U1A13

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

06/3/2021

¿Cómo serán las emisiones brutas de GEI para Sonora en los próximos 20 años?

Acerca de este documento:

  • Este es un documento basado en el análisis acerca de datos de economía y desarrollo de Sonora, que se enfoca en como el efecto invernadero influye en el cambio climático para los años de 1990 a 2021. Relacionando su consumo Eléctrico y Energético, Transporte, Agricultura, ente otros que son complementos fundamentales para nuestro análisis. Además, se hará una predicción de la concentración del efecto invernadero para años futuros.

Descarga de este código:

  • Para fines de reproducibilidad inmediata se incluye todo el código para su descarga
xfun::embed_file("U1A13.Rmd")

Download U1A13.Rmd

Introducción

El cambio climático es el mal de nuestro tiempo y sus consecuencias pueden ser devastadoras si no reducimos drásticamente la dependencia de los combustibles fósiles y las emisiones de gases de efecto invernadero.

Pero hoy también estamos viendo los impactos económicos y sociales, que serán cada vez más graves, como:

  • Daños en las cosechas y en la producción alimentaria.
  • Las sequías.
  • Los riesgos en la salud.
  • Los fenómenos meteorológicos extremos, como danas, tormentas y huracanes.
  • Mega-incendios.

Sonora es una de las entidades que a nivel nacional genera más emisiones de gases de efecto invernadero per cápita por habitante, debido a factores como el uso individual de automóviles, gasto de energía eléctrica por enfriamiento del hogar y uso de combustibles fósiles, entre otros.

Para el 2018 se realizó el inventario de gases de efecto invernadero en Sonora, con el cual se midieron las emisiones que tienen un efecto en el calentamiento global, lo cual dio como resultado que en el Estado se generan 19 millones de toneladas de bióxido de carbono, que es en lo que se convierten todos los gases.

¿Sabías que…? Un árbol absorbe el humo de 100 coches

Objetivo

  • Crear un modelo capaz de predecir cómo serán las emisiones de gases de efecto invernadero en los próximos 20 años.

Tabla de Datos

library(readxl)
library(DT)
datos <- read_excel("GEI.xlsx")
datatable(datos)

Figura 1: Emisiones de GEI por sector (Sonora 1990-2020).

library(scales)
library(ggplot2)
library(plotly)
## 
## Attaching package: 'plotly'
## The following object is masked from 'package:ggplot2':
## 
##     last_plot
## The following object is masked from 'package:stats':
## 
##     filter
## The following object is masked from 'package:graphics':
## 
##     layout
Año <- datos$Año
d1 <- datos$ConsumoEnergetico
d2 <- datos$ConsumoElectrico
d3 <- datos$RCI
d4 <- datos$Transporte
d5 <- datos$CombustiblesFosiles
d6 <- datos$ProcesosIndustriales
d7 <- datos$ManejoResiduos
d8 <- datos$Silvicultura
d9 <- datos$Agricultura
d10 <- data.frame(d1, d2, d3, d4, d5, d6, d7, d8, d9)
x <- ggplot(data = d10) + 
  geom_line(aes(Año, d1, colour="Consumo energético")) + 
  geom_line(aes(Año, d2, colour="Consumo eléctrico")) + 
  geom_line(aes(Año, d3, colour="RCI")) +
   geom_line(aes(Año, d4, colour="Industria de combustibles fósiles")) + 
   geom_line(aes(Año, d5, colour="Procesos industriales")) + 
   geom_line(aes(Año, d6, colour="Manejo de residuos")) + 
  geom_line(aes(Año, d7, colour="Agricultura")) + 
  geom_line(aes(Año, d8, colour="Silvicultura y uso de terrenos")) + 
 xlab("Año") +
  geom_line(aes(Año, d9, colour="Agricultura")) + 
 xlab("Año") +
  ylab("Cantidad (millones de toneladas)") +
  labs(colour="Concepto") +
  ggtitle("Emisiones de GEI históricas y de casos de referencia en Sonora por sector 1990-2020 (Fuente: INEGI)")+
  scale_y_continuous(labels = comma)
ggplotly(x)
  • La mayor cantidad de gases de efecto invernadero son producto del consumo desmedidio de energía. En la parte inferior del gráfico puede observarse que la silvicultura y uso de terrenos contrarrestan la emisión de los gases, pero aún así están muy lejos de eliminarlos en un 100%.

Figura 2: Emisiones brutas de GEI (Sonora 1990-2020).

regresion <- lm(EmisionesBrutas ~ Año, data=datos)
summary(regresion)
## 
## Call:
## lm(formula = EmisionesBrutas ~ Año, data = datos)
## 
## Residuals:
##       1       2       3       4       5       6       7 
##  1.4929  1.1000 -0.7929 -2.3857 -1.9786 -0.1714  2.7357 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -1137.8500   155.9991  -7.294 0.000758 ***
## Año             0.5786     0.0778   7.436 0.000693 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 2.059 on 5 degrees of freedom
## Multiple R-squared:  0.9171, Adjusted R-squared:  0.9005 
## F-statistic:  55.3 on 1 and 5 DF,  p-value: 0.0006932
plot(datos$Año, datos$EmisionesBrutas, xlab='Año', ylab='Emisiones')
EmisionesBrutas <- data.frame(Año=seq(1990,2030))
abline(regresion)

intcon <- predict(regresion, EmisionesBrutas, interval = "confidence")
lines(EmisionesBrutas$Año, intcon[, 2], lty=2, col="firebrick1")
lines(EmisionesBrutas$Año, intcon[, 3], lty=2, col="firebrick1")

intcon <- predict(regresion, EmisionesBrutas, interval = "prediction")
lines(EmisionesBrutas$Año, intcon[, 2], lty = 2, col = "mediumblue")
lines(EmisionesBrutas$Año, intcon[, 3], lty = 2,col = "mediumblue")
title("Emisiones brutas de GEI")

  • En el gráfico se observa un crecimiento exponencial de emisión de GEI conforme pasa el tiempo. Las líneas cyan representan el intervalos de confianza, mientras que las verdes representan el intervalo de predicción.

Estimación de emisiones futuras (2021-2040)

Emisiones_Brutas <- data.frame(Año=seq(2021,2040))
predict(regresion, Emisiones_Brutas, interval = "prediction")
##         fit      lwr      upr
## 1  31.44286 24.94357 37.94214
## 2  32.02143 25.42137 38.62148
## 3  32.60000 25.89472 39.30528
## 4  33.17857 26.36382 39.99332
## 5  33.75714 26.82888 40.68540
## 6  34.33571 27.29009 41.38134
## 7  34.91429 27.74764 42.08093
## 8  35.49286 28.20171 42.78401
## 9  36.07143 28.65247 43.49039
## 10 36.65000 29.10010 44.19990
## 11 37.22857 29.54476 44.91238
## 12 37.80714 29.98659 45.62769
## 13 38.38571 30.42575 46.34568
## 14 38.96429 30.86237 47.06620
## 15 39.54286 31.29658 47.78914
## 16 40.12143 31.72850 48.51435
## 17 40.70000 32.15827 49.24173
## 18 41.27857 32.58597 49.97117
## 19 41.85714 33.01173 50.70255
## 20 42.43571 33.43564 51.43579
  • De acuerdo a los datos de predicción, es posible responder a nuestro cuestionamiento inicial. Para 2040 se espera que las emisiones brutas de GEI vayan desde las 33.43 hasta las 51.435 toneladas tan solo en ese año (42.435 toneladas en promedio).

Conclusión.

  • A través de este análisis y las proyecciones presentadas, se obtuvo como producto final una pequeña ayuda al Estado de Sonora para lograr entender de forma muy general las emisisones de Gases de Efecto Invernadero históricas, actuales y proyectadas.

  • Es importante reducir las concentraciones de GEI ya que de lo contrario, si no se reducen traerá graves consecuencias como lo son las desertificaciones de zonas fértiles, inundaciones de islas y ciudades costeras, la presencia de huracanes, escasez de alimentos, la propagación de enfermedades y pandemías, etc. Una de las propuestas que se han adoptado es una política de promoción para traer a Sonora grandes generadores de energías limpias, como los parques fotovoltaicos que se han instalado en los últimos cinco años, donde ahora la entidad es líder nacional.

Referencias Bibliográficas: