El aumento de el nivel del mar

Nadie se imaginaba hace 5 décadas que el abuso de CO2 y el aumento de los GEI(Gases Efecto Invernadero) provocaría el aumento del nivel del mar y en un futuro no muy lejano acabarían con lugares turísticos y algunas ciudades que actualmente redisen a corta distancia del mar como:

• Cádiz, Liverpool, Ámsterdam, Nueva York, Cancún, Río de Janeiro

Esto es causado por los GEI que atrapan los rayos solares y no dejan que estos regresen al espacio, esto provoca que la temperatura de la tierra aumente y posteriormente la temepratura de los océanos también aumenta, causando que glaciares que tienen una gran cantidad de edad se comienzen a derretir y comienzen a aumentar el nivel del mar. A la temperatura se le atribuye un 50% de el aumento al nivel del mar (I. 2020, 4 marzo).

Sequías y LLuvias extensas

El aumento de temperatura afecta el ciclo del agua y esto hace que el clima sea muy variable, Un incremento de 1°C en la temperatura promedio de la atmósfera incrementa su capacidad de retención de humedad en un 5% (Mas transpiración y más evaporación) (Dr.RA Sanchez Piña) Esto a su vez causa que en los lugares donde es frecuente la lluvia se extienda más y en los lugares donde llueve poco baje aún más. A su vez se estima que conforme esto avanza se iran notando más y más los cambiós en áreas específicas del planeta como lo son en México, Australia, Europa, entre otros países con bajos indices de lluvias por año.

Cambio climático

En los ultimos 50 años, el desarrollo industrial, la deforestación, entre otros factores ha provocado que la temperatura de la superficie terrestre se haya incrementado, lo cual supone un riesgo para cualquier forma de vida.

Algunas de las consecuencias del cambio climático son:

• Aumento de extremo de temperatura.

• Aumento de desertificación.

• Cambios en la forma en la que llueve.

• Desaparición de glaciares.

Conciencia ecológica en México.

En el caso de México, vemos que 78 % de los mexicanos tienen poco o nulo interés por el medio ambiente y no toman acciones, son eco-desinteresados; mientras que el 5 % son eco-activos, siempre o frecuentemente en su día a día consideran algo para no afectar al planeta; 3 % son eco-creyentes, los cuales saben que es importante, sin embargo, hacen pocas acciones, y finalmente el 14 % de eco-considerados, tiene conocimiento de la situación, sin embargo por economía o practicidad no optan por este tipo de productos amigables con el medio ambiente. Se observa que son pocos los mexicanos que están interesados en hacer algo por cuidar la tierra, por ejemplo, comprar productos ecológicos, de material reciclado, que no afecte el medio ambiente, etc. (Natalichio, 2019)

Algunas de las medidas más comunes que toman los mexicanos para reutilizar objetos que no son biodegradables:

• Comprar envases retornables de refresco o bebidas de vidrio.

• Reutilizan frascos de algunos objetos como envases de café, de yogurt, etc.

• Muchas personas se bañan con cubetas en tiempo de frio por que no tienen dinero para tener regaderas electricas y esto indirectamente ahorra agua.

Reutilización

Descarga de código

xfun::embed_file("U1A13.Rmd")

Importacion de paquetes

library(pacman)
p_load(rmdformats,readr,readxl,ggplot2,plotly,DT,xfun,scales)

Importación de datos

temperatura <- read_csv("variacion_en_temperatura_global.csv")

## Parsed with column specification:
## cols(
##   ANIO = col_double(),
##   VariacionTemperatura = col_double()
## )

Visualización de los datos en una tabla (Table 1)

datatable(temperatura)

Visualizacion de los datos en una gráfica (Gráfica 1)

ggplot(data=temperatura,aes(ANIO,VariacionTemperatura,colour=VariacionTemperatura))+
  geom_point()+
  geom_line(aes(x = ANIO, y = VariacionTemperatura, colour=VariacionTemperatura))+
  labs(title="Variación del cambio de temperatura al pasar de los años",subtitle = "Fuente: epdata",x="Año",y="Variación de la temperatura")

En esta gráfica podemos apreciar como la temperatura ha ido aumentando conforme los años, esto no es nada nuevo para nosotros ya que después de la revolución industrial(1760) se empezaron a implementar muchos cambios en las industrias y empezaron a abusarse los combustibles fósiles causando así los grandes aumentos de temperatura por año , aumentando los Gases de Efecto Invernadero y dirigiéndose hasta donde estamos hoy.

Elaboración de una regresión lineal para conocer el aumento de la temperatura a futuro

regresion <- lm(VariacionTemperatura ~ ANIO, data=temperatura)
summary(regresion)

## 
## Call:
## lm(formula = VariacionTemperatura ~ ANIO, data = temperatura)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -0.33872 -0.12082 -0.01672  0.10977  0.47562 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -1.405e+01  6.876e-01  -20.43   <2e-16 ***
## ANIO         7.224e-03  3.528e-04   20.48   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.1651 on 136 degrees of freedom
## Multiple R-squared:  0.7551, Adjusted R-squared:  0.7533 
## F-statistic: 419.3 on 1 and 136 DF,  p-value: < 2.2e-16

Gráfica de las lineas de la regresion lineal (Gráfica 2)

plot(temperatura$ANIO, temperatura$VariacionTemperatura, xlab='Año', ylab='Varaicion de la temperatura')
cambio.temperatura <- data.frame(ANIO=seq(1920,2030))
abline(regresion)

# Intervalo de confianza

ic <- predict(regresion, cambio.temperatura, interval = "confidence")
lines(cambio.temperatura$ANIO, ic[, 2], lty=2, col="blue")
lines(cambio.temperatura$ANIO, ic[, 3], lty=2, col="blue")

# Intervalo de predicción
ic <- predict(regresion, cambio.temperatura, interval = "prediction")
lines(cambio.temperatura$ANIO, ic[, 2], lty = 2, col = "red")
lines(cambio.temperatura$ANIO, ic[, 3], lty = 2,col = "red")

Como se puede ver en la gráfica el intervalo de confianza esta muy cerca de los datos reales, lo cual indica que esta regresión lineal es muy confiable a continuación de hará una predicción de aumento de temperaturas para años futuros.

Predicción del cambio de temperatura para años futuros

cambio.temperatura <- data.frame(ANIO=seq(2020,2030))
predict(regresion, cambio.temperatura, interval = "prediction")

##          fit       lwr       upr
## 1  0.5432743 0.2118045 0.8747441
## 2  0.5504986 0.2189231 0.8820741
## 3  0.5577228 0.2260402 0.8894055
## 4  0.5649471 0.2331558 0.8967384
## 5  0.5721714 0.2402701 0.9040727
## 6  0.5793956 0.2473829 0.9114084
## 7  0.5866199 0.2544943 0.9187456
## 8  0.5938442 0.2616042 0.9260841
## 9  0.6010685 0.2687128 0.9334241
## 10 0.6082927 0.2758199 0.9407656
## 11 0.6155170 0.2829256 0.9481084

Como se puede apreciar en la predicción, se muestra un fit (Media), lwr (Valor mas bajo), upr (Valor mas alto), estos indican como varia el cambio de temperatura al pasar de los años, como se puede ver basandose en los años anteriores la temperatura en el mejor de los casos no aumentaría demasiado, pero en el peor de los casos la temperatura para 2030 tendría un aumento abrumador, teniendo así una varianza de 0.94, lo cual es un aumento descomunal basandose en los datos anteriores.