INTRODUCCIÓN

El cambio climático constituye la mayor amenaza medioambiental a la que se enfrenta la humanidad.

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. De hecho, los impactos del cambio climático ya son perceptibles y quedan puestos en evidencia por datos como:

• La temperatura media mundial ha aumentado ya 1,1°C desde la época preindustrial

• El período 2015-2019, según la Organización

• Meteorológica Mundial (OMM), será probablemente el quinquenio más cálido jamás registrado

• La tasa de subida del nivel del mar ha ascendido a 5 mm al año en el quinquenio 2014 -2019

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

En los peores escenarios probables que los expertos reflejan, el aumento de temperatura podría llegar a los 4,8 ºC para final de siglo. El cambio climático es un problema global que alcanza una perspectiva ambiental, política, económica y social en la que las peores previsiones también implican enormes pérdidas económicas. Y es que cuanto más tardemos en actuar, mucho más elevadas serán las inversiones para la adaptación al aumento de la temperatura.

Entonces, ¿cómo se relaciona el cambio climático con la temperatura, la emisión de gases y el GDP? A continuación se plantea un análisis de ello.

MÉTODO

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

co2.concentration <- read_csv("CO2-1900.csv")

## 
## -- Column specification --------------------------------------------------------
## cols(
##   Year = col_double(),
##   CO2 = col_double()
## )

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

## 
## -- Column specification --------------------------------------------------------
## cols(
##   Year = col_double(),
##   Median = col_double(),
##   Upper = col_double(),
##   Lower = col_double()
## )

temp.gdp <- read_csv("gdptemperatura.csv")

## 
## -- Column specification --------------------------------------------------------
## cols(
##   year = col_double(),
##   GDP = col_double(),
##   temperatura = col_double()
## )

df <- data.frame(temp.gdp)

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

## 
## -- Column specification --------------------------------------------------------
## cols(
##   Year = col_double(),
##   Co2 = col_double(),
##   PIB_Mexico = col_double(),
##   PIB_USA = col_double()
## )

datatable(co2.concentration)

datatable(temperatura)

RESULTADOS

plot_ly(co2.concentration,x = ~Year, y = ~CO2, color= "green") %>% 
  add_lines() %>%
  layout(title = 'Concentración global de CO2 desde 1900 hasta 2018',
         xaxis = list(title = 'Año'),
         yaxis = list(title = 'CO2 (ppm)'))

## Warning in RColorBrewer::brewer.pal(N, "Set2"): minimal value for n is 3, returning requested palette with 3 different levels

## Warning in RColorBrewer::brewer.pal(N, "Set2"): minimal value for n is 3, returning requested palette with 3 different levels

plot_ly(temperatura) %>%
  add_lines(x = ~Year, y = ~Median,name = "Mediana") %>%
add_lines(x = ~Year, y = ~Upper, name = "Límite superior") %>%
add_lines(x = ~Year, y = ~Lower, name ="Límite inferior")  %>%
  layout(title = 'Anomalías globales en la temperatura',
         xaxis = list(title = 'Año'),
         yaxis = list(title = 'Temperatura (°C)'))

d <- df %>%
  
ggplot(aes(x = year, y = temperatura, size = GDP)) +
  geom_point(alpha = 0.6)+
  scale_size_continuous(range = c(1,7))+
  labs(x = "año" , y = "temperatura", size = "GDP(trillones de dolares)")+
  ggtitle("Temperatura vs GDP desde 1990 hasta 2015") +
  scale_y_continuous(labels = comma)
ggplotly(d)

ggplotly(ggplot(co2.gdp) +
  geom_point(aes(x = Year, y = PIB_Mexico, size = Co2,colour="GDP Mexico"),alpha = 0.6)+
  scale_size_continuous(range = c(1,7))+
  labs(x = "Año" , y = "GDP (Dlls)", size = "PIB")+
  ggtitle("Concentración de CO2 vs GDP") +
  scale_y_continuous(labels = comma)) 

CONCLUSIÓN

Es muy sencillo reafirmar que la concentración de CO2 ha aumentado drásticamente conforme el paso de los años y que las anomalías en la temperatura también, puesto que en las gráficas obtenidas se puede observar su aumento. La temperatura y el GDP se muestran relacionados de una forma no tan directa pero se puede decir que SI existe una relación, ya que ha medida que aumenta una variable, aumenta la otra y pasa lo mismo con la concetración de CO2 y el GDP pero este se ve aun más relacionado entre sí. Por lo tanto, se dice que son variables que se ven afectadas de forma directa con respecto al cambio climático.

BIBLIOGRAFÍA

• Ritchie, H., Roser, M. (2020). CO2 and Greenhouse Gas Emissions (Link)[https://ourworldindata.org/co2-and-other-greenhouse-gas-emissions]

• Greenpeace (2019). cambio climático. (Link)[https://es.greenpeace.org/es/trabajamos-en/cambio-climatico/]