Análisis y Evaluación Económica de la Producción Agrícola en el Estado de Sinaloa para el Año 2022 utilizando Ciencia de Datos
DOI:
https://doi.org/10.63728/riisds.v9i1.97Keywords:
Agricultural Production in Sinaloa, Data Science, ClusteringAbstract
Agriculture in Sinaloa plays a crucial role, significantly contributing to Mexico's agricultural economy. In this study, based on 2022 data from SIAP, data science techniques were used to analyze and evaluate agricultural production and its economic impact in Sinaloa. Through exploratory analysis, it was discovered that crops such as maize (Zea mays), sorghum (Sorghum bicolor), and beans (Phaseolus vulgaris) dominate in terms of planted area. On the other hand, in terms of production volume, maize (Zea mays) and alfalfa (Medicago sativa) stand out as the most produced. It is important to mention that, although tomato (Solanum lycopersicum) does not lead in extent or volume, it proved to be economically valuable, underlining its importance in the agricultural market. A correlation analysis revealed a strong relationship between planted area and production volume, indicating that larger areas generally produce higher volumes. Additionally, using the clustering technique, crops were segmented into three distinct groups, demonstrating the diversity of agriculture in Sinaloa. These groups range from small-scale plots to large-scale commercial crops. This study unravels the complexities of Sinaloan agriculture, highlights the importance of certain crops, and provides key insights for future analyses and agricultural policies.
References
Araujo, L. M. V., & Ponce, E. L. (2023). Estrategias de seguridad alimentaria: Contribuciones al desarrollo sostenible de jornaleras agrícolas de Navolato y El Fuerte, Sinaloa, México. Contextualizaciones Latinoamericanas, 2(29)
Araujo, L. M. V., Ramírez, L. T., & Bautista, J. C. C. (2022). Participación de mujeres de campos agrícolas en la seguridad alimentaria de sus familias y comunidades: estudio de una localidad en Navolato, Sinaloa, México. Margen: revista de trabajo social y ciencias sociales, (105), 9.
Bojorquez Camacho, O., y Bruno Fiscal, C. (2016). La paradoja de la economía Sinaloense en la globalización: Inseguridad alimentaria en el granero de México, 1994-2014. CONACYT.
Cota-Montes, D., Valenzuela-Losoya, F., & Adaid García-López, P. (2023). Identificación y caracterización de indicadores para evaluar la sustentabilidad ambiental en sistemas de producción agrícola en la zona del valle del municipio de Sinaloa. Ra Ximhai, 19.
Cuadras-Berrelleza, A. A., Peinado-Guevara, V. M., Peinado-Guevara, H. J., López-López, J. D. J., & Herrera-Barrientos, J. (2021). Agricultura intensiva y calidad de suelos: retos para el desarrollo sustentable en Sinaloa. Revista mexicana de ciencias agrícolas, 12(8), 1401-1414.
Cuadras-Berrelleza, A. A., Peinado-Guevara, V. M., Portillo-Molina, R., Ahumada-Cervantes, R., Belisario Leyva-Morales, J., José Peinado-Guevara, H., & Cervantes-Rosas, M. D. L. Á. (2021). Prácticas agrícolas y sustentabilidad en cultivos de maíz en Guasave, Sinaloa. Ra Ximhai, 17.
Giménez-Gallego, J., González-Teruel, J. D., Honorio Navarro-Hellín, A. B., Toledo-Moreo, F. S. V., & Torres-Sánchez, R. (2020). Segmentación de imagen de múltiples hojas de árboles con fondos naturales usando Deep Learning para aplicaciones en agricultura basadas en imagen. En II Simpósio Ibérico de Engenharia Hortícola 2020 (p. 64).
Hernández Santoyo, A., & Alcaraz Vera, J. V. (2021). Tendencia de cambio climático para la región Cuitzeo de Michoacán y su asociación con la producción de maíz de temporal.
Hinojosa Benavides, R. A., De la Cruz Marcos, R. N., & Espinoza Quispe, C. E. (2020). Revistas de ciencias agrícolas de Suramérica indexadas en SciELO: relación con indicadores de desarrollo de la agricultura. Información, Cultura y Sociedad, (43), 53-68
Hunter, J. D. (2023). Matplotlib: A 2D Graphics Environment, versión 3.8. Disponible en https://matplotlib.org/
McKinney, W. (2023). Pandas: Python Data Analysis Library, versión 2.1.4. Disponible en https://pandas.pydata.org/
Shahrin, F., Zahin, L., Rahman, R., Hossain, A. J., Kaf, A. H., & Azad, A. A. M. (2020, December). Agricultural analysis and crop yield prediction of habiganj using multispectral bands of satellite imagery with machine learning. In 2020 11th International Conference on Electrical and Computer Engineering (ICECE) (pp. 21-24). IEEE.
Ibarra, G. E. R. (2022). Agricultura de Precisión: La integración de las TIC en la producción Agrícola. Computer and Electronic Sciences: Theory and Applications, 3(1), 34-38.
Monsalve Solis, S. (2021). Agricultura de precisión en la predicción de la merma de defectos en cultivos de banano.
Python Software Foundation. (2023). Python Language Reference, versión 3.10. Disponible en https://www.python.org
Represa, N. S. (2020). Elaboración e implementación de una propuesta metodológica para la evaluación y gestión de la calidad del aire mediante el enfoque de la ciencia de datos (Doctoral dissertation, Universitat Politècnica de València).
Serra, S. (2021). Data Science for Agriculture. Revista del Grupo de Investigacion-ITDATA, 1(1), 19-20.
Servicio de Información Agroalimentaria y Pesquera (SIAP). (2022). Cierre agrícola por municipio 2022 (Versión 1.0) [Conjunto de datos]. Gobierno de México. http://infosiap.siap.gob.mx/gobmx/datosAbiertos.php
Waskom, M. (2023). Seaborn: Statistical Data Visualization, versión 0.13. Disponible en https://seaborn.pydata.org/
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2023 Revista Interdisciplinaria de Ingeniería Sustentable y Desarrollo Social
This work is licensed under a Creative Commons Attribution 4.0 International License.
