Proyecto final Producción de la Uva
setwd("~/Desktop/EAMJ1130")
Introducción
La uva de mesa es considerada una de las principales frutas en el sector agrícola mexicano, se caracteriza por ser una de las principales frutas de exportación. En el año 2012, México produjo poco mas de 279 mil toneladas de uva de mesa con un valor de la producción de 6,330 millones de pesos; la superficie sembrada fue de 17,716 hectáreas. La mayor parte de la producción (93%) se obtiene del estado de Sonora (Torres, 2013).
En el estado de Sonora la uva de mesa es el cultivo con mayor valor económico, con un valor aproximado de 200 millones de dólares, con una producción de 7 millones de jornales en promedio al año (Chávez, 2016).
En la actualidad la sequía que se ha vivido en el estado de Sonora se ha incrementado, la causa principal es la falta de lluvias o precipitaciones y esto ha afectando a la producción de varios cultivos entre ellos la producción de uva, ya que existe una escasez de agua para el riego y con el aumento de la temperatura termina secando el cultivo y dañando el ecosistema por la falta de humedad.
Por ello en este proyecto final se analizará la producción de uva con respecto a la sequía medida en % de área afectada por sequías obtenido de la SMN utilizando la estadística de los datos.
Sequía
Antecedentes
Producción de uva
La producción de la uva en el estado de Sonora
Se produce en el municipio de Hermosillo un 90% de uva de mesa a comparación de los otros municipios del estado de Sonora
Monitoreo de la sequía MSN y sector agricola
El monitoreo de la sequía se ha convertido en parte integral de la planeación, preparación y mitigación a escalas local, regional e incluso nacional. Las sequías más recientes en México, desde que se implementó el MSM en 2003, describen que en forma relativamente frecuente, en alguna región del país se enfrenta un periodo de sequía; si bien, en general, las sequías aparecen con mayor frecuencia en las zonas áridas a semidesérticas, no están exentas de este fenómeno regiones semitrópicales, como en el sur y sureste de México. Sólo considerando costos asociados con pérdidas en el sector agrícola, definidos por los Programas para Atender Contingencias Climatológicas (PACC), manejados por la Secretaría de Agricultura, Ganadería, Desarrollo Rural, Pesca y Alimentación (Sagarpa) e implementados por el Fondo de Desastres Naturales (Fonden), de acuerdo con los datos obtenidos de los reportes de evaluación del impacto socioeconómico de los principales desastres naturales ocurridos en la república mexicana de los años 2001 a 2012 del Centro Nacional de Prevención de Desastres (Cenapred), se estima que la sequía ocurrida en 2011, con base en los registros del Servicio Meteorológico Nacional (SMN), fue una de las más intensas de los últimos 70 años y tuvo un costo de 7 750 millones de pesos (MDP) (Figura 1). Otros impactos relacionados se refieren a la distribución del agua para consumo humano, donde las zonas urbanas, como la Ciudad de México y su zona conurbada, requieren de recortes en la dotación para cubrir los meses de mayor demanda (Lobato-Sánchez, 2016).
Daños en MDP por año debido a las sequías registradas por SMN
Objetivo del trabajo
¿Cuánto % de área en los suelos por sequías es afectado en el estado de Sonora?
¿La producción de uva se ha mantenido constante, con variaciones, crecimiento o decrecimiento?
¿Existe una relación entre la producción y las sequías?
Teoría
¿Qué es la sequía?
Viñedo totalmente seco debido a las sequías
Una definición conveniente de la sequía es la propuesta por la American Meteorological Society (Campos, 1996) la cual señala que: “La sequía es un lapso caracterizado por un prolongado y anormal déficit de humedad”
¿Qué clases de sequía existen?
- Sequía meteorológica: este tipo de sequía se debe a la ausencia o escasez de precipitaciones durante un período determinado.
- Sequía agrícola: este tipo de sequía afecta más a los cultivos. Puede ser debida a una ausencia de lluvias o una actividad agrícola mal planificada.
- Sequía hidrológica: este tipo de sequía se produce cuando las reservas de agua de la zona están por debajo de la media. Se puede deber a falta de lluvias o a la inadecuada actividad humana.
Principales causas de la sequía
Ausencia o escasez de lluvias, sobre todo, durante las épocas que le corresponden, por lo que el agua es escasa.
Las actividades humanas como la sobreexplotación de tierras agrícolas, el riego excesivo o la deforestación, fomentan la erosión y afectan negativamente a la capacidad del suelo para almacenar y retener el agua. Estos efectos se desencadenan sobre todo a nivel local.
Actividades que fomentan el cambio climático y sobrecalentamiento global, tanto las actividades humanas como naturales. Esto provocará aumento de precipitaciones con inundaciones en determinados lugares y períodos de sequía y calentamiento, en otros. Son, por tanto, efectos a nivel global.
La utilización en agricultura de productos tóxicos como el amoníaco, aumenta el riesgo de desertización.
Períodos irregulares de precipitaciones.
Precipitación media anual
Precipitación media es el promedio a largo plazo en profundidad (sobre espacio y tiempo) de precipitación anual en el país. La precipitación se define como cualquier tipo de agua que cae de las nubes en forma líquida o sólida.
Consecuencias de la sequía
Pérdida de producciones agrícolas y tierras para el ganado, con la consiguiente pérdida de ingresos y alimentos. Además, al haber escasa producción de determinados alimentos, estos suben de precio por la ley de la oferta y la demanda.
Malnutrición, deshidratación y enfermedades.
Hambruna debida a la escasez de alimentos.
Migración de seres humanos y especies animales.
Daños al hábitat.
Pérdida de la biodiversidad o lo que es lo mismo, la reducción e incluso extinción de especies vegetales y animales.
Tormentas de polvo, por la desertificación y erosión.
Inestabilidad mundial, que puede desembocar en conflictos y guerras por los recursos naturales.
Menor oferta de alimentos en el mercado.
Metodología
Regresión lineal
La regresión lineal es una técnica de modelado estadístico que se emplea para describir una variable de respuesta continua como una función de una o varias variables predictoras. Puede ayudar a comprender y predecir el comportamiento de sistemas complejos o a analizar datos experimentales, financieros y biológicos.
Las técnicas de regresión lineal permiten crear un modelo lineal. Este modelo describe la relación entre una variable dependiente y (también conocida como la respuesta) como una función de una o varias variables independientes Xi (denominadas predictores). La ecuación general correspondiente a un modelo de regresión lineal es:
\[ Y=β0+∑ βiXi+ϵi \]
donde β representa las estimaciones de parámetros lineales que se deben calcular y ϵ representa los términos de errorSeries temporales
Una serie temporal se define como una colección de observaciones de una variable recogidas secuencialmente en el tiempo. Estas observaciones se suelen recoger en instantes de tiempo equiespaciados. Si los datos se recogen en instantes temporales de forma continua, se debe o bien digitalizar la serie, es decir, recoger sólo los valores en instantes de tiempo equiespaciados, o bien acumular los valores sobre intervalos de tiempo (Parra, 2019).
En el tratamiento de series temporales que vamos a abordar, únicamente se considerará la información presente y pasada de la variable investigada. Si la variable investigada es \(Y\) y se dispone de los valores que toma dicha variable desde el momento 1 hasta \(T\) el conjunto de información disponible vendrá dado por:
\[\ Y_{1}, Y_{2}, Y_{3}, ... Y_{T-1}, Y_{T}\]
Los índices estandarizados de sequía (SI), evalúan la diferencia que existe entre los valores de la variable analizada y la condición considerada como “normal” en una muestra normalizada. Así, los valores numéricos del índice SI representan anomalías de la variable de interés respecto a la media.
Todos estos índices, univariados y multivariados, se determinan de forma mensual para todo el territorio nacional y con diferentes escalas temporales (1, 3, 6 ,9 y 12 meses).
χ2 de Pearson (test de independencia)
El test χ2 de independencia, también conocido como χ2 de Pearson se emplea para estudiar si existe asociación entre dos variables categóricas, es decir, si las proporciones de una variable son diferentes dependiendo del valor que adquiera la otra variable, cuando los datos son independientes. El test de independencia cuantifica y sumariza cómo de distinto es el número de eventos observados en cada nivel con respecto al número esperado acorde con Ho. Esto permite identificar si la desviación total es mayor que la que cabría esperar simplemente por azar.
Hipótesis
H0 : Las variables son independientes por lo que una variable no varía entre los distintos niveles de la otra variable.
Ha : Las variables son dependientes, una variable varía entre los distintos niveles de la otra variable.
Resultados y discusión
library(readxl)
Uva <- read_excel("Uva.xlsx")Gráfica de los principales productores de uva en México
library(readxl)
library(hpackedbubble)##
## Attaching package: 'hpackedbubble'## The following object is masked from 'package:datasets':
##
## CO2Uvas <- read_excel("~/Desktop/EAMJ1130/Uva.xlsx")
hpackedbubble(Uvas$Estado, Uvas$`Produccion_obtenida_(ton)`, Uvas$`Valor_de_la_produccion_(millones)`,
title = "Estados de los Mayores productores de Uva en México",
pointFormat = "<b>{point.name}:</b> {point.y}",
dataLabelsFilter = 200,
packedbubbleMinSize = "30%",
packedbubbleMaxSize = "40%",
theme = "sky",
packedbubbleZMin = 0,
packedbubbleZmax = 1000, split = 1,
gravitational = 0.02,
parentNodeLimit = 1,
dragBetweenSeries = 0,
seriesInteraction = 0,
width = "100%")En el siguiente gráfico se observan los principales productores de uva en México. En el primer lugar se encuentra Sonora con un valor de producción 368188(ton), en segundo lugar Zacatecas con un valor de producción del 69979(ton) y en el tercer puesto esta Baja California con un valor de producción obtenida de 26665(ton), además se muestra el valor de la producción en millones de pesos los cuales son 9853,679 y 411 respectivamente.
library(readxl)
Uvas <- read_excel("UvaE.xlsx")
view(Uvas)Gráfica de los principales municipios que producen uva en el estado de Sonora
fig <- plot_ly(Uvas, x = ~Municipio, y =~Produccion, type = 'bar', name = 'Datos')
fig <- fig %>% add_trace(y = ~Produccion, name = 'Produccion_obtenida_(ton)')
fig <- fig %>% add_trace(y = ~Superficie, name = 'Superficie_cosechada_(ha)')
fig <- fig %>% add_trace(y = ~Valor, name = 'Valor de la producción en millones de pesos')
fig <- fig %>% layout(yaxis = list(title = 'Producción de uvas'), barmode = 'group')
figEn esta gráfica se puede observar que en el año 2017 y 2016, Hermosillo fue el principal productor de Uva del estado de Sonora con un 49.3%, después Caborca con una producción de 25.2% y finalmente San Miguel con una producción de 15.9% (Sagarhpa)
setwd("~/Desktop/EAMJ1130")
Sequia <- read_excel("SequiaSonora.xlsx")Visualizar tabla en series de tiempo del % de área afectada por sequías
Visualizar la gráfia por series de tiempo de la sequía en el estado de Sonora
library(forecast)## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zooplot(Sequia.ts, col = "brown", main = "% Área afecta por sequia en Sonora", ylab = "% Área afectada", xlab ="Tiempo", lwd=1, type="l", pch=10) 
Esta gráfica representa las mediciones del monitor de sequías en Mexico (MSN), en la cual se utilizan datos por mes y además se utilizo la función de series de tiempo para ajustarlo a 1 año los 12 meses como frecuencias. Las series de tiempo permiten conocer la variación temporal de las distintas variables e índices de sequía en una región predeterminada (considerando división política o hidrografía).
Donde D0: Normalmente Seco, D1: Sequía Moderada, D2: Sequía Severa, D3: Sequía Extrema y D4: Sequía Excepcional En la gráfica se puede observar que la mayor parte entre los niveles D1 y D2 se encuentra en oscilaciones muy constantes de esta serie temporal, por lo que se puede deducir que en todos los años los % de área afecta por sequía se encuentra en mayor parte entre D1 Y D2. Además se observa que en la gráfica D4 ocurrió una sequía del nivel mas alto, es decir una sequía excepcional en la cual tuvo tiempos que llegaron hasta mas de 50% de área afecta siendo este un indicador de perdidas muy fuerte para la cosecha de la uva.
Sequia.ts <- ts(Sequia$D4, start=c(2010,1), frequency = 12)
plot(Sequia.ts, col = "brown", main = "Sequia Excepcional en Sonora", ylab = "% Área afectada", xlab ="Tiempo", lwd=1, type="l", pch=10)
En esta gráfica mas detallada sobre la Sequía Excepcional (D4): la cual se caracteriza por: pérdidas excepcionales y generalizadas de cultivos o pastos, riesgo excepcional de incendios, escasez total de agua en embalses, arroyos y pozos, es probable una situación de emergencia debido a la ausencia de agua.(Conagua) se observa que en el año 2011 se registró una de las primeras sequía excepcional con un valor del 81% , posterior a ella en el año 2018 se registró otra sequía (D4) pero con un valor con un poco menos del 80% pero mas del 70%, y finalmente en la fecha de Octubre del 2020 a el año 2021 se registró la sequía mas servera que ha tenido en el estado de Sonora con un valor de cerca del 100%.
Tabla de la Uva en sonora desde 2010 a 2019
Uva_agricultura <- read_excel("Uva_agricultura.xlsx")
datatable(Uva_agricultura)En esta tabla se observa que el SPI es la precipitación media anual, la sembrada y la cosechada esta en unidades de hectáreas, la producción en toneladas, el precio del mercado nacional esta en $/ton, el valor de la producción el cual es el producto de la producción con el precio de mercado en miles de pesos y el indicador de precipitación y humedad en el suelo medido en % área afecta media anual tomando en consideración que las cosechas inician en mayo y finalizan en agosto.
Año <- Uva_agricultura$Año
Valor_mdp <- Uva_agricultura$`Valor de produccion (mdp)`
Precipitacion <- Uva_agricultura$SPI
Precio_mercado <- Uva_agricultura$`mercado ($/ton)`
MDIa <- Uva_agricultura$MDIa
Produccion <- Uva_agricultura$`Produccion (ton)`
Cosecha <- Uva_agricultura$Cosecha
Sembrada <- Uva_agricultura$Sembrada
datos <- data.table(Valor_mdp, Precio_mercado, Precipitacion, MDIa, Produccion, Cosecha, Sembrada)Gráfico de dispersión para la producción de uva a través del tiempo
x <- ggplot(data = datos) +
geom_point(aes(Año, Produccion)) +
geom_line(aes(Año, Produccion)) +
xlab("Años") +
ylab("Producción (ton)") +
labs(colour="red") +
ggtitle("producción de uva (Sonora)")+
scale_y_continuous(labels = comma)
ggplotly(x)Se observa que la producción se comporta como una serie temporal donde existe variaciones en puntos máximos y mínimos cada año, por lo que posiblemente a priori veamos una relación con las sequías y la producción de uva. Ademas se puede complementar la existencia de esta relación con que en el año 2011 disminuyo la producción de uva en un 7.47% respecto al año anterior esto debido a que ocurrió una de las sequía mas fuertes en el estado de Sonora.
qqnorm(Produccion)
qqline(Produccion)
Se observa en esta gráfica de cuantiles que la producción esta en constante crecimiento por lo que la predicción indica que en el 2020 y 2021 seguirá con esta tendencia de crecimiento.
Gráfica de dispersión del valor del de producción de la uva a través de los años
x <- ggplot(data = datos) +
geom_line(aes(Año, Valor_mdp)) +
xlab("Año") +
ylab("Valor de la producción (mdp)") +
ggtitle("Relación entre el tiempo con el valor de producción (Sonora)")+
scale_y_continuous(labels = comma)
ggplotly(x)En esta gráfica se observa que el valor de la producción de uvas se ha incrementado a lo largo del tiempo, iniciando en el año 2011 donde se obtuvo el primer incremento y posterior a ello apartir del año 2015 existe un incremento en el valor de la uva.
qqnorm(log10(Valor_mdp), main = "Valor de la producción mdp", col = "blue")
qqline(log10(Valor_mdp))
En este gráfico se ajusta el valor de la producción con un log base 10, en el cual se observa que se desvía de la recta los valores en X entre valores menores de 1 y mayores 1, lo cual significa que tenemos 3 datos atípicos.
par (mfrow = c(1,2))
hist(Uva_agricultura$`mercado ($/ton)`, breaks = 10, main = "", xlab = " Log10 (Sequía extrema)", border="blue")
qqnorm(log10(Uva_agricultura$`mercado ($/ton)`), main = "", col = "blue")
qqline(log10(Uva_agricultura$`mercado ($/ton)`))
En estos gráficos se analiza una tabla de frecuencias y un gráfico ajustado en un log base 10, donde se describe el precio del mercado de la Uva en $/ton. En el histograma se observa que no existe condiciones para una normalidad y en la gráfica “Theoretical Quantiles” se observa que tenemos un línea con 4 datos fuera de ella, lo cual indica que existieron 4 eventos o factores que hicieron variar el precio de la uva en el mercado, algunos factores pueden ser la sequía, el cambio climático, la alta demanda de este cultivo en el mercado etc.
Tabla de correlación de los 7 predictores
round( cor( x = datos, method = "pearson"), 3)## Valor_mdp Precio_mercado Precipitacion MDIa Produccion Cosecha
## Valor_mdp 1.000 0.921 0.773 -0.178 0.911 0.863
## Precio_mercado 0.921 1.000 0.602 0.068 0.689 0.742
## Precipitacion 0.773 0.602 1.000 -0.095 0.783 0.938
## MDIa -0.178 0.068 -0.095 1.000 -0.405 0.008
## Produccion 0.911 0.689 0.783 -0.405 1.000 0.833
## Cosecha 0.863 0.742 0.938 0.008 0.833 1.000
## Sembrada 0.847 0.644 0.887 -0.154 0.921 0.948
## Sembrada
## Valor_mdp 0.847
## Precio_mercado 0.644
## Precipitacion 0.887
## MDIa -0.154
## Produccion 0.921
## Cosecha 0.948
## Sembrada 1.000En esta correlación se observa que la sembrada es dependiente de la cosechada y a la vez se relaciona con el precio del mercado en mdp.
Gráfica de normalidad de nuestros predictores
multi.hist(x = datos, dcol = c("blue", "red"), dlty = c("dotted", "solid"),main = "")
Matriz de correlación entre los 7 predictores
library(GGally)
ggpairs(datos, lower = list(continuous = "smooth"),
diag = list(continuous = "barDiag"), axisLabels = "none")## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
En el siguiente gráfico para la selección de predictores en función de la producción de uva, se observa que las mas correlacionadas son: sembrada y el precio del mercado, pero a la vez estas variables están relacionadas con otras independientes, es decir, la sembrada esta muy relacionada con la cosecha por lo que se descarta para nuestra selección de predictores
Modelar nuestra regresión lineal multiple
modelo <- lm(Produccion ~ Valor_mdp + Precio_mercado + Precipitacion + MDIa, data = datos )
summary(modelo)##
## Call:
## lm(formula = Produccion ~ Valor_mdp + Precio_mercado + Precipitacion +
## MDIa, data = datos)
##
## Residuals:
## 1 2 3 4 5 6 7 8 9 10
## -9059 3073 1220 1016 -9636 4228 6510 7942 2794 -8088
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.064e+06 8.215e+05 1.295 0.25189
## Valor_mdp 5.229e-02 7.720e-03 6.773 0.00107 **
## Precio_mercado -1.605e+01 3.436e+00 -4.671 0.00548 **
## Precipitacion -1.801e+03 1.927e+03 -0.934 0.39299
## MDIa 4.038e+01 1.968e+02 0.205 0.84554
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 8757 on 5 degrees of freedom
## Multiple R-squared: 0.9835, Adjusted R-squared: 0.9702
## F-statistic: 74.32 on 4 and 5 DF, p-value: 0.0001217En este análisis se observa que la R2 múltiple, dio un valor de 0.98 y el valor de P-value: 0.012% esto significa que mas predictores están dependiendo entre una y la otra y eso causa un sesgó en la función principal que es la producción por lo que mas adelante se solicitara un método para eliminar predictores que dependen entre si.
Seleccion de predictores para nuestra función de produccion de uva
step(object = modelo, direction = "both", trace = 1)## Start: AIC=184.62
## Produccion ~ Valor_mdp + Precio_mercado + Precipitacion + MDIa
##
## Df Sum of Sq RSS AIC
## - MDIa 1 3227934 386688857 182.71
## - Precipitacion 1 66961535 450422458 184.23
## <none> 383460923 184.62
## - Precio_mercado 1 1673416003 2056876925 199.42
## - Valor_mdp 1 3518396521 3901857443 205.82
##
## Step: AIC=182.71
## Produccion ~ Valor_mdp + Precio_mercado + Precipitacion
##
## Df Sum of Sq RSS AIC
## - Precipitacion 1 69369997 456058854 182.35
## <none> 386688857 182.71
## + MDIa 1 3227934 383460923 184.62
## - Precio_mercado 1 3184825613 3571514469 202.94
## - Valor_mdp 1 6846530915 7233219771 209.99
##
## Step: AIC=182.36
## Produccion ~ Valor_mdp + Precio_mercado
##
## Df Sum of Sq RSS AIC
## <none> 4.5606e+08 182.35
## + Precipitacion 1 6.9370e+07 3.8669e+08 182.71
## + MDIa 1 5.6364e+06 4.5042e+08 184.23
## - Precio_mercado 1 3.4739e+09 3.9299e+09 201.89
## - Valor_mdp 1 1.1716e+10 1.2172e+10 213.20##
## Call:
## lm(formula = Produccion ~ Valor_mdp + Precio_mercado, data = datos)
##
## Coefficients:
## (Intercept) Valor_mdp Precio_mercado
## 2.990e+05 4.754e-02 -1.452e+01En este análisis se observa que en el apartado de “coefficients” el valor en mdp y el precio del mercado son variables que están interfiriendo por lo que se llegó a la conclusión de eliminarlos de nuestros predictores.
Modelar con los nuevos predictores la regresión lineal multiple
modelo <- lm(Produccion ~ Precipitacion + MDIa, data = datos )
summary(modelo)##
## Call:
## lm(formula = Produccion ~ Precipitacion + MDIa, data = datos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -40495 -18149 -307 20206 36666
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -5015986.5 1416628.9 -3.541 0.00946 **
## Precipitacion 12569.6 3338.0 3.766 0.00702 **
## MDIa -785.6 471.0 -1.668 0.13926
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 30250 on 7 degrees of freedom
## Multiple R-squared: 0.7236, Adjusted R-squared: 0.6447
## F-statistic: 9.164 on 2 and 7 DF, p-value: 0.0111En este nuevo modelo se observa que la precipitación y el indicador del % de área afectada de sequía son las causas que hacen variar nuestra producción de uva. Los resultados nos arroja un valor de R2: 0.72 y una significancia de 11.1% con lo cual se llega a la conclusión de que se acepta nuestra hipótesis nula, referente a que la sequía afecta directamente a la producción de Uva.
confint(lm(formula = Produccion ~ Precipitacion + MDIa, data = datos))## 2.5 % 97.5 %
## (Intercept) -8365781.474 -1666191.4918
## Precipitacion 4676.457 20462.6913
## MDIa -1899.243 328.1137Conclusión
Finalmente se llega a la conclusión de que existe un gran porcentaje de áreas afectadas por causas de las sequías en el estado de Sonora, una de las principales áreas afectadas es en la producción de uvas, por lo cual y en base a este estudio se puede decir que, si existe una relación entre la sequía y la producción de uvas, ya que se comprobó con este análisis que en el año 2011 se registró una sequía excepcional, la cual ha sido una de las peores sequías en en estado de Sonora, lo que generó que la producción de uvas disminuyera un 7.47% y se observa esa relación hasta el año 2019 con base al resultado obtenido de las sequías y precipitaciones en función de la producción. Una de las recomendaciones para evitar que este problema siga afectando a la producción de uvas, sería el colocar sensores de humedad, además de tener controlada y supervisada la gestión del agua, es decir hacer un uso adecuado y sustentable de ella.
Conclusión personal
En base a este estudio se obtuvo una R2:0.72 (72%) por lo que se puede concluir que si existe una relación entre las sequías y la producción de uvas en el estado de Sonora de manera inversamente proporcional, es decir que si aumentan las sequías disminuye la producción de uvas lo cual afecta directamente al cultivo haciendo que este se dañe, ocasionando perdidas económicas para el país debido a que México es uno de los principales exportadores de uva ya que en el 2018 exportó mas de 146mil toneladas a Estados Unidos, Japón, Costa Rica, Ecuador, Panamá, China etc, con un valor estimado en 198 millones de dólares (SIAP). Cabe mencionar que la primera sequía excepcional ocurrío en el año 2011 con un valor estimado de 81% de área afectada, ocasionando así grandes perdidas de cultivo y en la actualidad se esta viviendo una de las sequías mas severas en el estado de Sonora con un valor cerca del 100% de área afectada. Es por ello que resulta de gran importancia el tomar medidas precautorias ante este fenómeno, como por ejemplo utilizar sistemas de regadío que permitan tener una mejor utilización del agua, colocar sensores de humedad para evitar que el cultivo se quede sin suficiente humedad y finalmente proteger todas las fuentes de agua naturales y artificiales.
Cuidemos la producción de Uvas
• Desconocido. (2019, 11 octubre). CAUSAS Y CONSECUENCIAS MÁS COMUNES DE LA SEQUÍA. Mancomunidad de Tentudia. http://www.mancomunidaddetentudia.com/portal/causas-y-consecuencias-mas-comunes-de-la-sequia
• Sánchez, R. (2016, 5 septiembre). El monitor de la sequía en México. Scielo. http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S2007-24222016000500197
• Desconocido. (2019, 7 septiembre). Precipitación media histórica por entidad federativa. Semarnat. http://dgeiawf.semarnat.gob.mx:8080/ibi_apps/WFServlet?IBIF_ex=D3_AGUA01_01&IBIC_user=dgeia_mce&IBIC_pass=dgeia_mce&NOMBREENTIDAD=*&NOMBREANIO=*
• Desconocido (2020, 24 septiembre). ¿Cuál es el suelo ideal para la vid? Características. Curso cata de vino, enoturismo y elaboración de vino https://www.cursocatadelvino.com/cual-es-el-suelo-ideal-para-la-vid-caracteristicas/
• Penelo, L. (2020, 1 octubre). Uvas: propiedades, beneficios y valor nutricional. La Vanguardia. https://www.lavanguardia.com/comer/materia-prima/20180709/45716664292/uvas-frutas-propiedades-beneficios.html#:%7E:text=Las%20uvas%20son%20ricas%20en,%2C%20manganeso%2C%20azufre%20y%20selenio.
• Desconocido. (2021, 30 abril). Avance de Siembras y Cosechas. Siap. https://nube.siap.gob.mx/avance_agricola/https://smn.conagua.gob.mx/es/climatologia/monitor-de-sequia/monitor-de-sequia-en-mexico • Desconocido. (2021, 18 mayo). Monitor de Sequía en México. Conagua. https://smn.conagua.gob.mx/es/climatologia/monitor-de-sequia/monitor-de-sequia-en-mexico
• Desconocido. (2021, 20 mayo). Gráfica. Imta. http://galileo.imta.mx/Sequias/moseq/graficaGob.html
• Desconocido. (2021, mayo 21). Sequías. Imta. http://galileo.imta.mx/Sequias/moseq/marcoteoricoGob.html#:~:text=Intensidad%3A%20define%20el%20grado%20en,en%20condiciones%20de%20sequ%C3%ADa%20severa.
• Amat., J. (2016, 21 octubre). RPubs - Test exacto de Fisher, chi-cuadrado de Pearson, McNemar y Q-Cochran. RPubs. https://rpubs.com/Joaquin_AR/220579
Código para descarga
xfun::embed_file("Proyecto final Producción de Uva.Rmd")Download Proyecto final Producción de Uva.Rmd
xfun::embed_file("Uva_agricultura.xlsx")xfun::embed_file("SequiaSonora.xlsx")xfun::embed_file("Uva.xlsx")xfun::embed_file("UvaE.xlsx")xfun::embed_file("Daños por sequias.png")Download Daños por sequias.png
xfun::embed_file("sequía7.jpg")xfun::embed_file("Uva de mesa.jpg")xfun::embed_file("Uvas.jpg")xfun::embed_file("Viñedo-muerto.jpg")