Proyecto final producción de la uva

Introduccion

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 más 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).

Ultimadamente la sequia que se ha vivido en el estado de sonora es muy fuerte y ha estado afectando a la produccion de varios cultivos ya que existe una ezcases de agua para riego y con el aumento de temperatura termina secando el cultivo y dañando el ecosistema por la falta de humedad.

Por ello se analizará la produccion de uva con la sequia medida en % de area afectada por sequias obtenido de la SMN utilizando la estadistica de los datos.

Antecedentes

Produccion de uva

De acuerdo con datos del Servicio de Información Agroalimentaria y Pesquera (SIAP) en México hay 24 mil hectáreas de viñedos, en las que se producen cerca de 375 mil toneladas de uva de mesa al año. Los principales estados productores son Sonora, con 319 mil; Zacatecas, con 43 mil, y Aguascalientes, con 5,475 toneladas. En los viñedos mexicanos se cosechan seis de cada mil toneladas de uva para mesa disponibles en el mundo.

La produccion de la uva en el estado de Sonora

El estado de Sonora (Hermosillo y Caborca) representa el 95% del total de la producción nacional de uva de mesa y actualmente es capaz de producir cerca de 20 millones de cajas de 8.2 kilogramos, que en su gran mayoría se exportan a Estados Unidos, Canadá, Europa, Sudamérica y Asia, entre otros, así como al mercado nacional, con la ventaja competitiva de producir cosecha más temprana que California (EE.UU.). Esto ha motivado el establecimiento de nuevos viñedos en la región y el uso de tecnología que ayude a forzar a las vides a obtener cosechas más precoces, inocuas y sostenibles (Secretaria de Agricultura, Ganaderia, Recursos hidraulicos, Pesca y Acuacultura, 2018).

Se producejo en el municipio de Hermosillo un 90% de uva de mesa a comparacion de los municipios de Sonora

Monitoreo de la sequia 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 semitropicales, 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 imple-mentados 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 sequias registradas por SMN

Objetivo del trabajo

  1. ¿Cuanto % de area en los suelos por sequias es afectado en el estado de Sonora?

  2. ¿La produccion de uva se ha mantenido constante,con variaciones, crecimiento o decrecimiento?

  3. ¿Existe una relacion entre la produccion y las sequias?

Teoría

¿Que es la sequia?

Viñedo totalmente seco debido a las sequias

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?

  1. Sequía meteorológica: este tipo de sequía se debe a la ausencia o escasez de precipitaciones durante un período determinado.
  2. 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.
  3. 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 sequia

  • 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.

Precipitacion 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 sequia

  • 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

Regresion 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 error

Series 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("~/R/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':
## 
##     CO2
Uvas <- read_excel("~/R/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')
fig
En 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("~/R")
Sequia <- read_excel("~/R/SequiaSonora.xlsx")
View(Sequia)

Visualizar tabla en series de tiempo del % de área afectada por sequías

Visualizar la gráfica por series de tiempo de la sequía en Sonora

 library(forecast)
## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo
plot(Sequia.ts, col = "brown", main = "% Area afecta por sequia en Sonora", ylab = "% Area afectada", xlab ="Tiempo", lwd=1, type="l", pch=10)   

Se puede observar las mediciones del monitor de sequias en Mexico (MSN), en la cual se toman datos por mes, 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 es normalmente seco, D1 es sequía moderada, D2 sequía severa, D3 sequía extrema y D4 sequía excepcional.

En la gráfica se observa 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 porcentajes de área afectada por sequía se encuentran la mayor parte entre D1 Y D2.

Se observa que en la grafica D4 ocurrio una sequía del nivel más alto, es decir, una sequía excepcional en la cual tuvo tiempos que llegaron hasta más de 50% de área afectada siendo éste indicador muy fuerte para nuestra agricultura en el caso 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 = "% Area 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 cerca del 100%.

Tabla de la Uva en sonora desde 2010 a 2019

Uva_agricultura <- read_excel("~/R/Uva_agricultura.xlsx")

data.table(Uva_agricultura)
##      Año SPI Sembrada  Cosecha Produccion (ton) mercado ($/ton)
##  1: 2010 422 18954.00 18952.00         227005.8        16491.64
##  2: 2011 421 19015.00 19015.00         210038.2        20150.15
##  3: 2012 421 19970.00 18883.00         303106.1        21505.18
##  4: 2013 421 20393.00 19006.00         271580.0        19450.08
##  5: 2014 422 20096.00 18709.00         250806.9        15432.38
##  6: 2015 425 20811.00 19651.00         285232.8        16220.77
##  7: 2016 425 21144.00 20343.00         266800.9        18799.84
##  8: 2017 425 22864.11 21148.61         334355.3        18926.73
##  9: 2018 427 23540.61 22520.61         338266.7        23387.05
## 10: 2019 430 23706.50 22908.50         368187.8        26760.92
##     Valor de produccion (mdp)  MDIa
##  1:                   3743698 26.57
##  2:                   4232302 82.91
##  3:                   6518350 11.92
##  4:                   5282252 20.00
##  5:                   3870547 44.96
##  6:                   4626695 22.15
##  7:                   5015815 30.49
##  8:                   6328251 18.89
##  9:                   7911059 55.79
## 10:                   9853045 26.43
En esta tabla observamos que el SPI es la precipitación media anual, la sembrada está por hectarias, la cosecha en hectarias, la producción en toneladas, el precio del mercado nacional esta en $/ton, el valor de la producción que viene siendo el producto de la producción con el precio de mercado en miles de pesos y el indicador de precipitación y humedad en el suelo medido en % área afecta media anual tomando en cuenta que las cosechas empiezan en mayo y terminan en agosto.
Año <- Uva_agricultura$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("Produccion (ton)") +
  labs(colour="") +
  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)
Observamos en esta grafica de quantiles que la producción está en constante crecimiento por lo que la predicción indica que en el 2020 y 2021 seguirá con ésta tendencia.

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, por lo que se puede decir que a través de los años el valor de la producción aumentará.
qqnorm(log10(Valor_mdp), main = "Valor de la producción mdp", col = "blue")
qqline(log10(Valor_mdp))
El valor de la producción ajustado en un log base 10 se desvía de la recta los valores en X entre menos de 1 y mayores 1 lo cual significa que tenemos 3 datos atípicos(distante del resto de los datos).
par (mfrow = c(1,2))
hist(Uva_agricultura$`mercado ($/ton)`, breaks = 10, main = "", xlab = " Log10 (Sequia 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 una 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          1.000
En esta correlación se observa que la sembrada es dependiente de la siembra y a la vez 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 correlacion 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`.

Para la selección de predictores en función de la producción de uva observamos que las mas correlacionadas son: sembrada y el precio del mercado, pero a la vez estas variables estan 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 regresion lineal múltiple

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: 0.0001217
Observamos que nuestra R2 múltiple nos da 0.98 y nuestro valor de P-value: 0.012% esto significa que mas predictores estan dependiendo entre una y la otra y eso causa un cesgo en nuestra función principal que es la producción por lo que más adelante se solicitará un método para eliminar predictores que dependen entre sí.

Selección de predictores para nuestra función de producción 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+01
Observamos en el apartado de “coeficients” y vemos como el valor en mdp y el precio del mercado son variables que están interfiriendo por lo que se eliminan de nuestros predictores.

Modelar con los nuevos predictores la regresión lineal múltiple

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: 0.0111
Observamos 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% lo cual se acepta nuestra hipótesis nula que la sequía afecta 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      328.1137

Conclusión

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 conclusión nosotros quisimos hacer este proyecto en relación a la agricultura y nos quicimos especificar en una sola producción que es en la de las uvas, elegimos este tema porque en el Estado de Sonora la uva de mesa es el cultivo con mayor valor económico, es el Estado que más rendimiento ofrece, con más del 91 % de la producción nacional de uva fresca. Pero ultimadamente la sequia que se ha vivido en el estado de sonora es muy fuerte y ha estado afectando a la produccion de varios cultivos ya que existe una ezcases de agua para riego y con el aumento de temperatura termina secando el cultivo y dañando el ecosistema por la falta de humedad. Lo que nosotros quicimos determinar en este proyecto fue ¿Cuanto % de área en los suelos por sequías es afectado en el estado de Sonora? y me llevé la sorpresa que el porcentaje de área que se ve afectada es del 50% hasta un 80% y en aumento si no hacemos algo para prevenirlo,y con estas sequías se vio afectada la producción ya que la uva es una fruta que necesita bastante agua y ésto generó grandes pérdidas en el estado de Sonora. otra pregunta que determinamos fue si ¿La produccion de uva se ha mantenido constante,con variaciones, crecimiento o decrecimiento? y la respuesta es que no, no se ha mantenido constante en abosoluto a causa de las sequías la uva ha tenido variaciones tanto en la producción como en la cosecha un ejemplo es en en el año 2011 disminuyó la producción de uva en un 7.47%. y para el 2015 tuvo incremento en el valor de la producción de uva. otra pregunta que nos planteamos fue que si ¿Existe una relacion entre la produccion y las sequias? y la respuesta es que si, existe bastante relación,notamos esta relación cuando obtuvimos un resultado de R2: 0.72 y una significancia de 11.1% lo cual nos dimos cuenta que la precipitación y el indicador del % de área afectada de sequía son las causas que hacen variar nuestra producción de uva y por lo tanto existe una relación.
Las sequías han hecho que la producción de uva cada vez sea mas dificil, cada vez disminuye más la producción, y ésto va a seguir existiendo si nosotros no tomamos medidas. A lo que investigué cada vez son más los estados en rojo en méxico y el estado de Sonora es el que más presenta sequías, y es una lástima la verdad porque Sonora es uno de los estados mas fuertes en la producción agrícola y perder esta tierra no imagino cuántos problemas traerá para el país y por supuesto nos veremos afectados nosotros también. Los invito a hacer un uso sutentable y adecuado del agua, aún no es tarde.

Referencias

•(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

. (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=*

• 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.

• 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

•(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/

Codigo para descarga

xfun::embed_file("Proyecto final Equipo 3.Rmd")

Download Proyecto final Equipo 3.Rmd

xfun::embed_file("Uva_agricultura.xlsx")

Download Uva_agricultura.xlsx

xfun::embed_file("SequiaSonora.xlsx")

Download SequiaSonora.xlsx

xfun::embed_file("Uva.xlsx")

Download Uva.xlsx

xfun::embed_file("UvaE.xlsx")

Download UvaE.xlsx

xfun::embed_file("Daños por sequias.png")

Download Daños por sequias.png

xfun::embed_file("sequía7.jpg")

Download sequía7.jpg

xfun::embed_file("Uva de mesa.jpg")

Download Uva de mesa.jpg

xfun::embed_file("uva2.jpg")

Download uva2.jpg

xfun::embed_file("Viñedo-muerto.jpg")

Download Viñedo-muerto.jpg