El cambio climático contra grupos vulnerables.

Aunque el cambio climático es un problema que afecta a todas las persoas, es indiscutible que no todos los países sufren sus consecuencias de la misma manera, y que no tienen la misma capacidad de respuesta y de protección ante su amenaza.

Parece bastante claro que el cambio climático actuará de forma sinérgica con las vulnerabilidades que ya padecen estos países.

Por este motivo, es importantisimo que la ocomunidad internacional haga incapié en políticas de diales como el agua, también seráesarrollo sostenible que garantice una economía sustentable un uso racional de los recursos, que permita a estas comunidades enfrentar el cambi climático sin poner en peligro sus ecosistemas.

La industria y sus consecuencias

Desde la época preindustrial podemos notar como los niveles de CO2 an escalado en una inmensa cantidad en todo el mundo, una inferencia muy popular es asumir que las industrias generan un gran porcentaje de CO2.

Después de varias investigaciones se comprueba que esto es en su mayoría cierto, ya que si consideramos los niveles de CO2 de 1950 y los comparamos con los niveles de 1990, nos podremos dar cuenta de que el aumento de CO2 aumento un cuádruple desde entonces.

Por otro lado podemos apreciar también que las industrias generan CO2 por emisión de gas y esto genera a su vez el calentamiento global por el porcentaje de particulas que hay en el aire. Por año se estima que en el mundo se generan alrededor de 406 particulars por millón (218).

Importación de paquetes

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

Ubicación de donde se obtuvieron los datos

Importación de datos

setwd("~/EA9")
GDP <- read_csv("GDP.csv")

co2.concentration <- read_csv("co2-concentration.csv")

temperatura <- read_csv("temperature-anomaly.csv")

temperatura.pib <- read_csv("temperatura-pib.csv")

gdp.co2 <- read_csv("Co2_GDP.csv")

Descarga de datos

xfun::embed_file("U1A17.Rmd")

Filtrado de datos

co2.concentration <- co2.concentration[1769:1871,]

Producto interno bruto a nivel global (Gráfica interactiva 1)

plot_ly(GDP,x = ~Year, y = ~GDP_USD,color=~Entity, colors =rainbow(30),mode="lines+markers") %>% 
  group_by(Entity) %>%
  add_lines() %>%
  rangeslider() %>%
  layout(title = 'Producto interno bruto por pais a nivel mundial',
         xaxis = list(title = 'Año'),
         yaxis = list(title = 'Producto interno bruto en dolares'))

## Warning: `group_by_()` is deprecated as of dplyr 0.7.0.
## Please use `group_by()` instead.
## See vignette('programming') for more help
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_warnings()` to see where this warning was generated.

## Warning: `arrange_()` is deprecated as of dplyr 0.7.0.
## Please use `arrange()` instead.
## See vignette('programming') for more help
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_warnings()` to see where this warning was generated.

Emisiones de CO2 durante los años (Gráfica 2)

plot_ly(co2.concentration,x = ~Year, y = ~CO2,mode="lines+markers") %>% 
  add_lines() %>%
  rangeslider() %>%
  layout(title = 'Concentración atmosferica de CO2',
         xaxis = list(title = 'Año'),
         yaxis = list(title = 'CO2 ppmm'))

En esta gráfica podemos observar como se comportan las partículas por millón que hubo en cada año de la humanidad desde -80000 antes de cristo hasta el 2019. En esta gráfica se puede apreciar como los niveles de CO2 son estables durante todos los años, claro esto cambia cuando este llega a 1920 y empieza solamente a subir creando un pico del cual nunca se había llegado en la historia.

Varianza de Temperatura (Gráfica 3)

fig <- plot_ly(temperatura) %>%
  add_lines(x = ~year, y = ~Median,mode="lines+markers",name = "Mediana") %>%
add_lines(x = ~year, y = ~Upperbound,mode="lines+markers", name = "Límite superior") %>%
add_lines(x = ~year, y = ~Lowerbound,mode="lines+markers", name ="Límite inferior")  %>%
rangeslider() %>% 

  layout(title = 'Varianza de Temperatura',
         xaxis = list(title = 'Año'),
         yaxis = list(title = 'Mediana de Temperatura en Celsius'))

fig

Como lo muestra esta gráfica la varianza de temperatura es un dato que cuenta con un rango un poco amplió a causa de los daños producidos por las actividades humanas.

Co2 vs PIB (Gráfica 4)

ggplotly(ggplot(gdp.co2) +
  geom_point(aes(x = Year, y = PIB_Mexico, size = Co2,colour="Pib Mexico"),alpha = 0.6)+
  geom_point(aes(x = Year, y = PIB_USA, size = Co2,colour="Pib USA"),alpha = 0.6)+
  scale_size_continuous(range = c(1,7))+
  labs(x = "Año" , y = "PIB (en Dollares)", size = "PIB")+
  ggtitle("Niveles de CO2 vs PIB") +
  scale_y_continuous(labels = comma)) %>%
rangeslider(start = '1920', end = '2016')

En esta gráfica podemos apreciar el producto interno bruto de México comparado con el de USA con el paso de los años y como es que la economía de estos dos países ha ido aumentando.

Temperatura vs PIB (Gráfica 5)

plot_ly(temperatura.pib)%>%
  add_markers(x=~Year,y=~Mexico_PIB,size=~varianzaTemperatura,name="Mexico PIB")%>%
  add_markers(x=~Year,y=~USA_PIB,size=~varianzaTemperatura,name="USA PIB")%>%
  rangeslider() %>%
  layout(title = 'PIB relacionado con la varianza de la temperatura',
         xaxis = list(title = 'Año'),
         yaxis = list(title = 'Producto interno bruto en dolares'))

## Warning: `line.width` does not currently support multiple values.

## Warning: `line.width` does not currently support multiple values.

Aquí se nos muestra la relación de la varianza de temperatura con el PIB para poder comparar el impacto que los cambios de temperatura tienen relacion con el PIB.