Antes de iniciar.
Las diferencias entre un los métodos supervisados y los métodos no supervisados
Por un lado tenemos los métodos supervisados. Son aquellos algoritmos que van consiguiendo la información mediante los datos que ingrese el desarrollador, así es más sencillo deducir los datos que puede arrojar de salida, ésto los vuelve más simples, y más sencillos de calcular.
A diferencia de los métodos supervisados, los métodos no supervisados recolectan la información por su cuenta, se encuentra muy ligado a la inteligencia artificial ya que actua por su cuenta, por ellos se utilizan para agrupar datos no estructurados y detectar distintos patrones, gracias a ésto su forma de trabajar es más compleja ya que necesita de herramientas muy potentes y grandes recursos computacionales.
Proceso de resolución de problemas usando ciencia de datos
- Obtención de datos. Se recopila toda la información que se necesita acerca del tema que se estudia.
- Transformación de datos. Se estructuran los datos para que sean más procesables para los métodos de estudio.
- Análisis de datos recopilados. Se revisan los datos para escoger el mejor método para analizarlos y crear una hipotesis en base a ello.
- Creación y experimentación con múltiples modelos. Se empeizan a crear modelos para ir consiguiendo resultados.
- Análisis de los resultados dados por los métodos y modelos. Aquí se evaluan los resultados dados por lo métodos y modelos para analizar si éstos son favorable y ayudan en la hipotesis.
- Proponer una hipotesis. Por ultimo se tomaran los resultados para dar una conclusión final en base a todos los resultados.
Introducción.
La agricultura en Sonora desde hace mucho tiempo ha tenido mucha importancia, siendo una de las fuentes de ingresos más importantes para el estado, aunque con el paso del tiempo ésta ha dejado de ser tan fructifera, gracias a diferentes factores.
En éste caso de estudio nos enfocaremos en analizar todos los factores que conforman la agricultura en el estado de Sonora, desde su producción, hasta sus necesidades, utilizaremos diferentes metodos analiticos y estadisticos para llegar a una conclusión sobre como ha cambiado la agricultura en sonora durante los ultimos años. Analizaremos diferentes factores que pueden afectar de manera positiva o negativa la cosecha dentro del estado de Sonora, para así poder describir cuales serían las circunstancias más optimas para que funcione de manera optima la agricultura en Sonora.
knitr::include_graphics('https://www.elimparcial.com/__export/1619834833619/sites/elimparcial/img/2021/04/30/2768265_1.jpg_851672003.jpg')
Agricultura en el estado de Sonora
Antecedentes.
Actualmente en Sonora se cultivan diferente frutas que en su mayoría necesitan de climas más cálidos y húmedos, gracias a este factor no es posible que estas cosechas tengan en su mayoría buenos resultados, teniendo en cuenta que hay estados con un clima más adecuado como Sinaloa o Nayarit que en 2019 se dió a conocer que ambos estados junto a Guerrero y Chiapas conforman dos terceras partes de todo el volumen cosechado a nivel nacional.
Podemos poner de ejemplo la cosecha de mango que es un cultivo que requiere de grandes cantidades de agua, y el estado de Sonora no cuenta realmente con el agua suficiente, según el Servicio de Información Agroalimentaria y Pesquera (SIAP), los estados que mejores resultados dan a la hora de cosechar mango son Guerrero, Nayarit y Sinaloa con un total del 53% de todo el país, esto debido a que cuentan con factores más optimos para su siembra, cosa que no pasa con Sonora gracias a su clima más calido y su escasez de agua.
Objetivos.
Utilizando los métodos analiticos y estadisticos y con ayuda del marco teorico deseamos averiguar:
Qué clase de cosechas es más recomendable sembrar en el estado de Sonora. Qué circunstancias climatologicas afectan a las cosechas en Sonora. Tener una análisis de la cantidad de cultivos que son desperdiciados. Saber cuales son los cultivos más sembrados en el estado de Sonora. *Conocer más acerca de la producción y cultivo del mango y Sonora.
Marco Teoríco
La Agricultura en el estado de Sonora.
La Organización de las Naciones Unidas (ONU) hace mención sobre las tendencias poblacionales, haciendo enfasis en que si estas continuan como hasta ahora, hacia el año 2050 se necesitarían casi tres planetas Tierra para poder sobre llevar el estilo de las Sociedades contemporáneas. Además la presión sobre los sistemas agroalimentarios es tal, que en los próximos 10 años seran necesrio que la productividad agrícola sea duplicada, lo que conlleva a hacer lo con menos recursos naturales disponibles.
El sur de Sonora es destacado por ser una gran area agrícola de alta productividad. El patronato de investigación y experimentación Agrícola del Estado de Sonora (PIEAES) y el Centro internacional de Mejoramiento de Maíz y Trigo (CIMMYT), fomentan práctucas de Agricultura Sustentable cuyos resultados muestran que una agricultura rentable y sustentable es posible.
Los productores del valle del Yaqui y mayo han practicado la agricultura convencional por muchos años, obteniendo buenos resultados pero al tener altos costos de insumos como diesel, fertilizantes, semillas, insecticidas entre otros, impactan directamente en sus ingresos y perspectivas de crecimiento.
Producción de Mango en Sonora.
Un producto alterno en la agricultura de Sonora, el Mango dio buenos resultados en el programa de reconversión de cultivos en el Valle del Yaqui. Obtuvo positivos rendimientos en la cosecha de Mango Keitt, lo cual es confirmado por los proudctores.
Fue en el block 325 donde se dieron los primeros cortes de la fruta, señaló Ramón González Espinoza, con buena calidad.
“De arranque se tienen muy buenas calidades de mango, producciones y precios de esa variedad que en su mayoría se está comercializando en el mercado de los Estados Unidos, a nivel local y regional”, indicó. (05 de Septiembre de 2019)
Los Mayores Cultivos en Sonora
Si tomamos en cuenta el valor de producción y cosecha tenemos a la Sandía con alrededor de 10,700 héctareas y 488,094 miles de pesos en producción, también tenemos la papa con 12,600 héctareas y un costo de producción de 436, 213 pesos, por otro lado, tenemos a la calabacita y al espárrago que ambos tienen una producción mayor o igual a 180,000 pesos y con un área de cosecha de 7,415 héctareas (calabacita) y 14,762 (Espárrago). Todos estos cultivos mencionados son cosechados en el estado de Sonora y también ocupan el primer lugar a nivel nacional como producción.
Análisis de suelo y fertilizantes para obtener un máximo rendimiento
Todo parte de un buen sustrato. Para obtener el máximo rendimiento de los cultivos, lo mejor es garantizar que el suelo a explotar sea apto para tales fines. Si eres agricultor, industria agroalimentaria o cooperativa, te interesa realizar un análisis agrícola del suelo para mejorar el rendimiento de tu producción así como la calidad de las plantas y alimentos que cosechas.
¿En qué consiste el análisis de suelo agrícola?
Este estudio se hace para determinar qué tipo de nutrientes están presentes y qué características tiene el sustrato que se pretende utilizar. El laboratorio se encarga de tomar una muestra del suelo siguiendo protocolos rigurosos de recolección para garantizar la fiabilidad de los resultados.
Entre los parámetros que se estudian en este tipo de análisis se encuentran el pH del suelo, la cantidad de materia orgánica que tiene, textura, niveles de potasio, salinidad, niveles de dióxido de carbono, permeabilidad, presencia de hongos y otros factores patógenos.
Normalmente, los resultados de este análisis se envían al agricultor junto con un informe detallado que le permite interpretar correctamente la información y tomar las medidas necesarias para mejorar lo que se tenga que mejorar a fin de que el suelo sea óptimo para el cultivo.
Erosión del suelo
El término erosión del suelo abarca una amplia gama de acciones físicas y químicas, tales como la eliminación de materias solubles, cambios químicos, desintegración por heladas o por cambios rápidos de temperatura, desgaste a causa del viento cargado de polvo.
Además, con una tasa de población cada vez mayor, las personas contribuyen significativamente a la aparición de la erosión debido a la labranza, exceso de deforestación y operaciones industriales como la construcción de carreteras, que tienen efectos inevitables en el rendimiento del suelo.
El clima es una de las causas de la erosión, producida por precipitaciones abundantes. Como resultado de las fuertes lluvias, las zonas con poca vegetación y/o vegetación poco arraigada son particularmente vulnerables a los flujos de agua de las precipitaciones, por lo que el agotamiento de los suelos es inevitable. La erosión eólica tiene lugar durante fuertes rachas de viento; principalmente posee una amenaza sustancial, ya que el suelo está seco y, en consecuencia, es sensible a los cambios.
Erosión del Suelo en EOS Crop Monitoring
EOS Crop Monitoring ofrece la oportunidad de obtener la información más actualizada sobre los niveles de vegetación, comparar los cambios en los valores de la vegetación durante los últimos 5 años gracias a datos históricos y hacer un seguimiento de las tendencias de degradación del suelo. Gracias a la variedad de funciones disponibles en EOS Crop Monitoring, los agricultores ahorran recursos, tiempo y dinero, especialmente en el caso de campos a gran escala. Las decisiones sobre fechas de cosecha, tipos de cosecha, fertilizantes y otras predicciones son mucho más fáciles de tomar.
Metodología
Se utilizaran los siguientes métodos estadísticos:
Regresión Logística el cual es un método de regresión que permite estimar las probabilidades de una variable cualitativa en función de otra cuantitativa. Por ejemplo, una de sus principales aplicaciones es la clasificación binaria, donde todas las observaciones y los análisis se clasifican en varios grupos dependiendo del valor de cada variable.
*En esta ocasión utilizaremos la regresión logística para verificar la producción de mango en el estado de Sonora, se analizaran la producción dependiendo de su año y que valor tomaron dichas siembras, se dividiran en 2 grupos dependiendo de su valor (mayor a mil) producción exitosa) y (menor a mil) producción fallida.
Kmeans es básicamente un algoritmo de clasificación que se basa en la clusterización que agrupo objetos en k grupos donde toma en cuenta sus características.
*En este caso se utilizará el algoritmo de kmeans para los datos de la producción total nacional (esparragos, maíz, mango, trigo y uva) especifícamente en el estado de Sonora, en donde tomando en cuenta producción y valor de cada cultivo cual de todas estas cosechas requiere una mayor producción por menor valor y viceversa.
Correlación principalmente la correlación es una medida estadística que expresa hasta qué punto dos variables estan relacionadas linealmente (ya que estos pueden estar en un constante cambio), esta herramienta es bastante común para describir cierto tipo de relaciones simples sin hacer afirmaciones de causa y efecto.
*La correlación se volverá a utilizar en la producción total nacional enfocado en el estado de sonora (espárragos, maíz, trigo, uva y mango), pero esta vez se tomaran en cuenta todos los factores para realizar un análisis de como se relacionan entre sí, que tanto depende una de la otra y si la beneficia o la perjudica, factores como: sembrada, producción, valor, temperatura, clima etc.
Paquetes a utilizar
library(pacman)
p_load("DT", "prettydoc", "xfun", "rmdformats", "readr", "readxl", "ggplot2", "plotly", "gridExtra", "leaflet", "GGally", "psych", "corrplot", "cluster", "plotly", "gapminder", "ISLR", "base64enc", "htmltools", "mime", "knitr", "gganimate", "gridExtra", "scales")Análisis Estadístico (Regresión Logística)
Importar datos
Para el caso de regresión logística se utilizaran los datos provenientes del archivo excel sobre la producción total de mango en el estado de Sonora.
datosMango <- read_xlsx("ProduccionMangos.xlsx")
datosMangoS <- dplyr::filter(datosMango, ENTIDAD== "Sonora")
datatable(datosMangoS)Observese que el valor de producción del mango del año 2010 a 2013 tuvo un valor de producción bajo pero de ese año en adelante fue en aumento, pero a pesar de los años los valores varían, es por eso que se tomara en cuenta que si se hizo un valor de producción mayo a 1000 es una producción exitosa de lo contrario si es menor 1000 es una producción fallida.
Tabla de frecuencia
tabla <- table(datosMangoS$VALORPRODUCCION)
tabla##
## 500.97 728.7 907.4 980.42 1312.25 1325.75 1371.47 1610.24 1614.32 2101.23
## 1 1 1 1 1 1 1 1 1 1
## 2348.2
## 1Relación Gráfica
En base a la gráfica tenemos el valor de cada producción si este fue exitoso o fallido.
colores <- NULL
colores[datosMangoS$VALORPRODUCCION >= 1000] <- "green"
colores[datosMangoS$VALORPRODUCCION < 1000] <- "red"
plot(datosMangoS$PRODUCCION, datosMangoS$VALORPRODUCCION, pch=21, bg= colores,
xlab = "Producción", ylab= "Valor de Producción")
legend("topleft", c("Exitoso", "Fracaso"), pch=21, col= c("green", "red")) 
regresion <- glm(VALORPRODUCCION ~ PRODUCCION , data=datosMangoS)
summary(regresion)##
## Call:
## glm(formula = VALORPRODUCCION ~ PRODUCCION, data = datosMangoS)
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -279.77 -98.59 -29.77 107.96 242.17
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -685.2863 206.1934 -3.324 0.00889 **
## PRODUCCION 5.0556 0.4977 10.158 3.14e-06 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for gaussian family taken to be 27990.02)
##
## Null deviance: 3139945 on 10 degrees of freedom
## Residual deviance: 251910 on 9 degrees of freedom
## AIC: 147.64
##
## Number of Fisher Scoring iterations: 2Predicción Valores con Modelo Ajustado
Para representar la predicción de la regresión logística, se calculan las probabilidades de éxito estimadas para obtener un rango en cuanto a las cantidades de producción entre 300 a 550.
datos_nuevos <- data.frame(PRODUCCION = seq (300,550, 10))
datos_nuevos ## PRODUCCION
## 1 300
## 2 310
## 3 320
## 4 330
## 5 340
## 6 350
## 7 360
## 8 370
## 9 380
## 10 390
## 11 400
## 12 410
## 13 420
## 14 430
## 15 440
## 16 450
## 17 460
## 18 470
## 19 480
## 20 490
## 21 500
## 22 510
## 23 520
## 24 530
## 25 540
## 26 550Cálculo y Gráfica de Probabilidades
Se realizara una predicción de la producción en base a los datos implementados en el modelo ajustado.
probabilidades <- predict(regresion, datos_nuevos, type="response")
probabilidades## 1 2 3 4 5 6 7 8
## 831.4020 881.9582 932.5145 983.0708 1033.6271 1084.1833 1134.7396 1185.2959
## 9 10 11 12 13 14 15 16
## 1235.8522 1286.4085 1336.9647 1387.5210 1438.0773 1488.6336 1539.1898 1589.7461
## 17 18 19 20 21 22 23 24
## 1640.3024 1690.8587 1741.4149 1791.9712 1842.5275 1893.0838 1943.6400 1994.1963
## 25 26
## 2044.7526 2095.3089colores <- NULL
colores[datosMangoS$VALORPRODUCCION >= 1000] <- "green"
colores[datosMangoS$VALORPRODUCCION < 1000] <- "red"
plot(datosMangoS$PRODUCCION, datosMangoS$VALORPRODUCCION, pch=21, bg= colores,
xlab = "Producción", ylab= "Valor de Producción")
legend("topleft", c("Exitoso", "Fracaso"), pch=21, col= c("green", "red"))
lines(datos_nuevos$PRODUCCION, probabilidades, col="pink", lwd=2)
Como se puede notar a través de los años la producción de mango aumento exponencialmente y con eso su valor va subiendo propocionalmente y se predice que este aumento se matendrá constante por un periodo de tiempo más.
Análisis Estadístico (Kmeans)
Importar Datos
Para el caso de Kmeans se utilizaran los datos de la producción total nacional (maíz, espárrago, mango, trigo y uva) pero enfocado especialmente en el estado de Sonora.
datosProduc <- read_xlsx("ProduccionTotalNacional_2015-2020.xlsx")
datosProducSon <- dplyr::filter(datosProduc, ENTIDAD== "Sonora")
datos <- data.frame(cultivo= datosProducSon$CULTIVO, produccion= datosProducSon$PRODUCCION, valor= datosProducSon$VALORPRODUCCION )
datatable(datos)Ahora utilizando kmeans podemos determinar en base a la producción de maíz, espárrago, mango, uva y trigo en Sonora, dividiendo y clasificando la producción y su valor de cada uno.
Gráfica
ggplot(datosProducSon, aes(PRODUCCION, VALORPRODUCCION)) + geom_point(aes(col=CULTIVO), size=2)
Como podemos observar la producción de mango ha sido la más baja en Sonora, seguido por el maíz que tiene indices bajos pero se mantiene estable con su relación de producción-valor, por otro lado tenemos a la uva y el espárrago donde se mantienen iguales en un nivel de producción bajo pero un valor alto, finalmente tenemos el trigo donde se mantiene en un valor promedio pero una producción mayor.
Clusters
Ahora utilizaremos una importante herramiente que ofrece kmeans que son los clusters los cuales nos ayudan a clasificar los datos.
set.seed(95)
dataCluster <- kmeans(data.frame(x=datosProducSon$PRODUCCION, y=datosProducSon$VALORPRODUCCION), centers=5 , nstart = 20 )
dataCluster## K-means clustering with 5 clusters of sizes 2, 3, 7, 9, 9
##
## Cluster means:
## x y
## 1 353663.95 9720000.9
## 2 624521.57 2249826.2
## 3 1306557.83 7162555.9
## 4 64013.53 227983.8
## 5 342774.73 5417333.9
##
## Clustering vector:
## [1] 5 5 5 5 5 3 4 4 4 2 2 2 4 4 4 4 4 4 3 3 3 5 3 3 5 5 5 3 1 1
##
## Within cluster sum of squares by cluster:
## [1] 3.582342e+10 2.327056e+11 4.240963e+12 1.254014e+12 6.846072e+12
## (between_SS / total_SS = 95.9 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"table(dataCluster$cluster,datosProducSon$CULTIVO)##
## Esparrago Maiz Mango Trigo Uva
## 1 0 0 0 0 2
## 2 0 3 0 0 0
## 3 1 0 0 5 1
## 4 0 3 6 0 0
## 5 5 0 0 1 3Ahora toca juntar todos los clusters con la función clusplot para realizar un análisis de los componentes principales (PCA) de los datos originales.
clusplot(data.frame(x=datosProducSon$PRODUCCION,y=datosProducSon$VALORPRODUCCION), dataCluster$cluster, color=T, shade=T,lines=0, main = "Clusters de producción y valor de cada cultivo")
# Gráficas y Correlación Para este caso utilizaremos los mismos datos utilizados anteriormente en el kmeans, empezando por esta gráfica de temperatura, precipitación y producción.
datos_rel <- data.frame(datosProducSon$SEMBRADA, datosProducSon$COSECHADA, datosProducSon$SINIESTRADA, datosProducSon$PRODUCCION, datosProducSon$VALORPRODUCCION, datosProducSon$PrecipitacionMedia, datosProducSon$TemperaturaAnual)
round(cor(x = datos_rel, method = "pearson"), 3)## datosProducSon.SEMBRADA
## datosProducSon.SEMBRADA 1.000
## datosProducSon.COSECHADA 1.000
## datosProducSon.SINIESTRADA -0.041
## datosProducSon.PRODUCCION 0.981
## datosProducSon.VALORPRODUCCION 0.421
## datosProducSon.PrecipitacionMedia -0.011
## datosProducSon.TemperaturaAnual -0.007
## datosProducSon.COSECHADA
## datosProducSon.SEMBRADA 1.000
## datosProducSon.COSECHADA 1.000
## datosProducSon.SINIESTRADA -0.044
## datosProducSon.PRODUCCION 0.980
## datosProducSon.VALORPRODUCCION 0.420
## datosProducSon.PrecipitacionMedia -0.011
## datosProducSon.TemperaturaAnual -0.007
## datosProducSon.SINIESTRADA
## datosProducSon.SEMBRADA -0.041
## datosProducSon.COSECHADA -0.044
## datosProducSon.SINIESTRADA 1.000
## datosProducSon.PRODUCCION 0.005
## datosProducSon.VALORPRODUCCION -0.258
## datosProducSon.PrecipitacionMedia 0.117
## datosProducSon.TemperaturaAnual -0.127
## datosProducSon.PRODUCCION
## datosProducSon.SEMBRADA 0.981
## datosProducSon.COSECHADA 0.980
## datosProducSon.SINIESTRADA 0.005
## datosProducSon.PRODUCCION 1.000
## datosProducSon.VALORPRODUCCION 0.480
## datosProducSon.PrecipitacionMedia 0.073
## datosProducSon.TemperaturaAnual -0.049
## datosProducSon.VALORPRODUCCION
## datosProducSon.SEMBRADA 0.421
## datosProducSon.COSECHADA 0.420
## datosProducSon.SINIESTRADA -0.258
## datosProducSon.PRODUCCION 0.480
## datosProducSon.VALORPRODUCCION 1.000
## datosProducSon.PrecipitacionMedia 0.240
## datosProducSon.TemperaturaAnual -0.074
## datosProducSon.PrecipitacionMedia
## datosProducSon.SEMBRADA -0.011
## datosProducSon.COSECHADA -0.011
## datosProducSon.SINIESTRADA 0.117
## datosProducSon.PRODUCCION 0.073
## datosProducSon.VALORPRODUCCION 0.240
## datosProducSon.PrecipitacionMedia 1.000
## datosProducSon.TemperaturaAnual -0.553
## datosProducSon.TemperaturaAnual
## datosProducSon.SEMBRADA -0.007
## datosProducSon.COSECHADA -0.007
## datosProducSon.SINIESTRADA -0.127
## datosProducSon.PRODUCCION -0.049
## datosProducSon.VALORPRODUCCION -0.074
## datosProducSon.PrecipitacionMedia -0.553
## datosProducSon.TemperaturaAnual 1.000ggpairs(datos_rel, lower = list(continuous ="smooth"),
diag = list (continuos = "barDiag"), axisLabels = "none")
Gracias a esta gráfica de correlación podemos observar que tanto la producción esta relacionada con su sembrada y el valor ya que esta depende un aumento o un desceso. También un factor muy importante que hay que tomar en cuenta es el tema temperatura y clima, ya que de cierto modo este puede llegar a beneficiar o perjudicar los cultivos, por que necesitan un tipo de clima en específico o cierta cantidad de agua para su adecuado riego.
Conclusión Individual
En lo personal he tenido experiencia de manera práctica en el ámbito de la agricultura y si bien todos estos estudios y herramientas favorecen para una comprensión y un manejo más óptimo de los cultivos también por costumbres o creencias se opta por seguirse haciendo de la misma manera, inclusive si implica menor desempeño. Fuera de esto, Sonora en general es un estado rico en agricultura y ganadería siendo que solamente el valle del Yaqui de Cd. Obregón representa 1% nivel mundial. Las prácticas y avances tecnológicos favorecerán no solamente a Sonora sino a todo México una vez que se implementen todas las medidas de manera correcta favoreciendo tanto a agricultores como a los nutrientes de las siembras.
Referencias Bibliográficas
(INEGI), I. (2022). Agricultura. Inegi.org.mx. Retrieved 7 April 2022, from https://www.inegi.org.mx/temas/agricultura/.
Arana, S. (2022). Inicia cosecha de mango. Imparcial. Retrieved 7 April 2022, from https://www.elimparcial.com/sonora/ciudadobregon/Inicia-cosecha-de-mango-20190905-0013.html.
Bracamonte Sierra, Á., Valle Dessens, N., & Méndez Barrón, R. (2022). La nueva agricultura sonorense: historia reciente de un viejo negocio. Scielo.org.mx. Retrieved 7 April 2022, from http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S1870-39252007000400004#:~:text=La%20agricultura%20de%20Sonora%20exhibe,en%20el%20patr%C3%B3n%20de%20cultivos.
Esperan buena cosecha de mango en Sonora - Tierra Fértil® Multimedia Agropecuaria. Tierra Fértil® Multimedia Agropecuaria. (2022). Retrieved 7 April 2022, from https://www.tierrafertil.com.mx/esperan-buena-cosecha-de-mango-en-sonora/.
La agricultura del sur de Sonora, pilar de la alimentación en el futuro – CIMMYT | IDP. Idp.cimmyt.org. (2022). Retrieved 7 April 2022, from https://idp.cimmyt.org/la-agricultura-del-sur-de-sonora-pilar-de-la-alimentacion-en-el-futuro/.
Principales hortalizas en Sonora, Edición Sonora Sur, 2do Nivel Centro de Gobierno - Hermosillo - Sonora http://oiapes.sagarhpa.sonora.gob.mx/notas/econo/10hortalizas.pdf
Agrodiario, MURCIA(2020). Análisis de suelos y fertilizantes como estrategia para obtener máximo rendimiento de los cultivos. Recuperado el 06/04/2022 de https://www.agrodiario.com/texto-diario/mostrar/2185894/analisis-suelos-fertilizantes-como-estrategia-obtener-maximo-rendimiento-cultivos
Comunidades Europeas © (2009). Relaciones entre los procesos de degradación del suelo, las prácticas agronómicas no perjudiciales para el suelo y las medidas adoptadas en relación con ello. Recuperado el 06/04/2022 de https://esdac.jrc.ec.europa.eu/projects/SOCO/FactSheets/ES%20Fact%20Sheet.pdf
Descargas
xfun::embed_file("ProduccionTotalNacional_2015-2020.xlsx")