 1 Co2 0.192158043
## 89 -0.27591270 1 Co2 0.352881677
## 90 -0.33722664 1 Co2 0.441484970
## 91 -0.39854057 1 Co2 0.493511146
## 92 -0.45985450 1 Co2 0.654304035
## 93 -0.52116844 1 Co2 0.811604438
## 94 -0.58248237 1 Co2 0.855171475
## 95 -0.64379631 1 Co2 0.995009446
## 96 -0.70511024 1 Co2 1.249995585
## 97 -0.76642417 1 Co2 1.117939033
## 98 -0.82773811 1 Co2 1.179339517
## 99 -0.88905204 1 Co2 1.225736161
## 100 -0.95036598 1 Co2 1.334161541
## 101 -1.01167991 1 Co2 1.379558918
## 102 -1.07299384 1 Co2 1.254853407
## 103 -1.13430778 1 Co2 1.378619014
## 104 -1.19562171 1 Co2 1.142648622
## 105 -1.25693565 1 Co2 0.669673943
## 106 -1.31824958 1 Co2 0.847780859
## 107 -1.37956351 1 Co2 0.678499150
## 108 -1.44087745 1 Co2 0.424818983
## 109 -1.50219138 1 Co2 0.544018634
## 110 -1.56350532 1 Co2 0.618285913
## 111 -1.62481925 1 Co2 0.485408181
## 112 -1.68613318 1 Co2 0.322700855Medias de Clústers
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 4 rows containing missing values (geom_segment).
Se pude apreciar que el clúster 1 tiene una media de abejas muy baja y una media de CO2 muy alta, mientras que el clúster 2 tiene una media de abejas myt alta, pero su CO2 es más bajo.
Conclusión
Gracias a las gráficas presentadas, podemos sostener con veracidad nuestras inferencias propuestas. El co2 tiene un impacto grande en las especies de abeja dado que apartir de los años el co2 a ido incrementando y las colmenas de abejas fueron disminuyendo.
A través de las k medias podemos apreciar el comportamiento de dos grupos que comparten similares caracteristicas. Los valores presentados a través de los clusters podemos observar valores de colmenas bajos y valores de co2 más altos y viceversa, por lo que podemos deducir que existe una relación entre estas dos variables.
Referencias
Wehner, M. (2021). Why are bees disappearing so fast? Look in the mirror. Recuperado de https://bgr.com/2021/01/25/bee-populations-decline-study/
Semana sostenible. (2020). La contaminación afecta la salud de las abejas. Recuperado de https://sostenibilidad.semana.com/medio-ambiente/articulo/la-contaminacion-afecta-la-salud-de-las-abejas-mundo-hoy/54273
Downing, L. (2020). Why Bees Matter so Much to Humans. Recuperado de https://www.onegreenplanet.org/environment/why-bees-matter-so-much-to-humans/