¿Por qué las abejas importan tanto a la humanidad?

Las abejas tienen un vital papel en mantener el equilibrio entre otras especies y su alrededor. En el caso de los humanos, estos insectos son responsables de regular nuestro suministro de alimentos.(Downing, 2020)

Un estudio publicado en Nature Communications encontró que solo el dos por ciento de las especies de abejas silvestres contribuye con el 80 por ciento de las visitas de polinización de cultivos observadas a nivel mundial. Esto significa que si este pequeño porcentaje de abejas desaparece entonces el 80 por ciento de nuestro sistema agrícola colapsará.(Downing, 2020)

70 de los 100 cultivos alimentarios principales dependen de polinizadores, lo que equivalea l 90 % de la nutricion mundial,por lo tanto si las abejas desaparecieran podriamos despedirnos de alimentos como manzanas, naranjas, aguacates entre otros. Tomando en consideracion que alrededor de 850 millones de personas en todo el mundo padecen de falta de alimentos actualmente en todo el mundo, agregando a esto que para el año 2050 la poblacion aumentara a nueve mil millones de personas, vamos a necesitar a todas las abejas para poder cubrir las necesidades de alimentos y asi poder evitar la escasez masiva de alimentos.(Downing, 2020)

Las abejas no solo son extremadamente importantes para los humanos, sino también para el funcionamiento de ecosistemas enteros. Las abejas permiten que las plantas se reproduzcan, plantas que contribuyen al desarrollo de ecosistemas y al sistema alimentario, ademas de alimentar a los animales.(Downing, 2020)

En el presente analisis se analizaran diferentes factores que afectan a la poblacion de abejas en Mexico y se realizara un analisis con ayuda de metodos estadisticos para comprender mejor como se relacionan las variables estudiadas y poder llegara una conclusion acerca del tema en estudio.

Analizar mediante métodos estadísticos, los factores que se creen, pueden estar afectando la vida de las abejas, y a la apicultura en general.

Los principales cuestionamientos planteados son los siguientes:

¿Son los años que mas sequia hay los años que hay menos colmenas?

¿son los años que hay más deforestación los años que hay menos colmenas?

¿son los años que más deforestación hay, los años que más concentración de CO2 se tiene, y por ende los que baja la producción apícola?

Colmenas en Mexico 1961-2017

colmenasmx <- read.csv("colmenasmx.csv")
colmenas <- data.frame(colmenasmx)
colmenas

##    yearc Colmenas
## 1   1961  1985000
## 2   1962  2000000
## 3   1963  1300000
## 4   1964  1100000
## 5   1965   920934
## 6   1966   966980
## 7   1967  1015329
## 8   1968  1185581
## 9   1969  1580060
## 10  1970  1665700
## 11  1971  1618000
## 12  1972  1821000
## 13  1973  1876000
## 14  1974  1996000
## 15  1975  2037000
## 16  1976  2059012
## 17  1977  2080060
## 18  1978  2142300
## 19  1979  2254800
## 20  1980  2380600
## 21  1981  2532200
## 22  1982  2532200
## 23  1983  2690500
## 24  1984  2493400
## 25  1985  2384500
## 26  1986  2422729
## 27  1987  2119400
## 28  1988  2209339
## 29  1989  2330948
## 30  1990  2114489
## 31  1991  2088315
## 32  1992  2107618
## 33  1993  2293733
## 34  1994  2292428
## 35  1995  2053761
## 36  1996  1919938
## 37  1997  1715948
## 38  1998  1791111
## 39  1999  1944573
## 40  2000  1875731
## 41  2001  1862372
## 42  2002  1783854
## 43  2003  1727234
## 44  2004  1745078
## 45  2005  1732112
## 46  2006  1747033
## 47  2007  1741040
## 48  2008  1797478
## 49  2009  1774757
## 50  2010  1842130
## 51  2011  1847667
## 52  2012  1898239
## 53  2013  1933105
## 54  2014  1981162
## 55  2015  2017931
## 56  2016  1859350
## 57  2017  1853807
## 58  2018  2172107

View(colmenas)

datatable(colmenas)

Gráfica de colmenas en México a partir de 1961 a 2017.

 colmenas<- ggplot(colmenas)+
  geom_line(aes(x= yearc, y=Colmenas), col= "red")+
  labs(title="Colmenas en México de 1961 a 2017", x="Fecha", y="Colmenas ")
ggplotly(colmenas) 

library(readxl)
Datos <- read_excel("Datos.xlsx")
View(Datos)
datatable(Datos)

Datos <- read_excel("Datos.xlsx")
datatable(Datos)

Datos en series de tiempo

En estas tablas se realizó una comparativa de los datos de produccón de colmenas, con la tala de arboles, emisiones de CO2, y la precipitación en México del 2001 al 2018. Esto se hizo con la finalidad de verificar si los datos tienen alguna similitud.

Visualizar la grafica por series de tiempo de las colmenas en comparativa con con la tala de arboles, emisiones de CO2, y la precipitación en México del 2001 al 2018.

 library(forecast)

## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo

plot(Datos.ts, col = "brown", main = "Cantidad de colmenas frente a otros datos", xlab ="Año", lwd=1, type="l", pch=10)   

Como se puede observar las mediciones del las colmenas en Mexico toma datos por mes y se utilizo la funcion 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 colmenas en una región predeterminada.

En la grafica podemos observar que la mayor parte entre los datos de Colmenas y Emisiones de CO2 están en mayor relación en base a su comportamiento, se encuentra en ocilaciones muy constantes de esta serie temporal por lo que se puede deducir que en todos los años los % de Emisiones de CO2 afecta en la cantidad de Colmenas que hay en México.

Año <- Datos$Año
Colmenas <- Datos$Colmenas
Tala <- Datos$`Tala de arboles`
EmisionesCO2 <- Datos$`Emisiones de CO2`
Precipitacion <- Datos$Precipitación
datos <- data.table(Colmenas, Tala, EmisionesCO2, Precipitacion)

Producción de colmenas con log base 10

qqnorm(log10(Colmenas), main = "Producción de colmenas", col = "blue")
qqline(log10(Colmenas))

El valor de la produccion ajustado en un log base 10 se desvia de la recta los valores en X entre menos de 1 y mayores 1 lo cual significa que tenemos 3 datos atipicos.

Histograma de la Tala de arboles en México de los años 2001 a 2018

par (mfrow = c(1,2))
hist(Datos$`Tala de arboles`, breaks = 10, main = "", xlab = " Log10 (Tala de arboles en México)", border="blue")
qqnorm(log10(Datos$`Tala de arboles`), main = "", col = "blue")
qqline(log10(Datos$`Tala de arboles`))

Aqui observamos un hisotgrama y un grafico ajustado en un log base 10 donde se describe la tala de arboles. En el histograma se observa que no existe condiciones para una normalidad y en nuestra linea vemos que tenemos 4 datos fuera de nuestra linea, lo cual significa que hubo 4 eventos que hicieron variar la tala de arboles.

Tabla de correlacion de los 4 predictores

round( cor( x = datos, method = "pearson"), 3)

##               Colmenas   Tala EmisionesCO2 Precipitacion
## Colmenas         1.000  0.261        0.469        -0.130
## Tala             0.261  1.000        0.953        -0.069
## EmisionesCO2     0.469  0.953        1.000        -0.071
## Precipitacion   -0.130 -0.069       -0.071         1.000

Observamos que las emisiones de CO2 esta relacionada con la tala de arboles.

Grafica de normalidad de nuestros predictores

multi.hist(x = datos, dcol = c("blue", "red"), dlty = c("dotted", "solid"),main = "")

Con

Matriz de correlacion entre los 4 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`.

Para la seleccion de predictores en funcion de la cantidad de colmenas existentes observamos que las mas correlacionadas son: tala de arboles y emisiones de CO2, pero a la vez estas variables estan relacionadas con otra variable independiente, es decir, la cantidad de colmenas tiene un comportamiento similar a la tala de arboles y emisiones de CO2.

Modelar nuestra regresion lineal multiple

modelo <- lm(Colmenas ~ Tala + EmisionesCO2 + Precipitacion, data = datos )

summary(modelo)

## 
## Call:
## lm(formula = Colmenas ~ Tala + EmisionesCO2 + Precipitacion, 
##     data = datos)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -115561  -42713  -14106   39821  187765 
## 
## Coefficients:
##                 Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    2.403e+06  6.279e+05   3.828 0.001846 ** 
## Tala          -5.120e+00  1.397e+00  -3.666 0.002543 ** 
## EmisionesCO2   1.092e-02  2.525e-03   4.326 0.000698 ***
## Precipitacion -4.599e+02  7.841e+02  -0.587 0.566840    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 81070 on 14 degrees of freedom
## Multiple R-squared:  0.6067, Adjusted R-squared:  0.5224 
## F-statistic: 7.198 on 3 and 14 DF,  p-value: 0.003705

Observamos que nuestra R2 multiple nos da 0.60 y nuestro valor de P-value: 0.3% esto significa que mas predictores estan dependiendo entre una y la otra y eso causa un cesgo en nuestra funcion principal que es la cantidad de colmenas, por lo que mas adelante se solicitara un metodo para eliminar predictores que dependen entre si.

Seleccion de predictores para nuestra funcion de la cantidad de colmenas

step(object = modelo, direction = "both", trace = 1)

## Start:  AIC=410.39
## Colmenas ~ Tala + EmisionesCO2 + Precipitacion
## 
##                 Df  Sum of Sq        RSS    AIC
## - Precipitacion  1 2.2614e+09 9.4281e+10 408.83
## <none>                        9.2019e+10 410.39
## - Tala           1 8.8338e+10 1.8036e+11 420.50
## - EmisionesCO2   1 1.2300e+11 2.1502e+11 423.67
## 
## Step:  AIC=408.83
## Colmenas ~ Tala + EmisionesCO2
## 
##                 Df  Sum of Sq        RSS    AIC
## <none>                        9.4281e+10 408.83
## + Precipitacion  1 2.2614e+09 9.2019e+10 410.39
## - Tala           1 8.8268e+10 1.8255e+11 418.72
## - EmisionesCO2   1 1.2369e+11 2.1797e+11 421.91

## 
## Call:
## lm(formula = Colmenas ~ Tala + EmisionesCO2, data = datos)
## 
## Coefficients:
##  (Intercept)          Tala  EmisionesCO2  
##    2.041e+06    -5.118e+00     1.095e-02

Observamos en el apartado de “coeficients” y vemos como el la tala de arboles y las emisiones de CO2 son variables que estan interfiriendo por lo que se eliminan de nuestros predictores.

Modelar con los nuevos predictores la regresion lineal multiple

modelo <- lm(Colmenas ~ Precipitacion, data = datos )

summary(modelo)

## 
## Call:
## lm(formula = Colmenas ~ Precipitacion, data = datos)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -123295  -89494   -7778   35385  320947 
## 
## Coefficients:
##                Estimate Std. Error t value Pr(>|t|)  
## (Intercept)   2324968.5   904152.2   2.571   0.0205 *
## Precipitacion    -606.7     1156.5  -0.525   0.6071  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 119900 on 16 degrees of freedom
## Multiple R-squared:  0.01691,    Adjusted R-squared:  -0.04454 
## F-statistic: 0.2752 on 1 and 16 DF,  p-value: 0.6071

Observamos que la cantidad de colmenas y el indicador del % de area afectada de sequia son las causas que hacen variar nuestra cantidad de colmenas. Los resultados nos arroja un valor de R2: 0.01691 y una significancia de 60.71 % lo cual se acepta nuestra hipotesis nula que la sequia afecta la cantidad de colmenas.

confint(lm(formula = Colmenas ~ Precipitacion, data = datos))

##                   2.5 %      97.5 %
## (Intercept)   408251.47 4241685.622
## Precipitacion  -3058.38    1845.042

Conclusion Como pudimos observar a lo largo del analisis, todo los factores estudiados afectan en cierta medida a la poblacion de colmenas en Mexico, sin embargo, es de suma importancia evaluar que otros factores, dañan el ecosistema de las abejas, ya que, hay una gran cantidad de circunstancias que afectan, a la población de las abejas, y la más importante de todas estas es la gran globalización del ser humano, dado que, entre mas crezca la población, mayor perdida de sus habitats tendrán estas.

Conclusiones.

Jesús Murillo. El tema de la apicultura es uno que debe de tener una mayor importancia de la que tiene actualmente, ya que, mucha gente desconoce, los impactos negativos que puede generar la extinción de las abejas a nuestro ecosistema. La apicultura esta dedica a la crianza de las abejas y los mas importante, está dedica a darles sus respectivos cuidados. Las abejas son las encargadas de la reproducción de las plantas a traves de la polinización y por consiguiente una gran cantidad de cultivos dependen de esto. Es mas que claro que el ser humano es el causante de estos impactos ambientales.

Cynthia Zazueta Después de este análisis, la conclusión a la que podemos llegar es que, la importancia que tienen las abejas y como se ven afectadas por el cambio climático es bastante considerable, ya que la función principal de las abejas va más allá del procesamiento de la miel, éstas juegan un papel muy importante en la generación de alimentos y oxígeno para los seres vivos a través de la polinización. Al verse afectadas por el cambio climático las repercusiones que puede haber por la falta de abejas son, no hay polinización, ni hierba, ni animales, ni personas.

Julio Jaime Las abejas juegan un papel bastante importante en la conservacion de ecosistemas y en la agricultura como tal, ya que estas son las encargadas de polinizar las plantas, es cierto que existen muchas otras formas de polinizacion, pero la abeja es la principal polinizadora del planeta, por lo tanto si esta desapareciera, la produccion de alimentos y los ecosistemas disminuirian y esto a su vez causaria una escases de alimentos. Por este motivo es de vital importancia poder analizar y estudiar las causas que provocan la disminucion de su poblacion para asi poder concientizar y adoptar medidas con el fin de disminuir estas problematicas y poder conservar la especie.

Hector Lares Cuando pensamos en las abejas, pensamos en la miel que producen, por lo que nunca nos ponemos a pensar que factores ambientales puedan afectar a la cosecha de la miel, y el por que desciende cuando hay sequia, la respuesta puede ser muy obvia para el sentido común, ya que cuando no hay plantas por una sequia, las abejas vuelan más lejos para llevar polen a su nido, lo cual puede provocar que las abejas no lleguen siempre a su destino y se mueran en el camino, este comportamiento que vimos, indica un descenso en la producción de miel como vimos anteriormente.