Dimensionando el problema de la basura en México

Marijose González del Real

26/05/2022

Introducción

En el mundo se produce cada vez más basura y en México no se cuenta con un servicio avanzado de recolección de esta, pues la mayoría de los habitantes no son conscientes de la gravedad del problema que puede causar al desechar residuos en tiraderos de cielo abierto. En promedio una persona en México genera 1.16 kg al día. La contaminación es un problema grave ya que puede ocasionar un impacto en la salud de la población, en el cambio climático, en la economía y hasta ocasionar pérdidas de biodiversidad. Es por ello, que en el presente trabajo se analizarán datos acerca de residuos sólidos urbanos, rellenos sanitarios, incremento en la población y el PIB, con la finalidad de encontrar inferencias en el crecimiento de los RSU y con ello reivindicar la basura a una mejor recolección y reutilización, mediante la concientización de la población con la finalidad de mantener al país informado y limpio.

Objetivos / Hipótesis

Analizar la problemática de la basura en México mediante la ciencia de datos para concientizar a la población.

Buscar datos abiertos de la cantidad de basura generada en México y los vertederos que existen.
Utilizar un software que permita hacer uso de la ciencia de datos.
Identificar variables que se relacionen con la generación de basura.
Crear gráficas sobre los resultados obtenidos para presentarlos a la población.

Las principales preguntas a responder con esta investigación son las siguientes:

¿Qué tanto se relaciona la generación de basura con el crecimiento poblacional y el PIB?
¿A dónde se va toda la basura que se genera?
¿Se dispone de suficientes rellenos sanitarios para tanta basura?
¿Qué tipo de material se genera más?
¿Qué se puede hacer con tantos residuos?

La incorrecta disposición final de RSU puede ocasionar un impacto en la salud de la población, en el cambio climático, en la economía y hasta ocasionar pérdidas de biodiversidad.

Método

El presente trabajo se realiza a partir de una investigación previa de la problemática de la basura en México para realizar un extenso análisis de esta, haciendo uso de la ciencia de datos mediante el software Rstudio en el cual se importan los paquetes necesarios en la programación y los datos abiertos recuperados de la SEMARNAT y el INEGI acerca de valores cuantitativos de la generación, clasificación y disposición final de la basura en México. Posteriormente, se elaboran distintos gráficos interactivos con la finalidad de tener una mejor visualización y comprensión de los datos para poder realizar una interpretación de resultados y finalmente difundir las respectivas conclusiones y recomendaciones de la problemática con la población para concientizarla.

Paquetes

library(pacman)
p_load("dplyr", "stringr", "ggplot2", "wordcloud","rmdformats","vembedr", "xfun","readr","DT","RColorBrewer","plotly","forcats", "mime", "xfun","tidyr","ggdark","hpackedbubble","mapview","sf","rgdal", "gifski", "GGally", "raster", "tidyverse", "rgeos", "leafpop", "gganimate", "plotrix", "ftdh","ggrepel", "psych")

Datos

generacion <- read_csv("C:/Users/kitkat/OneDrive/Escritorio/rsu/generacion de residuos solidos urbanos.csv")
materiales <- read_csv("C:/Users/kitkat/OneDrive/Escritorio/rsu/materiales valorizables recolectados.csv")
disposicion <- read_csv("C:/Users/kitkat/OneDrive/Escritorio/rsu/disposicion final de residuos solidos urbanos.csv")
rellenos <- read_csv("C:/Users/kitkat/OneDrive/Escritorio/rsu/rellenos sanitarios.csv")
poblacion <- read_csv("C:/Users/kitkat/OneDrive/Escritorio/rsu/poblacion.csv")
agua <- read_csv("C:/Users/kitkat/OneDrive/Escritorio/rsu/agua.csv")
aire <- read_csv("C:/Users/kitkat/OneDrive/Escritorio/rsu/aire.csv")
suelo <- read_csv("C:/Users/kitkat/OneDrive/Escritorio/rsu/suelo.csv")
sitios <- read_csv("C:/Users/kitkat/OneDrive/Escritorio/rsu/sitios_intraurbanos.csv")
entidadesbasura <- read_csv("C:/Users/kitkat/OneDrive/Escritorio/rsu/entidadesbasura.csv")
entidadespib <- read_csv("C:/Users/kitkat/OneDrive/Escritorio/rsu/entidadespib.csv")
entidadespoblacion <- read_csv("C:/Users/kitkat/OneDrive/Escritorio/rsu/entidadespoblacion.csv")
pib <- read_csv("C:/Users/kitkat/OneDrive/Escritorio/rsu/pib.csv")
variables <- read_csv("C:/Users/kitkat/OneDrive/Escritorio/rsu/variables.csv")
Taller1 <- read_csv("C:/Users/kitkat/OneDrive/Escritorio/rsu/Inscripción a taller de introducción a la visión por computadora e inteligencia artificial.csv")
Taller2 <- read_csv("C:/Users/kitkat/OneDrive/Escritorio/rsu/TALLER DE INTRODUCCIÓN A CIENCIA DE DATOS PARA ESTUDIOS AMBIENTALES URBANOSSIG.csv")
Taller3 <- read_csv("C:/Users/kitkat/OneDrive/Escritorio/rsu/TALLER TENSORFLOW.csv")
Taller4 <- read_csv("C:/Users/kitkat/OneDrive/Escritorio/rsu/TALLER SIG.csv")

Resultados

Generación de basura

Tabla 1. Generación de basura - SEMARNAT

datatable(generacion)

Generación total de basura

Gráfica 1. Generación de RSU de 1992 a 2012 - SEMARNAT

CANTIDAD <- generacion$`GENERACIÓN TOTAL (MILLONE DE TONELADAS)`

Generación <- ggplot(generacion)+
  geom_line(aes(x= AÑO, y=CANTIDAD), col= "darkgreen")+
  labs(title="Generación de RSU de 1992 a 2012", x="Fecha", y="Cantidad total (Millones de toneladas) ")

ggplotly(Generación)

Generación per capita de basura

Gráfica 2. Generación de RSU per cápita de 1992 a 2012 - SEMARNAT

CANTIDAD_PER_CAPITA <- generacion$`GENERACIÓN PER CAPITA (KG/HABITANTE/DÍA)`

Generación <- ggplot(generacion)+
  geom_line(aes(x= AÑO, y=CANTIDAD_PER_CAPITA), col= "darkgreen")+
  labs(title="Generación de RSU per cápita de 1992 a 2012", x="Fecha", y="Kg/Habitante/Día")

ggplotly(Generación)

Generación de basura por entidad federativa

Tabla 2. Generación de RSU por entidad federativa del 2001 al 2012 - SEMARNAT

Cantidad generada de basura en miles de toneladas

datatable(entidadesbasura)

Gráfica 3. Generación de RSU por entidad federativa de 1992 a 2012 - SEMARNAT

fig <- plot_ly(data = entidadesbasura, x = ~Año, y = ~Cantidad, color = ~Entidad)
fig

Producto Interno Bruto (PIB)

PIB en pesos

PIB total en México

Tabla 3. PIB de 1980 al 2020 - INEGI

datatable(pib)

Gráfica 4. Producto Interno Bruto de 1980 a 2020 - INEGI

PIB <- ggplot(pib)+
  geom_line(aes(x= Año, y=PIB), col= "darkgreen")+
  labs(title="PIB de México de 1980 a 2020", x="Fecha", y="Producto interno bruto")

ggplotly(PIB)

PIB por entidad federativa

Tabla 4. PIB por entidad federativa del 2001 al 2020

datatable(entidadespib)

Gráfica 5. PIB por entidad federativa - INEGI

fig <- plot_ly(data = entidadespib, x = ~Año, y = ~PIB, color = ~Entidad)
fig

Población

Población total en México

Tabla 5. Población total del 1910 al 2020 - INEGI

datatable(poblacion)

Gráfica 6. Población total de 1910 a 2020 - INEGI

Población <- ggplot(poblacion)+
  geom_line(aes(x= periodo, y=cantidad), col= "darkgreen")+
  labs(title="Población de México de 1910 a 2020", x="Fecha", y="Cantidad de personas")

ggplotly(Población)

Población por entidad federativa

Tabla 6. Población por entidad federativa del 2000 al 2020 - INEGI

Cantidad generada de basura en miles de toneladas

datatable(entidadespoblacion)

Gráfica 7. Población por entidad federativa del 2000 al 2020 - INEGI

fig <- plot_ly(data = entidadespoblacion, x = ~Año, y = ~Población, color = ~Entidad)
fig

Correlación entre variables

cor(variables)

##              Basura       PIB Población       Año
## Basura    1.0000000 0.9102975 0.9550350 0.9503863
## PIB       0.9102975 1.0000000 0.9774382 0.9805866
## Población 0.9550350 0.9774382 1.0000000 0.9993938
## Año       0.9503863 0.9805866 0.9993938 1.0000000

ggplot(data = variables, aes(x=PIB, y = Basura)) +
  geom_point(colour="darkgreen") +
  ggtitle("Diagrama de dispersión") +
  theme_bw() +
  theme(plot.title = element_text(hjust = 0.5))

ggplot(data = variables, aes(x=Población, y = Basura)) +
  geom_point(colour="darkgreen") +
  ggtitle("Diagrama de dispersión") +
  theme_bw() +
  theme(plot.title = element_text(hjust = 0.5))

Análisis de normalidad

par (mfrow = c(1,3))
hist(variables$Basura, breaks = 10, main = "", xlab = "Generación de RSU", border="darkgreen")
hist(variables$PIB, breaks = 10, main = "", xlab = "PIB", border="green")
hist(variables$Población, breaks = 10, main = "", xlab = "Población", border="lightgreen")

Gráfico cuantílico

par(mfrow = c(1,1))
qqnorm(variables$Basura, main = "Generación de basura", col = "darkgreen")
qqline(variables$Basura)

qqnorm(variables$PIB, main = "PIB", col = "green")
qqline(variables$PIB)

qqnorm(variables$Población, main = "Población", col = "lightgreen")
qqline(variables$Población)

Prueba de Shapiro

shapiro.test(variables$Basura)

## 
##  Shapiro-Wilk normality test
## 
## data:  variables$Basura
## W = 0.96516, p-value = 0.6255

shapiro.test(variables$PIB)

## 
##  Shapiro-Wilk normality test
## 
## data:  variables$PIB
## W = 0.94876, p-value = 0.3227

shapiro.test(variables$Población)

## 
##  Shapiro-Wilk normality test
## 
## data:  variables$Población
## W = 0.96539, p-value = 0.6304

Regresión lineal multiple

Generación del modelo

modelo <- lm(Basura ~ PIB + Población , data = variables)

summary(modelo)

## 
## Call:
## lm(formula = Basura ~ PIB + Población, data = variables)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -4074.7  -590.8   123.8   548.9  2255.6 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -2.979e+04  7.307e+03  -4.077 0.000708 ***
## PIB         -1.379e-03  8.156e-04  -1.691 0.108026    
## Población    7.894e-04  1.658e-04   4.761 0.000156 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1413 on 18 degrees of freedom
## Multiple R-squared:  0.9241, Adjusted R-squared:  0.9157 
## F-statistic: 109.6 on 2 and 18 DF,  p-value: 8.314e-11

Tipo de material valorizado recolectado

Tabla 7. Tipo de material valorizado recolectado - SEMARNAT

datatable(materiales)

Gráfica 8. Tipo de material valorizado recolectado - SEMARNAT

porcentaje <- materiales %>%
    arrange(desc(TIPO_DE_MATERIAL_VALORIZADO_RECOLECTADO)) %>%
  mutate(prop = `CANTIDAD_(CANTIDAD_RECOLECTADA_EN_KILOGRAMOS_POR_DIA)` / sum(materiales$`CANTIDAD_(CANTIDAD_RECOLECTADA_EN_KILOGRAMOS_POR_DIA)`) *100) %>%
  mutate(ypos = cumsum(prop)- 0.5*prop )
ggplot(porcentaje, aes(x=1, y=prop, fill=TIPO_DE_MATERIAL_VALORIZADO_RECOLECTADO))+
    geom_bar(stat="identity", width=1, color="white") +
  coord_polar("y", start=0) +
  theme_void() + 
   geom_label_repel(aes(label=paste(round(prop, digits = 2), "%", sep = "")),
            position = position_stack(vjust = 0.5),color="black",size=3.5, show.legend = FALSE)+
  scale_fill_manual(values=c("lightgreen","darkseagreen1","darkseagreen2","darkseagreen","darkseagreen4","lightyellow4","lightyellow3","lightyellow2","lightyellow1","ivory"))+
  guides(fill=guide_legend(title="Tipo de material"))+
  ggtitle("Tipo de material valorizado recolectado")

Disposición final de la basura

Tabla 8. Disposición final de basura de 1995 al 2012 - SEMARNAT

datatable(disposicion)

Gráfica 9. Disposición final - SEMARNAT

  hpackedbubble(disposicion$AÑO, disposicion$UBICACION, disposicion$`TIPO_DISPOSICION_Y_VOLUMEN_(TONELADAS)`, 
              title = "Disposición final de RSU",
              pointFormat = "<b>{point.name}:</b> {point.y} Toneladas",
              dataLabelsFilter = 100,
              packedbubbleMinSize = "50%",
              packedbubbleMaxSize = "100%",
              theme = "watermelon",
              titleColor = "black",
              packedbubbleZMin = 0,
              packedbubbleZmax = 10000, split = 1,
              gravitational = 0.02,
              parentNodeLimit = 1,
              dragBetweenSeries = 0,
              width = "800px")

Gráfica 9.1. Disposición final - SEMARNAT

ggplot(data=disposicion, aes(x=AÑO, y=`TIPO_DISPOSICION_Y_VOLUMEN_(TONELADAS)`, fill=UBICACION)) +
geom_bar(stat="identity", position=position_dodge())+
   scale_fill_manual(values=c("darkseagreen3","darkseagreen4","lightyellow4"))+
   labs(title="Disposición final de basura", 
         x="Año", y = "Toneladas de basura")+
  theme(legend.position="top")

Rellenos sanitarios

Tabla 9. Rellenos sanitarios del 1995 al 2012 - SEMARNAT

datatable(rellenos)

Gráfica 10. Rellenos sanitarios de 1995 a 2012 - SEMARNAT

ggplot(rellenos, 
       mapping= aes(fill=rellenos$CONCEPTO, x=rellenos$AÑO, y=rellenos$`RELLENOS_SANITARIOS_(NUMERO)`))+
    geom_bar(stat="identity")+ labs(title = "Rellenos sanitarios de 1995 hasta 2012", x="Fecha",y="Cantidad de rellenos")+
   scale_fill_manual(values=c("darkseagreen","darkseagreen4","lightyellow4","lightyellow3","lightyellow2","lightyellow1","ivory"))+
   theme(legend.position = "none")

Gráfica 11. Rellenos sanitarios - SEMARNAT

library(pacman)
p_load("readr", "gganimate", "gifski", "plotly", "GGally", "readr", "DT", "rgdal", "raster", "sf", "tidyverse", "rgeos", "mapview", "leafpop", "gganimate", "ggplot2", "plotrix", "rmdformats", "ftdh")

Basureros <- shapefile("C:/Users/kitkat/OneDrive/Escritorio/rsu/Locaciones3.shp")
mapview::mapview(Basureros, labels=T, map.types="OpenTopoMap")

Índice de Riesgo Ambiental, Social y Económico IRASE

A continuación se muestran categorías de agua, aire y suelo que describen los valores de las variables del vertedero de basura “Antiguo Tiradero Municipal de Cajeme” ubicado en Cd. Obregón, Sonora.

Dichas variables se calcularon y se ponderaron de 0 a 1, siendo 0 el valor mínimo y 1 el valor máximo. También se le determinó el porcentaje de importancia a cada variable por categoría y con ello se calculó el índice de riesgo.

Agua

Las variables que se utilizaron en la categoría de agua fueron balance hídrico, pendiente, índice de humedad topográfica, cuencas hidrológicas, rangos de humedad, clima, precipitación media anual, régimen de humedad del suelo, escurrimiento natural superficial e índice de peligro de inundación.

Gráfica 12. IRASE agua - SEMARNAT

Valor <- agua$Valor
tipo <- agua$Indice
  
ggplot(agua, aes(x="", y=Valor, fill=tipo))+
   geom_col(color="white")+
  ggtitle("Índice de riesgo de agua")+
   geom_label_repel(aes(label=Valor),
            position = position_stack(vjust = 0.5),color="black",size=3.5, show.legend = FALSE)+
  theme_void()+
    coord_polar(theta="y")+
  scale_fill_manual(values=c("lightgreen","darkseagreen1","darkseagreen2","darkseagreen","darkseagreen4","lightyellow4","lightyellow3","lightyellow2","lightyellow1","ivory"))+
  theme_void()+
  guides(fill=guide_legend(title="Índice de riesgo"))

La gráfica indica que las variables con mayor índice de riesgo son la de índice de humedad topográfica con 0.6646 y la de índice de peligro de inundación con 0.4.

Las variables con menor índice de riesgo son la pendiente con 0.0031, el escurrimiento natural superficial con 0.0145 y las cuencas hidrológicas con 0.017.

Aire

Las variables que se utilizaron en la categoría de aire fueron temperatura media anual, precipitación total anual, precipitación media anual y altitud.

Gráfica 13. IRASE aire - SEMARNAT

Valor <- aire$Valor
Valor <- paste(Valor, "%", sep = "")
tipo <- aire$Indice
  
ggplot(aire, aes(x="", y=Valor, fill=tipo))+
   geom_col(color="white")+
  ggtitle("Índice de riesgo de aire")+
   geom_label_repel(aes(label=Valor),
            position = position_stack(vjust = 0.5),color="black",size=3.5, show.legend = FALSE)+
  theme_void()+
    coord_polar(theta="y")+
  theme_void()+
    scale_fill_manual(values=c("lightgreen","darkseagreen1","darkseagreen2","darkseagreen","darkseagreen4","lightyellow4","lightyellow3","lightyellow2","lightyellow1","ivory"))+
  guides(fill=guide_legend(title="Índice de riesgo"))

La gráfica indica que la variable con mayor índice de riesgo es la de temperatura media anual con 0.15.

La variable con menor índice de riesgo es la de altitud con 0.0042.

Suelo

Las variables que se utilizaron en la categoría de suelo fueron pendiente, índice capital natural, materia orgánica, edafología, degradación e índice de degradación ecológica.

Gráfica 14. IRASE suelo - SEMARNAT

Valor <- suelo$Valor
Valor <- paste(Valor, "%", sep = "")
tipo <- suelo$Indice
  
ggplot(suelo, aes(x="", y=Valor, fill=tipo))+
   geom_col(color="white")+
  ggtitle("Índice de riesgo de suelo")+
   geom_label_repel(aes(label=Valor),
            position = position_stack(vjust = 0.5),color="black",size=3.5, show.legend = FALSE)+
  theme_void()+
    coord_polar(theta="y")+
  theme_void()+
    scale_fill_manual(values=c("lightgreen","darkseagreen1","darkseagreen2","darkseagreen","darkseagreen4","lightyellow4","lightyellow3","lightyellow2","lightyellow1","ivory"))+
  guides(fill=guide_legend(title="Índice de riesgo"))

La gráfica indica que las variables con mayor índice de riesgo son la de degradación del suelo con 0.5 y edafología con 0.33.

Las variables con menor índice de riesgo son la pendiente con 0.0019 y materia orgánica con 0.0189.

Índice de marginación urbana (IMU)

Gráfica 15. IMU Cd. Obregón - SEMARNAT

library(pacman)
p_load("readr", "gganimate", "gifski", "plotly", "GGally", "readr", "DT", "rgdal", "raster", "sf", "tidyverse", "rgeos", "mapview", "leafpop", "gganimate", "ggplot2", "plotrix", "rmdformats", "ftdh")

Marginacion <- shapefile("C:/Users/kitkat/OneDrive/Escritorio/rsu/marginacionAGEB.shp")
mapview::mapview(Marginacion, labels=T, map.types="OpenTopoMap")

Tiraderos intraurbanos clandestinos RSU

Gráfica 16. TIC Cd. Obregón - SEMARNAT

library(pacman)
p_load("readr", "gganimate", "gifski", "plotly", "GGally", "readr", "DT", "rgdal", "raster", "sf", "tidyverse", "rgeos", "mapview", "leafpop", "gganimate", "ggplot2", "plotrix", "rmdformats", "ftdh")

TICRSU <- shapefile("C:/Users/kitkat/OneDrive/Escritorio/rsu/RSU_2020CdObregon.shp")
mapview::mapview(TICRSU, labels=T, map.types="OpenTopoMap")

Tiraderos intraurbanos clandestinos y la marginación

En las áreas marginadas del municipio de Cajeme se encuentran mayormente los tiraderos clandestinos de basura.

Tiraderos intraurbanos clandestinos y su grado de afectación

Tabla 10. Tiraderos intraurbanos clandestinos y su grado de afectación - SEMARNAT

datatable(sitios)

Se presentan muchos tiraderos intraurbanos con una afectación muy fuerte a lo largo del municipio de Cajeme.

Tiraderos regionales clandestinos RSU

Gráfica 16. TRC Cd. Obregón - SEMARNAT

library(pacman)
p_load("readr", "gganimate", "gifski", "plotly", "GGally", "readr", "DT", "rgdal", "raster", "sf", "tidyverse", "rgeos", "mapview", "leafpop", "gganimate", "ggplot2", "plotrix", "rmdformats", "ftdh")

TRCRS <- shapefile("C:/Users/kitkat/OneDrive/Escritorio/rsu/RSU_SitiosMuestreo_Poligono.shp")
mapview::mapview(TRCRS, labels=T, map.types="OpenTopoMap")

Son los tiraderos clandestinos a las afueras de la Ciudad, basura mayormente de escombro, desechos de industrias y otros materiales de construcción.

Participación ciudadana

Talleres que se impartieron

p1 <- plot_ly(data = Taller1, x = ~Area,
              type = "histogram", 
    marker = list(color = "darkseagreen",
                            line = list(color = "darkgreen",
                                        width = 1))) %>% 
  layout(title = "Participantes del Taller Introducción a la visión por computadora e inteligencia artificial",
         xaxis = list(title = "Áreas en las que se desarrollan"),
         yaxis = list(title = "Frecuencia"))
p1

p1 <- plot_ly(data = Taller2, x = ~Area,
              type = "histogram", 
    marker = list(color = "darkseagreen",
                            line = list(color = "darkgreen",
                                        width = 1))) %>% 
  layout(title = "Participantes del Taller Introducción a Ciencia de Datos para estudios ambientales SIG",
         xaxis = list(title = "Áreas en las que se desarrollan",
                      zeroline = FALSE),
         yaxis = list(title = "Frecuencia",
                      zeroline = FALSE))
p1

p1 <- plot_ly(data = Taller3, x = ~Area,
              type = "histogram", 
    marker = list(color = "darkseagreen",
                            line = list(color = "darkgreen",
                                        width = 1))) %>% 
  layout(title = "Participantes del Taller Tensorflow",
         xaxis = list(title = "Áreas en las que se desarrollan",
                      zeroline = FALSE),
         yaxis = list(title = "Frecuencia",
                      zeroline = FALSE))
p1

p1 <- plot_ly(data = Taller4, x = ~Area,
              type = "histogram", 
    marker = list(color = "darkseagreen",
                            line = list(color = "darkgreen",
                                        width = 1))) %>% 
  layout(title = "Participantes del Taller SIG",
         xaxis = list(title = "Áreas en las que se desarrollan",
                      zeroline = FALSE),
         yaxis = list(title = "Frecuencia",
                      zeroline = FALSE))
p1

Conclusión

La generación de basura en México se encuentra muy relacionada con el crecimiento poblacional y el producto interno bruto. Sin embargo, eso no quiere decir que sea una causalidad.

Por ello, se piensa que la problemática se encuentra dentro del país ya sea por la falta de normas de separación y reciclaje de basura. No obstante, el gobierno no es el único responsable de esta situación, pues los mismos habitantes no cuentan con la iniciativa de mantener las zonas en las que se encuentran de manera limpia y esto simplemente es por falta de conciencia.

Reflexiones

Todavía hay mucho trabajo por hacer, definiendo valiosos indicadores basados en evidencia científica que podrían orientar a hallazgos más concisos.
Es posible identificar y cuantificar los RSU por micro-regiones y también modelar la presencia de tiraderos intraurbanos en base a todo el conjunto de posibles variables.
Este enfoque micro-regional trata más de comprender a los hábitos sociales y probables causas de este comportamiento.
Hay una interesante dinámica social intraurbana que vale la pena analizar.
Se tienen que incentivar los esquemas de participación ciudadana a través de programas públicos que incorporen datos para de esta forma, democratizar qué acciones concretas podrían funcionar para mitigar su impacto.

Referencias

Bustos, A. (2011). Niveles de marginación. REALIDAD, DATOS Y ESPACIO REVISTA INTERNACIONAL DE ESTADÍSTICA Y GEOGRAFÍA, 169.
Cárdenas Moreno, P. R., Robles Martínez, F., Colomer Mendoza, F. J., & Piña Guzmán, A. B. (2016). Herramientas para la evaluación de riesgos sobre el ambiente y salud, por la disposición final de residuos sólidos urbanos. LINK
Forbes México. (2020). México es líder en generación de residuos en América Latina: ANIPAC. Recuperado de LINK
INEGI. (2019). Basura. Recuperado de LINK
PÉREZ, G. B. (2012). Riesgo de contaminación por disposición final de residuos. Un estudio de la región centro occidente de México. Revista Internacional de Contaminación Ambiental, 28(1), 97-105.
Ropero Portillo, S, (2020). Lixiviados: definición, ejemplos y tratamiento. Recuperado de LINK
SEMARNAT. (2017). Residuos Sólidos Urbanos y de Manejo Especial. Recuperado de LINK
SEMARNAT. (2012). Residuos peligrosos. Recuperado de LINK

Descargas

Código

xfun::embed_file("rsu.Rmd")

Download rsu.Rmd

xfun::embed_file("RSUPresentacion.Rmd")

Download RSUPresentacion.Rmd

Datos

xfun::embed_file("generacion de residuos solidos urbanos.csv")

Download generacion de residuos solidos urbanos.csv

xfun::embed_file("materiales valorizables recolectados.csv")

Download materiales valorizables recolectados.csv

xfun::embed_file("disposicion final de residuos solidos urbanos.csv")

Download disposicion final de residuos solidos urbanos.csv

xfun::embed_file("rellenos sanitarios.csv")

Download rellenos sanitarios.csv

xfun::embed_file("poblacion.csv")

Download poblacion.csv

xfun::embed_file("pib.csv")

Download pib.csv

xfun::embed_file("entidadesbasura.csv")

Download entidadesbasura.csv

xfun::embed_file("entidadespib.csv")

Download entidadespib.csv

xfun::embed_file("entidadespoblacion.csv")

Download entidadespoblacion.csv

xfun::embed_file("variables.csv")

Download variables.csv

xfun::embed_file("agua.csv")

Download agua.csv

xfun::embed_file("aire.csv")

Download aire.csv

xfun::embed_file("suelo.csv")

Download suelo.csv

xfun::embed_file("sitios_intraurbanos.csv")

Download sitios_intraurbanos.csv

xfun::embed_file("Locaciones3.shp")

Download Locaciones3.shp

xfun::embed_file("RSU_SitiosMuestreo_Poligono.shp")

Download RSU_SitiosMuestreo_Poligono.shp

xfun::embed_file("RSU_2020CdObregon.shp")

Download RSU_2020CdObregon.shp

xfun::embed_file("marginacionAGEB.shp")

Download marginacionAGEB.shp

xfun::embed_file("Inscripción a taller de introducción a la visión por computadora e inteligencia artificial.csv")

Download Inscripción a taller de introducción a la visión por computadora e inteligencia artificial.csv

xfun::embed_file("TALLER DE INTRODUCCIÓN A CIENCIA DE DATOS PARA ESTUDIOS AMBIENTALES URBANOSSIG.csv")

Download TALLER DE INTRODUCCIÓN A CIENCIA DE DATOS PARA ESTUDIOS AMBIENTALES URBANOSSIG.csv

xfun::embed_file("TALLER TENSORFLOW.csv")

Download TALLER TENSORFLOW.csv

xfun::embed_file("TALLER SIG.csv")

Download TALLER SIG.csv

Imágenes

xfun::embed_file("basura2.png")

Download basura2.png

xfun::embed_file("marginacion.png")

Download marginacion.png