QR

La ganadería es una actividad que consiste en la cría, tratamiento y reproducción de animales domésticos con fines de producción y para el consumo humano. Entre la lista de animales que se utilizan podemos encontrar:

• Cerdos

• Vacas

• Pollos

• Borregos

• Abejas

• Entre otros

En México las actividades pecuarias siguen siendo de gran importancia, a tal grado que el país es el 6° productor mundial de ganadería primaria y el octavo en exportación de carne de res, debido a que los productos cumplen con estándares de calidad e inocuidad, lo que posiciona a méxico como un jugador importante en el mercado.

Vacas

Sonora alberga actualmente:

• 553 millones de aves

• 33,8 millones de bovinos

• 16,7 millones de cerdos

• 8,8 millones de ovejas

• 1,9 millones de colmenas

Servicio de Información Agroalimentaria y Pesquera (SIAP) (6 de marzo del 2018). La ganadería: símbolo de fortaleza del campo mexicano. Gobierno de México: https://www.gob.mx/siap/articulos/la-ganaderia-simbolo-de-fortaleza-del-campo-mexicano

Además estos animales brindan alimento a las familias mexicanas. La industria ganadera ha contribuido en gran medida al crecimiento, estabilidad y fortalecimiento de la economía mexicana.

El cambio climático se entiende como el cambio a lo largo del tiempo de las temperaturas y los patrones climáticos, estos pueden darse debido a la naturaleza. Pero desde el siglo XIX, las actividades humanas han sido el principal causante del cambio climático, debido a la producción de gasese de efecto invernadero.

Entre los principales causantes se encuentran:

• La energía de la industria

• El transporte

• Los edificios

• La agricultura

Las consecuencias del cambio climático incluyen, entre otras,

• Sequías intensas

• Escasez de agua

• Incendios graves

• Aumento del nivel del mar

• Inundaciones, deshielos de los polos

• Tormentas catastróficas

• Disminución de la biodiversidad.

Saiz, A. L. (2010). Ganadería y cambio climático: una influencia recíproca. GeoGraphos: Revista Digital Para Estudiantes de Geografía y Ciencias Sociales, 1(3), 1-22. Ritchie, Hannah (4 de febrero de 2019). Qué países del mundo consumen más carne (y hay uno de Latinoamérica). Extraido el 15 de mayo de 2022 de BBC News. Sitio web: https://www.bbc.com/mundo/noticias-47119001 ## Problemas de Sequía en Sonora

La Conagua expuso que la falta de precipitaciones ha ocasionado que en Sonora, al menos 50 municipios se encuentren anormalmente secos, 14 presentan sequía en nivel moderado y dos en una forma más severa. Esto afecta principalmente al sector agropecuario, donde se presentaron pérdidas de miles de cabezas de ganado, debido a la mortandad, venta o sacrifico.

Para producir un kilo de carne en Hermosillo, Sonora se necesitan entre 10 mil y 13 mil litros de agua, mientras que un kilo de trigo sólo requiere 1,500 litros.

En comparación:

• 8 Personas pueden comer de 1KG de carne.

• 150 Personas pueden comer de 1KG de trigo.

La huella hídrica de la carne de vacuno es seis veces mayor que el de las legumbres.

Bustos, Eduardo (25 de marzo de 2019). Producir un kilo de carne vacuna representa el consumo de 15,000 litros de agua. Extraido el 15 de mayo de 2022 de Noticias Agropecuarias. URL: https://www.noticiasagropecuarias.com/2019/03/25/un-kilo-de-carne-vacuna-cuesta-15-000-litros-de-agua/

Según un informe de Nestlé, filtrado por Wikileaks, muestra que el consumo excesivo de carne podría conducir a una escases de agua que podría afectar a un tercio de la población mundial para 2025, y alcanceremos una condición crítica para 2050.

Esto debido a que, para alimentar a 9,600 millones de personas en la Tierra para 2050, la producción de alimentos deberá aumentar en un 50%

Aristegui Noticias (2016) “El agua se agotaría en 2050: Wikileaks” https://aristeguinoticias.com/0405/kiosko/el-agua-se-agotaria-en-2050-wikileaks/

A medida que el sector ganadero se desarrolla, sus requerimientos de tierra y recursos cambian, afectando al uso de la tierra y los patrones de distribución geográfica.

La ganadería emite cantidades considerables de gases de efecto invernadero como lo son:

• Dióxido de carbono (CO2)

• Metano (CH4)

• Óxido Nitroso (N20)

Los cuales contribuyen de manera importante al cambio climático.

A nivel mundial, sólo la producción de carne y leche bovino es responsable de la mayoría de las emisiones, se le atribuye el 41% y el 29% respectivamente de las emisiones de este sector.

El impacto del cambio climático en los sistemas extensivos se traduce en la menor disponibilidad de alimentos, por consecuencia de la disminución de la producción agrícola y la insuficiencia de condiciones para mantener a la producción pecuaria que requiere amplias cantidades de pastizales para mantener al ganado, lo que, en suma, deriva en una dieta pobre en nutrientes para las poblaciones más vulnerables.

## Installing package into 'C:/Users/luisg/Documents/R/win-library/4.1'
## (as 'lib' is unspecified)

## Warning: package 'read_excel' is not available for this version of R
## 
## A version of this package for your version of R might be available elsewhere,
## see the ideas at
## https://cran.r-project.org/doc/manuals/r-patched/R-admin.html#Installing-packages

## Warning: unable to access index for repository http://www.stats.ox.ac.uk/pub/RWin/bin/windows/contrib/4.1:
##   no fue posible abrir la URL 'http://www.stats.ox.ac.uk/pub/RWin/bin/windows/contrib/4.1/PACKAGES'

## Warning: 'BiocManager' not available.  Could not check Bioconductor.
## 
## Please use `install.packages('BiocManager')` and then retry.

## Warning in p_install(package, character.only = TRUE, ...):

## Warning in library(package, lib.loc = lib.loc, character.only = TRUE,
## logical.return = TRUE, : there is no package called 'read_excel'

## Installing package into 'C:/Users/luisg/Documents/R/win-library/4.1'
## (as 'lib' is unspecified)

## Warning: package 'read_excel' is not available for this version of R
## 
## A version of this package for your version of R might be available elsewhere,
## see the ideas at
## https://cran.r-project.org/doc/manuals/r-patched/R-admin.html#Installing-packages

## Warning: unable to access index for repository http://www.stats.ox.ac.uk/pub/RWin/bin/windows/contrib/4.1:
##   no fue posible abrir la URL 'http://www.stats.ox.ac.uk/pub/RWin/bin/windows/contrib/4.1/PACKAGES'

## Warning: 'BiocManager' not available.  Could not check Bioconductor.
## 
## Please use `install.packages('BiocManager')` and then retry.

## Warning in p_install(package, character.only = TRUE, ...):

## Warning in library(package, lib.loc = lib.loc, character.only = TRUE,
## logical.return = TRUE, : there is no package called 'read_excel'

## Warning in p_load("xfun", "ggplot2", "readr", "plotly", "readxl", "DT", : Failed to install/load:
## read_excel, read_excel

Viendo esta relación gráficamente

##     Temperatura_Maxima_Promedio_Celsius
## 1                                  20.0
## 2                                  20.1
## 3                                  20.2
## 4                                  20.3
## 5                                  20.4
## 6                                  20.5
## 7                                  20.6
## 8                                  20.7
## 9                                  20.8
## 10                                 20.9
## 11                                 21.0
## 12                                 21.1
## 13                                 21.2
## 14                                 21.3
## 15                                 21.4
## 16                                 21.5
## 17                                 21.6
## 18                                 21.7
## 19                                 21.8
## 20                                 21.9
## 21                                 22.0
## 22                                 22.1
## 23                                 22.2
## 24                                 22.3
## 25                                 22.4
## 26                                 22.5
## 27                                 22.6
## 28                                 22.7
## 29                                 22.8
## 30                                 22.9
## 31                                 23.0
## 32                                 23.1
## 33                                 23.2
## 34                                 23.3
## 35                                 23.4
## 36                                 23.5
## 37                                 23.6
## 38                                 23.7
## 39                                 23.8
## 40                                 23.9
## 41                                 24.0
## 42                                 24.1
## 43                                 24.2
## 44                                 24.3
## 45                                 24.4
## 46                                 24.5
## 47                                 24.6
## 48                                 24.7
## 49                                 24.8
## 50                                 24.9
## 51                                 25.0
## 52                                 25.1
## 53                                 25.2
## 54                                 25.3
## 55                                 25.4
## 56                                 25.5
## 57                                 25.6
## 58                                 25.7
## 59                                 25.8
## 60                                 25.9
## 61                                 26.0
## 62                                 26.1
## 63                                 26.2
## 64                                 26.3
## 65                                 26.4
## 66                                 26.5
## 67                                 26.6
## 68                                 26.7
## 69                                 26.8
## 70                                 26.9
## 71                                 27.0
## 72                                 27.1
## 73                                 27.2
## 74                                 27.3
## 75                                 27.4
## 76                                 27.5
## 77                                 27.6
## 78                                 27.7
## 79                                 27.8
## 80                                 27.9
## 81                                 28.0
## 82                                 28.1
## 83                                 28.2
## 84                                 28.3
## 85                                 28.4
## 86                                 28.5
## 87                                 28.6
## 88                                 28.7
## 89                                 28.8
## 90                                 28.9
## 91                                 29.0
## 92                                 29.1
## 93                                 29.2
## 94                                 29.3
## 95                                 29.4
## 96                                 29.5
## 97                                 29.6
## 98                                 29.7
## 99                                 29.8
## 100                                29.9
## 101                                30.0
## 102                                30.1
## 103                                30.2
## 104                                30.3
## 105                                30.4
## 106                                30.5
## 107                                30.6
## 108                                30.7
## 109                                30.8
## 110                                30.9
## 111                                31.0
## 112                                31.1
## 113                                31.2
## 114                                31.3
## 115                                31.4
## 116                                31.5
## 117                                31.6
## 118                                31.7
## 119                                31.8
## 120                                31.9
## 121                                32.0
## 122                                32.1
## 123                                32.2
## 124                                32.3
## 125                                32.4
## 126                                32.5
## 127                                32.6
## 128                                32.7
## 129                                32.8
## 130                                32.9
## 131                                33.0
## 132                                33.1
## 133                                33.2
## 134                                33.3
## 135                                33.4
## 136                                33.5
## 137                                33.6
## 138                                33.7
## 139                                33.8
## 140                                33.9
## 141                                34.0
## 142                                34.1
## 143                                34.2
## 144                                34.3
## 145                                34.4
## 146                                34.5
## 147                                34.6
## 148                                34.7
## 149                                34.8
## 150                                34.9
## 151                                35.0

## 
## Call:
## glm(formula = Sequia ~ Temperatura_Maxima_Promedio_Celsius, family = binomial, 
##     data = datosL)
## 
## Deviance Residuals: 
##      Min        1Q    Median        3Q       Max  
## -1.53102  -1.04325   0.06474   1.09614   1.48535  
## 
## Coefficients:
##                                     Estimate Std. Error z value Pr(>|z|)
## (Intercept)                          -6.4842     4.0269   -1.61    0.107
## Temperatura_Maxima_Promedio_Celsius   0.2208     0.1363    1.62    0.105
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 44.361  on 31  degrees of freedom
## Residual deviance: 41.445  on 30  degrees of freedom
## AIC: 45.445
## 
## Number of Fisher Scoring iterations: 4

Representación gráfica del ajuste:

A simple vista, podemos observar que entre mayor temperatura tenemos, más problemas de sequías se sufren, por lo que podemos pensar que las temperaturas máximas tienen cierta influencia para determinar si un estado presenta problemas de sequía o no. Ahora procederemos a crear un modelo con el uso de la regresión logística para comprobar si realmente existe una correlación entre ambas variables.

## 
## Call:
## glm(formula = Sequia ~ Temperatura_Maxima_Promedio_Celsius, family = binomial, 
##     data = datosL)
## 
## Deviance Residuals: 
##      Min        1Q    Median        3Q       Max  
## -1.53102  -1.04325   0.06474   1.09614   1.48535  
## 
## Coefficients:
##                                     Estimate Std. Error z value Pr(>|z|)
## (Intercept)                          -6.4842     4.0269   -1.61    0.107
## Temperatura_Maxima_Promedio_Celsius   0.2208     0.1363    1.62    0.105
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 44.361  on 31  degrees of freedom
## Residual deviance: 41.445  on 30  degrees of freedom
## AIC: 45.445
## 
## Number of Fisher Scoring iterations: 4

## Warning: `data_frame()` was deprecated in tibble 1.1.0.
## Please use `tibble()` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was generated.

##                                     Promedio IVF     MM
## Promedio IVF                               1.000 -0.010
## MM                                        -0.010  1.000
## Temperatura_Minima_Promedio_Celsius        0.004  0.551
## Temperatura_Media_Promedio_Celsius         0.029  0.488
## Temperatura_Maxima_Promedio_Celsius        0.081  0.379
##                                     Temperatura_Minima_Promedio_Celsius
## Promedio IVF                                                      0.004
## MM                                                                0.551
## Temperatura_Minima_Promedio_Celsius                               1.000
## Temperatura_Media_Promedio_Celsius                                0.984
## Temperatura_Maxima_Promedio_Celsius                               0.865
##                                     Temperatura_Media_Promedio_Celsius
## Promedio IVF                                                     0.029
## MM                                                               0.488
## Temperatura_Minima_Promedio_Celsius                              0.984
## Temperatura_Media_Promedio_Celsius                               1.000
## Temperatura_Maxima_Promedio_Celsius                              0.929
##                                     Temperatura_Maxima_Promedio_Celsius
## Promedio IVF                                                      0.081
## MM                                                                0.379
## Temperatura_Minima_Promedio_Celsius                               0.865
## Temperatura_Media_Promedio_Celsius                                0.929
## Temperatura_Maxima_Promedio_Celsius                               1.000

## 
## Call:
## lm(formula = datosC$`Promedio IVF` ~ datosC$MM, data = datosC)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -33.181 -10.610  -2.714   6.522  85.829 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  1.121e+02  2.808e+00  39.921   <2e-16 ***
## datosC$MM   -3.878e-04  2.785e-03  -0.139    0.889    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 18.39 on 190 degrees of freedom
## Multiple R-squared:  0.0001021,  Adjusted R-squared:  -0.005161 
## F-statistic: 0.0194 on 1 and 190 DF,  p-value: 0.8894

• –> Como podemos observar, los MM influyen en un poco con el índice de Volumen Físico, pudiendo predecir el 11% de la variabilidad del mismo.

Modelo Ajustado

## 
## Call:
## lm(formula = datosC$`Promedio IVF` ~ datosC$Temperatura_Minima_Promedio_Celsius + 
##     datosC$Temperatura_Maxima_Promedio_Celsius, data = datosC)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -32.263 -10.625  -1.816   4.544  85.768 
## 
## Coefficients:
##                                            Estimate Std. Error t value Pr(>|t|)
## (Intercept)                                 72.6232    18.6661   3.891 0.000138
## datosC$Temperatura_Minima_Promedio_Celsius  -1.0757     0.5876  -1.831 0.068707
## datosC$Temperatura_Maxima_Promedio_Celsius   1.8783     0.8733   2.151 0.032755
##                                               
## (Intercept)                                ***
## datosC$Temperatura_Minima_Promedio_Celsius .  
## datosC$Temperatura_Maxima_Promedio_Celsius *  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 18.22 on 189 degrees of freedom
## Multiple R-squared:  0.02391,    Adjusted R-squared:  0.01358 
## F-statistic: 2.315 on 2 and 189 DF,  p-value: 0.1016

• Como podemos observar, el nuevo modelo ajustado es capaz de describir de una peor manera el promedio del IVF con una exactitud de 80.94%, esto supone una mejora a nustro modelo anterior.

## Series: train_datosVolumen 
## ARIMA(0,1,0) 
## 
## sigma^2 = 43712678:  log likelihood = -112.37
## AIC=226.74   AICc=227.19   BIC=227.14
## 
## Training set error measures:
##                    ME     RMSE      MAE      MPE     MAPE     MASE       ACF1
## Training set 371.5695 6330.083 5325.005 0.163627 3.773122 0.712366 -0.1142822

La ganadería se ve afectada por el cambio climático en forma de baja producción, pero también la ganadería contribuye al cambio climático, por lo que esto es un ciclo destructivo para ambos casos, por lo que es necesario realizar un cambio a la manera tradicional de producir carne porque la forma de hacer ganadería actualmente resulta insostenible a futuro, ya sea por culpa del cambio climático que resulte insostenible mantener la producción y cría de animales en ciertos territorios o a causa de sequías que actualmente afectan a cierta parte del país.