1.Introduccion

1.1 Contexto

En la agronomía la geomática es una herramienta que facilita la representación geografica por medio de mapas, el analisis de informacion topografica, permitiendo llevar a cabo interpretaciones estadisticas agricolas, geoespaciales y climaticas. Es de gran ayuda debido a que proporciona herramientas como la cartogafia, GPS, topografía, fotogrametría, teledetección, imágenes de satélite, entre otras, que brindan la capacidad para manejar la informacion espacialmente referenciada de tal manera que el agronómo puede ataptar metodos de cultivo teniendo en cuenta la variabilidad interna en una misma parcela.

Además, es una disciplina que engloba las Geociencias con la integración y aplicación de las tecnologías de la información y la comunicación (TIC). La suma de Geociencias + TIC hace posible la gestion de informacion geografica por medio de captura, procesamiento, análisis, interpretación, almacenamiento, modelización, aplicación y difusión de información digital geoespacial o localizada.

1.2 Objetivos

Representar mediante las funciones del programa R el departamento de Sucre por medio de mapas y analizar estadisticamente su actividad agricola, consignada en el reporte del Ministerio de Agricultura(2020); como actua el clima y de que manera se relaciona este con su topografía.

1.3 Conceptos teoricos

Datos geograficos También conocidos como información geográfica o datos geoespaciales, se refieren a información relacionada con objetos o elementos presentes en un espacio u horizonte geográfico. Estos contienen coordenadas y atributos y nos permiten realizar analisis espaciales.

Sistemas de coordenadas de referencia Los Cordinate Reference System (CRS) definen ubicaciones geograficas con la ayuda de coordenadas y cómo las dos dimensiones con el mapa proyectado se relacionan a ubicaciones reales de la tierra. Hay dos diferentes tipos de sistemas de referencia de coordenadas: Sistema de Coordenadas Geográfica y Sistema de Coordenadas Proyectada.

Shapefiles Un formato de shapefile define la geometria y los atributos de entidades a la que se hace referencia geografica en 3 o mas extendiones de archivos concretos que se deben almacenar en el mismo espacio de trabao del proyecto.

Union de atributos (joins) a datos geograficos Es la combinacion de datos por medio de al menos una variable compartida, esta es utilizada para incorporar los campos de una tabla a otra.

Mapas tematicos Se hacen para representar aspectos particulares de la zona geografica de interes, estos pueden ser fisicos, de distribuciones de recursos naturales o de cualquier otra relacionada con el territorio en cuestion.

Modelos de elevacion digital Un modelo digital de elevación es una representación visual y matemática de los valores de altura con respecto al nivel medio del mar, que permite caracterizar las formas del relieve y los elementos u objetos presentes en el mismo.

Data Elevation Model (DEM) Es un modelo de datos digitales de elevación respecto a una superficie cualquiera, que excluye arboles, edifcios y cualquier otro objeto que este sobre ella. Se basa en celdas o matrices y que incluso se pueden llevar a una imagen 3D o 2D. Variables - Elevación: Que es la altura de la celda, con el que se puede similuar relieve en un mapa usando la combinación de colores. - Pendiente: Reperesenta la inclinación para cada celda del DEM. - Aspecto: Es la orientación o dirección que tiene la pendiente, en los valores de raster de salida seran la dirección de brujula de la orientación.

2.Metodos

2.1 Zona de Estudio

Este informe examina datos estadicos del departamento de Sucre, su capital es Sincelejo. Está ubicado al norte del país, en la región Caribe, limitando al norte con el mar Caribe (océano Atlántico), al este con Bolívar y al oeste con Córdoba. Con 10 670 km² es el sexto departamento menos extenso y su población en 2018 era de 904.863 habitantes(DANE,2018).

El territorio del departamento de Sucre es, en general, bajo y plano, anegadizo en el sur y seco en el norte. Se destacan la cuchilla de Nucacal y las lomas de Majagual. Posee una región insular conformada por las islas de San Bernardo, ubicadas en el Golfo de Morrosquillo. Sucre se divide en 5 subregiones naturales y 26 municipios. Las subregiones naturales son: los Montes de María, Morrosquillo, La Mojana, Sabanas y San Jorge (Gobernación de Sucre, 2019).

Para comenzar se muestra la Figura[1], que es una representacion grafica del departamento de sucre, donde se puede visualizar el area y población de cada municipio.

library(rgeos)
library(sf)
library(leaflet)
library(tidyverse)
library(dplyr)
library(ggplot2)
library(leafpop)
library(RColorBrewer)
#Leer el archivo .txt que contiene los municipios de sucre con coordenadas (latitud y longitud) y poblacion
municipios <- read.table(file = "/Users/Acer/Documents/Materias U/Geomatica Basica/municipiossucre.txt", header = F, sep = "," )

#Cambiar nombre de las columnas del archivo .txt
names(municipios) <- c ("Codigo", "Nombre", "COD_departamento", "Departamento", "Latitud", "Longitud","Poblacion")
#Leer el archivo .shp que contiene los poligonos de cada municipio del Sucre
munis_sucre <- read_sf("/Users/Acer/Documents/Materias U/Geomatica Basica/70_SUCRE/ADMINISTRATIVO/MGN_MPIO_POLITICO.shp")

# Calcular area y Convertir en coordenadas planas
munis_sucre$KM2 <- st_area(st_transform(munis_sucre, 3116))/1E6
munis_sucre$KM2 <- as.numeric(munis_sucre$KM2)
munis_sucre$KM2 <- round(munis_sucre$KM2,3)
munis_sucre$POBLACION <- municipios$Poblacion
bins <- c(56, 186.7, 317.4, 448.1, 578.8, 709.5, 840.2, 970.9, 1101.6,1232.3, 1495)
pal <- colorBin("RdBu", domain = munis_sucre$KM2, bins = bins)

  mapa <- leaflet(data = munis_sucre) %>%
  addTiles() %>%
  addPolygons(label = ~MPIO_CNMBR,
              popup = popupTable(munis_sucre ,zcol = c("MPIO_CCDGO","MPIO_CNMBR","KM2","POBLACION")),
              fillColor = ~pal(KM2),
              color = "#444444",
              weight = 1,
              smoothFactor = 0.5,
              opacity = 1.0,
              fillOpacity = 0.5,
              highlightOptions = highlightOptions(color = "white", weight = 2, bringToFront = TRUE)
              ) %>%
  addProviderTiles(providers$OpenStreetMap) %>%
  addLegend("topright", pal = pal, values = ~KM2,
    title = "Municipalities extent [Km2] (DANE, 2018)",
    opacity = 1
  );mapa

Figura [1].Mapa Municipios de Sucre

2.2 Datos

Para la realizacion de este informe se utilizaron 3 tipos de archivos con informacion geoespacial y estadistica.

.txt Es un blog de notas que contiene la informacion de los municipios del departamento (Codigo, Nombre, COD_departamento, Departamento, Latitud, Longitud, Poblacion). De este archivo utilizamos la informacion poblacional de cada municipio.

.shp Es un shapefile que contiene la informacion geoespacial de cada municipio del departamento(DPTO_CCDGO, MPIO_CCDGO, MPIO_CNMBR, MPIO_CRSLC,MPIO_NAREA, MPIO_NANO, DPTO_CNMBR, Shape_Leng, Shape_Area, geometry).De los cuales utilizamos el codigo, nombre y area de cada municipio.

.csv En un dataframe proporcionado por el Ministerio de Agricultura(2020) que contiene informacion sobre la produccion agricola de cada municipio del departamento(COD_DEP., DEPARTAMENTO, COD_MUN,,MUNICIPIO, GRUPO, SUBGRUPO, CULTIVO, DESAGREGACION_REGIONAL_Y.O_SISTEMA_PRODUCTIVO, YEAR, PERIODO, HA_SEMBRADA, HA._COSECHADA, TON_PRODUCCION,RENDIMIENTO, ESTADO_FISICO_PRODUCCION, NOMBRE._CIENTIFICO, CICLO). De los cuales se utilizaron el codigo, nombre, cultivo, año, hectareas sembradas y cosechadas, produccion y rendimiento de cada municipio del departamento.

##2.3 Metodos Se utilizaron datos de shapefile y csv de DANE(2018) y del Minesterio de Agricultura respectivamente, por lo tanto se inicio leyendo estos datos con la asignación de variables; la primera que es EVA(Evaluaciones Agricolas) y la segunda que es Sucre que contiene toda la infomación de sus municipios Ya con esto se inicia el proceso de obtención de caracteristicas de interes de la respectiva variable: - De las evaluaciones agricólas se obtiene la producción de Berenjena en el departamento, con perdidas y ganancias. - Del shapefile las distintas caracteristicas topograficas y climaticas, utilizando querys y raster con las herramientas de R

3.Resultados y discusión

Considerando que el archivo .csv contiene la informacion de todos departamentos de Colombia, se filtro unicamente para el departamento de sucre.

Tabla[1].Evaluaciones Agropecuarias del departamento de Sucre

#Leer archivo .csv que contiene los datos suministrados por el ministerio de agricultura y filtrarlos por el departamento de sucre.
EVA <- read.csv(file = "/Users/Acer/Documents/Materias U/Geomatica Basica/Evaluaciones_Agropecuarias_Municipales_EVA.csv", header=T, sep = ";")
eva_sucre <- filter(EVA, DEPARTAMENTO == "SUCRE");
select(eva_sucre, COD_MUN,MUNICIPIO,CULTIVO,YEAR,HA_SEMBRADA,HA._COSECHADA,TON_PRODUCCION,RENDIMIENTO)

Al revisar rapidamente el DataFrame proporcionado por el ministrerio de agricultura encontramos que en el departamento de sucre se cultiva un producto que es poco conocido y consumido al interior de Colombia pero podria ser de gran interes agronomico debido a ser tan codiciado en los mercados extranjeros. Por esta razon enfocaremos el analisis estadistico de este informe en la produccion de berenjena en el departamento de sucre. Ademas sucre es el segundo departamento con mayor produccion de berenjena en el pais.

Mostraremos cual ha sido el comportamiento productivo de la berenjena entre los años de 2007 a 2018.

Tabla[2].Produccion Berenjena departamento de Sucre

eva_sucre %>%
  filter(CULTIVO == "BERENJENA") %>%
  select(MUNICIPIO,YEAR,HA_SEMBRADA,HA._COSECHADA,TON_PRODUCCION,RENDIMIENTO)%>%
  arrange(YEAR)

En la tabla anterior se evidencia que al cultivo de berenjena no cuenta con una gran extension de tierra en el departamento, por lo tanto su produccion no es la mas alta. Pero de la tabla se puede inferir que el cultivo no es propenso a la perdidas, por lo que se puede pensar que es un cultivo bastante rentable. A continuacion reprentaremos esta informacion para que sea mas facil observarla con una nueva nueva columna llamada “HA_PERDIDAS”.

Tabla[3].Heactareas perdidas en la produccion de berenjena

eva_sucre %>%
  filter(CULTIVO == "BERENJENA") %>%
  select(MUNICIPIO,YEAR,HA_SEMBRADA,HA._COSECHADA,TON_PRODUCCION,RENDIMIENTO)%>%
  mutate(HA_PERDIDAS = HA_SEMBRADA-HA._COSECHADA)%>%
  arrange(YEAR)

En esta tabla rectificamos la informacion anteriormente mencionada, y evidenciamos que en el municipio de OVEJAS se presentan las mismas perdidas (20HA) desde que empezo a cultivar berenja en 2014 hasta el 2017, pero en el 2018 tuvieron la produccion mas alta de los 13 años en todo el departamento. Con esta informacion podemos inferir que en el municipio de OVEJAS se llevo acabo investigacion sobre este cultivo y en 2018 dieron con resultados favorables para incrementar notablemente la produccion de berenjena.

A continuacion mostramos y reprenstamos cual fue el año en el que los municipios productores de berenjena tuvieron su mayor produccion.

Tabla[4].Año de mayor produccion de berenjena

eva_sucre %>%
  filter(CULTIVO =="BERENJENA")%>%
  group_by(MUNICIPIO, YEAR)%>%
  summarize(max_prod = max(TON_PRODUCCION, na.rm =T)) %>%
    slice(which.max(max_prod))%>%
    arrange(desc(max_prod))-> ton_prod_max
ton_prod_max
# we use the ggplot 2 library
g <- ggplot(aes(x = MUNICIPIO, y = max_prod), data = ton_prod_max) + geom_bar(stat = 'identity') + labs(y='Produccion de berenjena [TON]') + geom_text(aes(y = max_prod, ymax=max_prod, label = YEAR), position = position_dodge(width = 0.9), size=3, vjust=-1, hjust=0.5 ,col="black")

g + ggtitle("Mayor produccion del municipio entre el 2006 y el 2018") + labs(caption = "Based on EVA data (Minagricultura, 2020)")
**Figura[2].Grafica año de mayor produccion de berenjena**

Figura[2].Grafica año de mayor produccion de berenjena

Con la tabla y grafica anteriores se reafirma que el municipio de OVEJAS fue el mayor productor de berenjena en el departamento entre el 2006 y 2018. Ademas se evidencia que PALMITO posee una produccion muy baja.

Ahora mostramos la informacion anual de produccion de cada municipio productor de berenjena, para tener un poco de claridad de lo que ocurrio con la produccion en palmito entre el 2006 y el 2018.

munis_sucre$COD_MUN <- as.integer(munis_sucre$MPIO_CCDGO)
#seleccionar, filtrar y estadisticas
berenjena_sucre <- eva_sucre %>%  
   filter(CULTIVO == "BERENJENA")%>%  
   select(MUNICIPIO, COD_MUN, YEAR, PERIODO, TON_PRODUCCION, RENDIMIENTO)
X <- unique(berenjena_sucre$YEAR); Y <- unique(berenjena_sucre$PERIODO)

berenjena_sucre %>% 
  gather("YEAR", "PERIODO", "TON_PRODUCCION", "RENDIMIENTO" , key = variable, value = number) -> BS

berenjena_sucre %>% replace(is.na(.), 0) -> bjna_sucre2

Tabla[5].Produccion anual de berenjena

berenjena_sucre %>% group_by(MUNICIPIO, COD_MUN, YEAR) %>%
   summarize(TON_PROD=sum(TON_PRODUCCION)) -> bjna_sucre2
(bjna_sucre3=bjna_sucre2 %>% 
  group_by(COD_MUN) %>% 
   pivot_longer(c("TON_PROD"), names_to= "variable", values_to = "number") %>% unite(combi,variable, YEAR) %>%
  pivot_wider(names_from= combi, values_from=number))

En la tabla anterior se evidencia que la baja producctividad de PALMITO se debe a que este municipio solo tuvo un año productivo para la berenjena. Tambien observamos que el municipio de SAMPUES solo produjo berenjena entre el 2006 y el 2008. Lo que hace pensar que en estos municipios no se presentan las condiciones mas adecuadas para la produccion de berenjena.

mun_sucre_bjna = left_join(munis_sucre, bjna_sucre3, by="COD_MUN")

bins <- c(0,100,200,270,300,400,500,600)
pal <- colorBin("YlOrRd", domain = mun_sucre_bjna$TON_PROD_2018, bins = bins)
 mapa <- leaflet(data = mun_sucre_bjna) %>%
  addTiles() %>%
  addPolygons(label = ~TON_PROD_2018,
              popup = ~MPIO_CNMBR,
              fillColor = ~pal(TON_PROD_2018),
              color = "#444444",
              weight = 1,
              smoothFactor = 0.5,
              opacity = 1.0,
              fillOpacity = 0.5,
              highlightOptions = highlightOptions(color = "white", weight = 2, bringToFront = TRUE))%>%
  addProviderTiles(providers$OpenStreetMap) %>%
  addLegend("topright", pal = pal, values = ~TON_PROD_2017,
    title = "Producción de berenjena en Sucre (2018)",
    opacity = 1
  );mapa

Figura[3].Mapa de la produccion de berenjena en el 2018

En el mapa anterior se observa graficamente que en el departamento de sucre, solo 3 municipios produjeron berenjena en el año 2018.

Para poder hacer un analisis más amplio para identificar factores que probablemente afecten el cultivo, continuamos con la representación de la distribucion espacial del departamento, para visualizar su elevación.

library(rasterVis)
library(raster)
library(rgl)
library(rgdal)
library(elevatr)
library(sf)
library(tidyverse)
library(mapview)
munic <-  read_sf("/Users/Acer/Documents/Materias U/Geomatica Basica/70_SUCRE/ADMINISTRATIVO/MGN_MPIO_POLITICO.shp")
elevation <- get_elev_raster(munic, z = 10)
if (require(rgdal)) {
 rf <- writeRaster(elevation, filename=file.path("/Users/Acer/Documents/Materias U/Geomatica Basica/sucre_dem_z10.tif"), format="GTiff", overwrite=TRUE)
}
munic_sp <- as(munic, "Spatial")
elev_crop = crop(elevation, munic_sp)
crs(elev_crop)
## CRS arguments: +proj=longlat +datum=WGS84 +no_defs
library(sp)
spatialref <- CRS(SRS_string="EPSG:32618")

pr3 <- projectExtent(elev_crop, crs=spatialref)

res(pr3) <- 180

rep_elev <- projectRaster(elev_crop, pr3)
rep_munic = spTransform(munic_sp,spatialref)
writeRaster(rep_elev, filename="/Users/Acer/Documents/Materias U/Geomatica Basica/rep_boyaca_dem.tif", datatype='INT4S', overwrite=TRUE)
slope = terrain(rep_elev,opt='slope', unit='degrees')
aspect = terrain(rep_elev,opt='aspect',unit='degrees')
hill = hillShade(slope,aspect,40,315)
# plot DEM w/ hillshade
plot(hill,
        col=grey(1:100/100),  # create a color ramp of grey colors for hillshade
        legend=FALSE,         # no legend, we don't care about the grey of the hillshade
        main="DEM Para de los municipios de sucre (m)",
        axes=FALSE)           # makes for a cleaner plot, if the coordinates aren't necessary

plot(rep_elev, 
        axes=FALSE,
        col=terrain.colors(12, alpha=0.6), add=TRUE) # color method
         # sets how transparent the object will be (0=transparent, 1=not transparent)
plot(rep_munic, add=TRUE, lwd=0.5)
text(coordinates(rep_munic), labels=as.character(rep_munic$MPIO_CNMBR), cex=0.2)

El mapa anterior muestra el DEM del departamento, en este se puede observar que en su gran mayoria los municipios se encuentran muy cerca del nivel del mar. Tambien se puede evidenciar que los municipios que cuentan con mayor elevación son Ovejas, Chalán y Ricaute(Coloso), los cuales estan entre los 400 y 600 msnm en sus puntos mas elevados.

A continuacion se presenta un histograma con el que se pretende corrobar la informacion brindada en el modelo de elevacion digital.

hist(rep_elev, main = "Elevación municipios de Sucre", xlim = range(-50,600), xlab = "Elevación (m)", ylab ="Frecuencia", col = hcl.colors(10, palette = "Inferno"))

En este histograma se puede apeciar que la mayoria de los municipios del departamento de Sucre, presentan elevacion ente 0 y 50 msnm, seguidos de municipios entre los 50 y 100 msnm. Tambien se observa que los municipios que superan los 200 msnm son muy pocos, representando valores atipicos en el histograma. Tambien confirma que la elevación máxima en el departamento de Sucre es de 600 msnm, correspondiente a los municipios ya mencionados (Chalán, Ovejar y Ricaute(Coloso)).

Con el siguiente mapa se quiere reprentar la pendiente del departamento. Si bien, en su gran mayoria el departamento se encuentra a nivel del mar, con esta informacion se pretende apoyar el modelo de elevacion digital.

plot(slope,main="Pendiente de los municipios de sucre (Grados)", col=hcl.colors(6,palette = "Lajolla",alpha=1))
plot(rep_munic, add=TRUE, lwd=0.5)
text(coordinates(rep_munic), labels=as.character(rep_munic$MPIO_CNMBR), cex=0.2)

Como se esperaba, la pendiente en la mayoria del depatamento de Sucre tiende a 0 grados, con exepcion a los municipios anteriormente mencionados que poseen pendientes aproximadas a los 15 grados.

Con la informacion anteriormente mencionada se evidencia que Sucre es un departamento costero, y esta puede ser la razon de la baja productividad, especialmente en berenjena que se evidencio en las estadisticas agricolas brindadas al comienzo de este informe.

Ahora se quiere saber que tipo de fuentes hidricas posee el departamento de Sucre, para esto se presentara un modelo de elevacion digital capaz de identificar el agua presente en el area de estudio.

library(rayshader)
elmat = raster_to_matrix(rep_elev)
elmat %>%
  sphere_shade(texture = "imhof1") %>%
  add_water(detect_water(elmat), color = "imhof1") %>%
  add_shadow(ray_shade(elmat), 0.5) %>%
  add_shadow(ambient_shade(elmat), 0) %>%
  plot_map()

Este mapa nos muestra que el departamento de Sucre cuenta con una pequeña fuente hidrica al sur-occidente del departamento. Lo que nos hace pensar que el departamento se abastece de aguas subterraneas y no cuenta con grandes caudales de agua para abastecer sistemas de riego agricolas.

Anteriormente, en las estadistica agricolas se evidenció que en el 2018 tres municipios (Ovejas, Corozal y Sincelejo) tuvieron la produccion mas alta de berenjena en el departamento. Ahora se quiere evidenciar si las condiciones hidricas o de elevacion favorecen esta producción.

lista <- list("OVEJAS", "COROZAL", "SINCELEJO")
algunos <- munis_sucre %>% filter(MPIO_CNMBR %in% unlist(lista))
algunos_sp <- as(algunos, "Spatial")
elev_crop = crop(elevation, algunos_sp)
plot(elev_crop, main="Cropped digital elevation model")
plot(algunos_sp, add=TRUE)
text(coordinates(algunos_sp), labels=as.character(algunos_sp$MPIO_CNMBR), cex=0.5)

pr3 <- projectExtent(elev_crop, crs=spatialref)

res(pr3) <- 120

rep_elev <- projectRaster(elev_crop, pr3)
rep_algunos = spTransform(algunos_sp,spatialref)
elmat = raster_to_matrix(rep_elev)
elmat %>%
  sphere_shade(texture = "imhof1") %>%
  add_water(detect_water(elmat), color = "imhof1") %>%
  add_shadow(ray_shade(elmat), 0.5) %>%
  add_shadow(ambient_shade(elmat), 0) %>%
  plot_map()

Con los mapas anteriores, evidenciamos que no existen fuentes hidricas cerca de los municipios con mayor producción de brenjena, por lo que el factor hidrico de cada municipio no tiene incidencia en ella. Por otro lado el mapa de elevacion, nos muestra que el municipio de Ovejas posee en algunas partes de su teritorio una de las elevacion mas altas del depatamento, que el municipio de Sincelejo tambien posee algunas partes con una elevacion superiror a los 100msnm y que el municipio de Corozal en su totalidad se mantiene a menos de 100msnm. por lo que no hay infomacion suficiente para decir que la elevacion tiene incidencia en la produccion de berenjena.

Ahora se quiere ilustrar la precipitacion en el departamento de Sucre, para esto se descargara información meteorológica de Terraclimate database y se visualizara por medio de mapas de el departamento de sucre.

library(AOI)
library(climateR)
library(sf)
library(raster)
library(rasterVis)
library(dplyr)
# precipitation
tc_prcp = getTerraClim(munis_sucre, param = "prcp", startDate = "2018-08-20")
tc_tmp <- tc_prcp[[1]]

Siguiendo el análisis de la producción de berenjena en el año 2018, a continuación se muestra la cantidad de lluvias que hubo en el departamento en el mes de agosto.

library(leaflet)
library(RColorBrewer)
pal <- colorNumeric(c("red", "orange", "#fcc000","yellow", "cyan", "blue", "#3240cd"), values(tc_tmp$X2018.08), 
                    na.color = "transparent")

leaflet() %>% addTiles() %>%
  addRasterImage(tc_tmp$X2018.08 , colors = pal, opacity = 0.8) %>%
  addLegend(pal = pal, values = values(tc_tmp$X2018.08),
    title = "Rainfall-Ago.2018 [mm]")

En este mapa se puede obsevar en Agosto del 2018, Sucre presento precipitaciones entre los 100 y 350mm de agua. Siendo el centro y norte del departamento donde se presentan los valores minimos de precipitacion y en el sur oriente del departamento se presentan los valores maximos de precippitacion.

Debido a que la informacion de elevación, fuentes hídircas y meteorológica han evidenciado que el departamento mantiene temperturas elevadas y poca precipitación. Se quiere ilustrar el indice de sequia de Palmer(PDSI), para corroborar esta infomación.

# PDSI
tc_palmer = getTerraClim(munis_sucre, param = "palmer", startDate = "2018-08-20")
tc_tmp <- tc_palmer[[1]]
pal <- colorNumeric(c("#fc7300","orange", "yellow","#9acd32", "green"), values(tc_tmp$X2018.08), 
                    na.color = "transparent")

leaflet() %>% addTiles() %>%
  addRasterImage(tc_tmp$X2018.08, colors = pal, opacity = 0.8) %>%
  addLegend(pal = pal, values = values(tc_tmp$X2018.08),
    title = "PDSI-Ago.2018")

Con este mapa se puede evidenciar que en agosto de 2018 el centro del departamento de sucre estuvo moderadamente seco y el suroriente y noroccidente estuvieron cercanos a la normalidad segun el indice de sequia de Palmer. Con esta informacion se corrobora que el departamento de Sucre es un departamento semi arido, con poca precipitacion y altas temperaturas.

Con la información brindada anteriormente se entiende que el departamento de Sucre cuenta con altas temperaturas, poca precipitación y falta de fuentes hidricas superficiales. Por esta razon se quiere conocer cual es el deficit de agua que presenta el departamento. La informacion que se presenta a continuacion es el promedio para el mes de Febrero entre los años de 1981 y 2010, debido a que TerraClimate database no posee informacion mas actualizada.

wat_def = getTerraClimNormals(munis_sucre, param = "water_deficit", period = "19812010", month=2)
tc_tmp <- wat_def[[1]]
pal <- colorNumeric(c("green", "#9acd32","yellow", "orange", 
                    "#fc7300"), values(tc_tmp$X02), 
                    na.color = "transparent")
leaflet() %>% addTiles() %>%
  addRasterImage(tc_tmp$X02, colors = pal, opacity = 0.8) %>%
  addLegend(pal = pal, values = values(tc_tmp$X02),
    title = "WaterDeficit(L)-Febrero")

El anterior mapa muestra que el departamento de Sucre en el mes de febrero entre 1981 y 2010 presenta un deficit de agua muy notable, siendo 40L de agua el valor minimo el cual se presenta al sur del departamento. y 90L el valor maximo en el norte del depatamento. Esto indica que el departamento es semi arido y no cuenta con la cantidad de agua para satisfacer condiciones optimas.

4.Conclusiones

Con la información bridada por las estadísticas agrícolas se interpreta que los municipios de SINCELEJO y COROZAL mantuvieron una producción constante entre el 2006 y 2018. también que el municipio de OVEJAS posee la mayor producción en el periodo mencionado y el municipio de PALMITO y SAMPUES intentaron producir berenjena, pero tal parece que estos territorios no son los más adecuados para este producto. Por otro lado, se pudo evidenciar que el país no posee gran interés en este producto, debido a que SUCRE es el segundo productor nacional, pero el departamento no tiene gran extensión para este producto.

Respecto al DEM, se puede decir que el departamento de Sucre es un departamento de baja elevación, por lo que se encuentra a nivel de mar, no cuenta con fuentes hídricas de gran caudal para abastecer sistemas de riego robusto. También se puede afirmar que las condiciones de elevación y accesibilidad al agua no influyen en la producción de berenjena. Porque Corozal, un municipio de baja elevación tuvo mayor producción de berenjena en el 2018 que Sincelejo un municipio que presenta una elevación mayor. Por otro lado, los tres municipios con mayor producción de berenjena en el 2018(Corozal, Ovejas y Sincelejo) no cuentan con fuentes hídricas de gran caudal en sus territorios.

Y con los datos meteorológicos se puede concluir que el departamento de Sucre posee baja precipitación, es un terreno moderadamente propenso a la sequía y en promedio mantiene un déficit de agua notable. Estos factores ambientales pueden explicar la poca diversidad de productos agrícolas en el territorio. Pero no tienen incidencia directa en la producción de berenjena en el año 2018, debido a que los municipios con mayor producción se encuentran situados en las que podrían ser denominadas las zonas con mayor índice de Palmer y déficit de agua. Lo que nos lleva a pensar que el cultivo de berenjena es resistente a estos factores bióticos, pero los entes encargados del departamento no están interesados en la producción de este producto.

6.Reproducibility

sessionInfo()
## R version 4.0.4 (2021-02-15)
## Platform: x86_64-w64-mingw32/x64 (64-bit)
## Running under: Windows 10 x64 (build 18363)
## 
## Matrix products: default
## 
## locale:
## [1] LC_COLLATE=Spanish_Colombia.1252  LC_CTYPE=Spanish_Colombia.1252   
## [3] LC_MONETARY=Spanish_Colombia.1252 LC_NUMERIC=C                     
## [5] LC_TIME=Spanish_Colombia.1252    
## 
## attached base packages:
## [1] stats     graphics  grDevices utils     datasets  methods   base     
## 
## other attached packages:
##  [1] climateR_0.1.0      AOI_0.2.0.9000      rayshader_0.24.5   
##  [4] mapview_2.9.0       elevatr_0.3.4       rgdal_1.5-23       
##  [7] rgl_0.105.22        rasterVis_0.50.1    latticeExtra_0.6-29
## [10] lattice_0.20-41     terra_1.1-4         raster_3.4-5       
## [13] RColorBrewer_1.1-2  leafpop_0.0.6       forcats_0.5.1      
## [16] stringr_1.4.0       dplyr_1.0.5         purrr_0.3.4        
## [19] readr_1.4.0         tidyr_1.1.3         tibble_3.1.0       
## [22] ggplot2_3.3.3       tidyverse_1.3.0     leaflet_2.0.4.1    
## [25] sf_0.9-7            rgeos_0.5-5         sp_1.4-5           
## 
## loaded via a namespace (and not attached):
##   [1] leafem_0.1.3            colorspace_2.0-0        ellipsis_0.3.1         
##   [4] class_7.3-18            satellite_1.0.2         base64enc_0.1-3        
##   [7] fs_1.5.0                rstudioapi_0.13         farver_2.1.0           
##  [10] hexbin_1.28.2           fansi_0.4.2             lubridate_1.7.10       
##  [13] xml2_1.3.2              codetools_0.2-18        doParallel_1.0.16      
##  [16] knitr_1.31              jsonlite_1.7.2          rayimage_0.5.1         
##  [19] broom_0.7.5             dbplyr_2.1.0            png_0.1-7              
##  [22] shiny_1.6.0             compiler_4.0.4          httr_1.4.2             
##  [25] backports_1.2.1         assertthat_0.2.1        fastmap_1.1.0          
##  [28] cli_2.3.1               later_1.1.0.1           prettyunits_1.1.1      
##  [31] leaflet.providers_1.9.0 htmltools_0.5.1.1       tools_4.0.4            
##  [34] gtable_0.3.0            glue_1.4.2              USAboundaries_0.3.1    
##  [37] Rcpp_1.0.6              RNetCDF_2.4-2           cellranger_1.1.0       
##  [40] jquerylib_0.1.3         vctrs_0.3.6             svglite_2.0.0          
##  [43] iterators_1.0.13        crosstalk_1.1.1         xfun_0.21              
##  [46] rvest_1.0.0             mime_0.10               miniUI_0.1.1.1         
##  [49] lifecycle_1.0.0         zoo_1.8-9               scales_1.1.1           
##  [52] hms_1.0.0               promises_1.2.0.1        parallel_4.0.4         
##  [55] curl_4.3                yaml_2.2.1              sass_0.3.1             
##  [58] stringi_1.5.3           highr_0.8               foreach_1.5.1          
##  [61] e1071_1.7-4             leaflet.extras_1.0.0    manipulateWidget_0.10.1
##  [64] rlang_0.4.10            pkgconfig_2.0.3         systemfonts_1.0.1      
##  [67] evaluate_0.14           htmlwidgets_1.5.3       labeling_0.4.2         
##  [70] tidyselect_1.1.0        magrittr_2.0.1          R6_2.5.0               
##  [73] generics_0.1.0          DBI_1.1.1               pillar_1.5.1           
##  [76] haven_2.3.1             withr_2.4.1             units_0.7-0            
##  [79] modelr_0.1.8            crayon_1.4.1            uuid_0.1-4             
##  [82] KernSmooth_2.23-18      utf8_1.1.4              rmarkdown_2.7          
##  [85] progress_1.2.2          jpeg_0.1-8.1            rnaturalearth_0.1.0    
##  [88] grid_4.0.4              readxl_1.3.1            reprex_1.0.0           
##  [91] digest_0.6.27           classInt_0.4-3          webshot_0.5.2          
##  [94] xtable_1.8-4            httpuv_1.5.5            brew_1.0-6             
##  [97] stats4_4.0.4            munsell_0.5.0           viridisLite_0.3.0      
## [100] bslib_0.2.4