Descripción del proyecto¶
El presente proyecto analiza la población de la Apis Mellifera en dos países diferentes (Costa Rica y Brasil) según su relación con variables climáticas para poder determinar la correlación que existe.
Justificación¶
Las abejas cumplen un rol fundamental en la polinización natural de cultivos agrícolas y de las plantas. Sin embargo, las poblaciones de estas se están reduciendo drásticamente en los ecosistemas por diversos factores. La Apis mellifera es una especie de abeja que se está viendo fuertemente afectada debido a múltiples factores relacionados con el cambio climático, las malas prácticas y la disminución de los hábitats. (Sevilla et al, 2023). La Apis mellifera fue introducida tanto en Costa Rica como en Brasil, sin embargo, las poblaciones evolucionaron de manera distinta debido a las condiciones ambientales como precipitación, temperatura y vegetación, de esta manera, realizar esta comparación ayuda a entender las preferencias de esta especie y su capacidad de adaptación.
Antecedentes¶
Las abejas de origen africano Apis mellifera se introdujeron en Brasil en 1956 con el propósito de obtener una línea de abejas mejor adaptada a las condiciones tropicales y altamente productora de miel. Sin embargo, 26 enjambres con sus reinas africanas se cruzaron con abejas de origen europeo lo que generó un híbrido que dio como resultado a la denominada abeja africanizada, posteriormente estas poblaciones se desplazaron a países del Sur y Centroamérica, originando este proceso de africanización que reemplazo a las poblaciones de abejas europeas (Guzmán et al, 2011). En Costa Rica los primeros enjambres de estas abejas africanizadas se reportaron en 1983 (Spivak et al, 1991). Las abejas africanizadas se caracterizan por ser más enjambradoras que las europeas (Calderón et al, 2019). Poseen una tasa elevada de reproducción y enjambrazón, lo cual ha favorecido la colonización de las diferentes regiones tropicales del continente americano (Guzmán et al, 2011). Lastimosamente, durante los últimos años se han reportado considerables pérdidas en el número de colmenas de estas abejas (Martínez et al, 2011). Diversos estudios previos han demostrado que las condiciones climáticas y ambientales han influido en el comportamiento higiénico de las poblaciones de abejas melliferas. El comportamiento higiénico de las abejas es un mecanismo altamente influenciado por efectos genéticos que les confiere a las abejas resistencia contra enfermedades y parásitos (Tapia et al, 2021). Estos estudios realizados determinan que las colonias establecidas en regiones más cálidas y a menor altitud poseen mayores grados de comportamiento higiénico (Tapia et al, 2011).
Descripción del problema y objetivo¶
Como problemática se tiene la reducción significativa de la población en diferentes ecosistemas debido a factores como cambio climático, la reducción de hábitats y las malas prácticas agrícolas. A pesar de ser una especie introducida para Costa Rica y Brasil ha experimentado diversos patrones de evolución diferentes según las condiciones climáticas locales como la precipitación, la vegetación y la temperatura. Es de suma importancia analizar estas diferencias para poder entender mejor a la especie y de esta manera determinar patrones de adaptación y supervivencia, ofreciendo información importante para mitigar la pérdida de esta especie clave en el ecosistema.
Objetivo: El principal objetivo del proyecto es analizar la relación entre poblaciones de Apis mellifera en Costa Rica y Brasil según las variables climáticas de cada país para determinar la correlación entre las variables y así determinar la adaptación de la especie en dichos entornos.
Base de datos¶
Para los datos biológicos (observaciones de Apis mellifera) se utilizó la base de datos de Global Biodiversity Information Facility (GBIF) para el país de Costa Rica y Brasil. Los datos fueron filtrados para incluir únicamente las observaciones registradas desde el año 2000 hasta el presente y también los datos que tuvieran coordenadas geográficas.
Para los datos ambientales de temperatura promedio y precipitación se utilizó la base de datos de WorldClim versión 2.1 , los cuales consisten en datos climáticos globales, históricos (desde 1970 hasta el 2000), que fueron descargados con una resolución espacial de 30 s (aproximadamente 1km x 1km).
Además, se utilizaron las capas geográficas de Costa Rica y de Brasil de la base de datos de GADM (https://gadm.org/data.html), versión 4.1.
Preprocesamiento y visualización¶
# Librerias necesarias para realizar el proyecto
import pandas as pd
import geopandas as gpd
from sklearn.preprocessing import StandardScaler
import numpy as np
from matplotlib import pyplot as plt
!pip install rasterio
import os
import rasterio
from rasterio.plot import show
!pip install rioxarray
import rioxarray as rxr
from rasterio.features import geometry_mask
import seaborn as sns
from shapely.geometry import Point
Requirement already satisfied: rasterio in /usr/local/lib/python3.10/dist-packages (1.3.11) Requirement already satisfied: affine in /usr/local/lib/python3.10/dist-packages (from rasterio) (2.4.0) Requirement already satisfied: attrs in /usr/local/lib/python3.10/dist-packages (from rasterio) (24.2.0) Requirement already satisfied: certifi in /usr/local/lib/python3.10/dist-packages (from rasterio) (2024.8.30) Requirement already satisfied: click>=4.0 in /usr/local/lib/python3.10/dist-packages (from rasterio) (8.1.7) Requirement already satisfied: cligj>=0.5 in /usr/local/lib/python3.10/dist-packages (from rasterio) (0.7.2) Requirement already satisfied: numpy in /usr/local/lib/python3.10/dist-packages (from rasterio) (1.26.4) Requirement already satisfied: snuggs>=1.4.1 in /usr/local/lib/python3.10/dist-packages (from rasterio) (1.4.7) Requirement already satisfied: click-plugins in /usr/local/lib/python3.10/dist-packages (from rasterio) (1.1.1) Requirement already satisfied: setuptools in /usr/local/lib/python3.10/dist-packages (from rasterio) (71.0.4) Requirement already satisfied: pyparsing>=2.1.6 in /usr/local/lib/python3.10/dist-packages (from snuggs>=1.4.1->rasterio) (3.1.4) Requirement already satisfied: rioxarray in /usr/local/lib/python3.10/dist-packages (0.17.0) Requirement already satisfied: packaging in /usr/local/lib/python3.10/dist-packages (from rioxarray) (24.1) Requirement already satisfied: rasterio>=1.3 in /usr/local/lib/python3.10/dist-packages (from rioxarray) (1.3.11) Requirement already satisfied: xarray>=2022.3.0 in /usr/local/lib/python3.10/dist-packages (from rioxarray) (2024.9.0) Requirement already satisfied: pyproj>=3.3 in /usr/local/lib/python3.10/dist-packages (from rioxarray) (3.6.1) Requirement already satisfied: numpy>=1.23 in /usr/local/lib/python3.10/dist-packages (from rioxarray) (1.26.4) Requirement already satisfied: certifi in /usr/local/lib/python3.10/dist-packages (from pyproj>=3.3->rioxarray) (2024.8.30) Requirement already satisfied: affine in /usr/local/lib/python3.10/dist-packages (from rasterio>=1.3->rioxarray) (2.4.0) Requirement already satisfied: attrs in /usr/local/lib/python3.10/dist-packages (from rasterio>=1.3->rioxarray) (24.2.0) Requirement already satisfied: click>=4.0 in /usr/local/lib/python3.10/dist-packages (from rasterio>=1.3->rioxarray) (8.1.7) Requirement already satisfied: cligj>=0.5 in /usr/local/lib/python3.10/dist-packages (from rasterio>=1.3->rioxarray) (0.7.2) Requirement already satisfied: snuggs>=1.4.1 in /usr/local/lib/python3.10/dist-packages (from rasterio>=1.3->rioxarray) (1.4.7) Requirement already satisfied: click-plugins in /usr/local/lib/python3.10/dist-packages (from rasterio>=1.3->rioxarray) (1.1.1) Requirement already satisfied: setuptools in /usr/local/lib/python3.10/dist-packages (from rasterio>=1.3->rioxarray) (71.0.4) Requirement already satisfied: pandas>=2.1 in /usr/local/lib/python3.10/dist-packages (from xarray>=2022.3.0->rioxarray) (2.1.4) Requirement already satisfied: python-dateutil>=2.8.2 in /usr/local/lib/python3.10/dist-packages (from pandas>=2.1->xarray>=2022.3.0->rioxarray) (2.8.2) Requirement already satisfied: pytz>=2020.1 in /usr/local/lib/python3.10/dist-packages (from pandas>=2.1->xarray>=2022.3.0->rioxarray) (2024.2) Requirement already satisfied: tzdata>=2022.1 in /usr/local/lib/python3.10/dist-packages (from pandas>=2.1->xarray>=2022.3.0->rioxarray) (2024.1) Requirement already satisfied: pyparsing>=2.1.6 in /usr/local/lib/python3.10/dist-packages (from snuggs>=1.4.1->rasterio>=1.3->rioxarray) (3.1.4) Requirement already satisfied: six>=1.5 in /usr/local/lib/python3.10/dist-packages (from python-dateutil>=2.8.2->pandas>=2.1->xarray>=2022.3.0->rioxarray) (1.16.0)
# Cargar datos biológicos
df = pd.read_csv("/content/Apis mellifera_CostaRica_Brasil.csv",
delimiter='\t')
print(df.columns)
Index(['gbifID', 'datasetKey', 'occurrenceID', 'kingdom', 'phylum', 'class',
'order', 'family', 'genus', 'species', 'infraspecificEpithet',
'taxonRank', 'scientificName', 'verbatimScientificName',
'verbatimScientificNameAuthorship', 'countryCode', 'locality',
'stateProvince', 'occurrenceStatus', 'individualCount',
'publishingOrgKey', 'decimalLatitude', 'decimalLongitude',
'coordinateUncertaintyInMeters', 'coordinatePrecision', 'elevation',
'elevationAccuracy', 'depth', 'depthAccuracy', 'eventDate', 'day',
'month', 'year', 'taxonKey', 'speciesKey', 'basisOfRecord',
'institutionCode', 'collectionCode', 'catalogNumber', 'recordNumber',
'identifiedBy', 'dateIdentified', 'license', 'rightsHolder',
'recordedBy', 'typeStatus', 'establishmentMeans', 'lastInterpreted',
'mediaType', 'issue'],
dtype='object')
# Filtrar datos por pais
df_costa_rica = df[df['countryCode'] == 'CR']
df_costa_rica
| gbifID | datasetKey | occurrenceID | kingdom | phylum | class | order | family | genus | species | ... | identifiedBy | dateIdentified | license | rightsHolder | recordedBy | typeStatus | establishmentMeans | lastInterpreted | mediaType | issue | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 50 | 4937261335 | 50c9509d-22c7-4a22-a47d-8c48425ef4a7 | https://www.inaturalist.org/observations/23928... | Animalia | Arthropoda | Insecta | Hymenoptera | Apidae | Apis | Apis mellifera | ... | Orlaith | 2024-09-02T10:03:18 | CC_BY_NC_4_0 | Orlaith | Orlaith | NaN | NaN | 2024-09-12T19:54:58.547Z | StillImage | COORDINATE_ROUNDED;CONTINENT_DERIVED_FROM_COOR... |
| 61 | 4936986884 | 50c9509d-22c7-4a22-a47d-8c48425ef4a7 | https://www.inaturalist.org/observations/23933... | Animalia | Arthropoda | Insecta | Hymenoptera | Apidae | Apis | Apis mellifera | ... | Bruce Coto R | 2024-09-02T05:32:49 | CC_BY_NC_4_0 | Bruce Coto R | Bruce Coto R | NaN | NaN | 2024-09-12T19:47:38.778Z | StillImage | COORDINATE_ROUNDED;CONTINENT_DERIVED_FROM_COOR... |
| 66 | 4936818036 | 50c9509d-22c7-4a22-a47d-8c48425ef4a7 | https://www.inaturalist.org/observations/11947... | Animalia | Arthropoda | Insecta | Hymenoptera | Apidae | Apis | Apis mellifera | ... | Selena González Aragón | 2022-05-30T20:25:34 | CC_BY_NC_4_0 | Selena González Aragón | Selena González Aragón | NaN | NaN | 2024-09-12T18:20:46.763Z | StillImage | COORDINATE_ROUNDED;CONTINENT_DERIVED_FROM_COOR... |
| 69 | 4936647470 | 50c9509d-22c7-4a22-a47d-8c48425ef4a7 | https://www.inaturalist.org/observations/66475909 | Animalia | Arthropoda | Insecta | Hymenoptera | Apidae | Apis | Apis mellifera | ... | Jorge Arturo Bogantes Montero | 2020-12-12T18:38:57 | CC_BY_NC_4_0 | Jorge Arturo Bogantes Montero | Jorge Arturo Bogantes Montero | NaN | NaN | 2024-09-12T19:01:38.345Z | StillImage | COORDINATE_ROUNDED;CONTINENT_DERIVED_FROM_COOR... |
| 80 | 4936416451 | 50c9509d-22c7-4a22-a47d-8c48425ef4a7 | https://www.inaturalist.org/observations/68559870 | Animalia | Arthropoda | Insecta | Hymenoptera | Apidae | Apis | Apis mellifera | ... | Jorge Arturo Bogantes Montero | 2021-01-24T19:35:10 | CC_BY_NC_4_0 | Jorge Arturo Bogantes Montero | Jorge Arturo Bogantes Montero | NaN | NaN | 2024-09-12T18:08:35.488Z | StillImage | COORDINATE_ROUNDED;CONTINENT_DERIVED_FROM_COOR... |
| ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
| 6880 | 1255571529 | 3e9817c1-8302-4955-87e3-a408db0ea379 | urn:catalog:INB:Atta:3072955 | Animalia | Arthropoda | Insecta | Hymenoptera | Apidae | Apis | Apis mellifera | ... | Brooks, R. W. | NaN | CC0_1_0 | NaN | Didier Rubí | NaN | NaN | 2024-09-18T15:09:53.612Z | NaN | COORDINATE_ROUNDED;CONTINENT_INVALID;CONTINENT... |
| 6881 | 1255554315 | 3e9817c1-8302-4955-87e3-a408db0ea379 | urn:catalog:INB:Atta:3083043 | Animalia | Arthropoda | Insecta | Hymenoptera | Apidae | Apis | Apis mellifera | ... | Brooks, R. W. | NaN | CC0_1_0 | NaN | Didier Rubí | NaN | NaN | 2024-09-18T15:10:39.154Z | NaN | COORDINATE_ROUNDED;CONTINENT_INVALID;CONTINENT... |
| 6882 | 1255554312 | 3e9817c1-8302-4955-87e3-a408db0ea379 | urn:catalog:INB:Atta:3083042 | Animalia | Arthropoda | Insecta | Hymenoptera | Apidae | Apis | Apis mellifera | ... | Brooks, R. W. | NaN | CC0_1_0 | NaN | Didier Rubí | NaN | NaN | 2024-09-18T15:10:34.700Z | NaN | COORDINATE_ROUNDED;CONTINENT_INVALID;CONTINENT... |
| 6883 | 1255554237 | 3e9817c1-8302-4955-87e3-a408db0ea379 | urn:catalog:INB:Atta:3083010 | Animalia | Arthropoda | Insecta | Hymenoptera | Apidae | Apis | Apis mellifera | ... | Brooks, R. W. | NaN | CC0_1_0 | NaN | Didier Rubí | NaN | NaN | 2024-09-18T15:09:53.277Z | NaN | COORDINATE_ROUNDED;CONTINENT_INVALID;CONTINENT... |
| 6884 | 1249291469 | 50c9509d-22c7-4a22-a47d-8c48425ef4a7 | http://www.inaturalist.org/observations/2665398 | Animalia | Arthropoda | Insecta | Hymenoptera | Apidae | Apis | Apis mellifera | ... | Sam Kieschnick | 2016-02-10T21:50:43 | CC_BY_NC_4_0 | Greg Lasley | Greg Lasley | NaN | NaN | 2024-09-12T18:50:30.743Z | StillImage | CONTINENT_DERIVED_FROM_COORDINATES;TAXON_MATCH... |
1020 rows × 50 columns
# Filtrar datos por país
df_brasil = df[df['countryCode'] == 'BR']
df_brasil
| gbifID | datasetKey | occurrenceID | kingdom | phylum | class | order | family | genus | species | ... | identifiedBy | dateIdentified | license | rightsHolder | recordedBy | typeStatus | establishmentMeans | lastInterpreted | mediaType | issue | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 4941014632 | 4d5afc88-2ce0-4f13-9a5a-47a0e571127d | https://specieslink.net/guid/288/25702 | Animalia | Arthropoda | Insecta | Hymenoptera | Apidae | Apis | Apis mellifera | ... | NaN | NaN | CC_BY_4_0 | Coleção de Insetos | NaN | NaN | NaN | 2024-09-16T15:02:42.202Z | NaN | COORDINATE_ROUNDED;INSTITUTION_MATCH_NONE |
| 1 | 4941014630 | 4d5afc88-2ce0-4f13-9a5a-47a0e571127d | https://specieslink.net/guid/288/25703 | Animalia | Arthropoda | Insecta | Hymenoptera | Apidae | Apis | Apis mellifera | ... | NaN | NaN | CC_BY_4_0 | Coleção de Insetos | NaN | NaN | NaN | 2024-09-16T15:02:42.201Z | NaN | COORDINATE_ROUNDED;INSTITUTION_MATCH_NONE |
| 2 | 4941014624 | 4d5afc88-2ce0-4f13-9a5a-47a0e571127d | https://specieslink.net/guid/288/25700 | Animalia | Arthropoda | Insecta | Hymenoptera | Apidae | Apis | Apis mellifera | ... | NaN | NaN | CC_BY_4_0 | Coleção de Insetos | NaN | NaN | NaN | 2024-09-16T15:02:42.199Z | NaN | COORDINATE_ROUNDED;INSTITUTION_MATCH_NONE |
| 3 | 4941014623 | 4d5afc88-2ce0-4f13-9a5a-47a0e571127d | https://specieslink.net/guid/288/25701 | Animalia | Arthropoda | Insecta | Hymenoptera | Apidae | Apis | Apis mellifera | ... | NaN | NaN | CC_BY_4_0 | Coleção de Insetos | NaN | NaN | NaN | 2024-09-16T15:02:42.200Z | NaN | COORDINATE_ROUNDED;INSTITUTION_MATCH_NONE |
| 4 | 4941014578 | 4d5afc88-2ce0-4f13-9a5a-47a0e571127d | https://specieslink.net/guid/288/59055 | Animalia | Arthropoda | Insecta | Hymenoptera | Apidae | Apis | Apis mellifera | ... | NaN | 2017-01-01T00:00:00 | CC_BY_4_0 | Coleção de Insetos | L.A.G. Gagliardi-Urrutia | NaN | NaN | 2024-09-16T15:02:42.193Z | NaN | INSTITUTION_MATCH_NONE |
| ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
| 6545 | 131325141 | 86aba78e-f762-11e1-a439-00145eb45e9a | BRA:USP:CEPANN:25508 | Animalia | Arthropoda | Insecta | Hymenoptera | Apidae | Apis | Apis mellifera | ... | NaN | NaN | CC_BY_NC_4_0 | CEPANN - Coleção Entomológica Paulo Nogueira-N... | R. Matos | NaN | NaN | 2024-09-06T13:07:32.488Z | NaN | GEODETIC_DATUM_ASSUMED_WGS84;AMBIGUOUS_INSTITU... |
| 6546 | 131325106 | 86aba78e-f762-11e1-a439-00145eb45e9a | BRA:USP:CEPANN:25281 | Animalia | Arthropoda | Insecta | Hymenoptera | Apidae | Apis | Apis mellifera | ... | NaN | NaN | CC_BY_NC_4_0 | CEPANN - Coleção Entomológica Paulo Nogueira-N... | - | NaN | NaN | 2024-09-06T13:07:32.958Z | NaN | GEODETIC_DATUM_ASSUMED_WGS84;AMBIGUOUS_INSTITU... |
| 6547 | 1305169590 | 50c9509d-22c7-4a22-a47d-8c48425ef4a7 | http://www.inaturalist.org/observations/3987682 | Animalia | Arthropoda | Insecta | Hymenoptera | Apidae | Apis | Apis mellifera | ... | marisalisboa | 2016-08-29T16:55:31 | CC_BY_NC_4_0 | marisalisboa | marisalisboa | NaN | NaN | 2024-09-12T17:52:25.491Z | StillImage | COORDINATE_ROUNDED;CONTINENT_DERIVED_FROM_COOR... |
| 6548 | 1291164981 | 50c9509d-22c7-4a22-a47d-8c48425ef4a7 | http://www.inaturalist.org/observations/3804482 | Animalia | Arthropoda | Insecta | Hymenoptera | Apidae | Apis | Apis mellifera | ... | Caren Queiroz | 2016-08-04T22:22:26 | CC_BY_NC_4_0 | Caren Queiroz | Caren Queiroz | NaN | NaN | 2024-09-12T18:50:32.367Z | StillImage | CONTINENT_DERIVED_FROM_COORDINATES;TAXON_MATCH... |
| 6550 | 1265596225 | 50c9509d-22c7-4a22-a47d-8c48425ef4a7 | http://www.inaturalist.org/observations/3026159 | Animalia | Arthropoda | Insecta | Hymenoptera | Apidae | Apis | Apis mellifera | ... | Johnny Wilson | 2016-04-25T01:47:18 | CC_BY_NC_4_0 | Johnny Wilson | Johnny Wilson | NaN | NaN | 2024-09-12T18:52:53.112Z | NaN | COORDINATE_ROUNDED;CONTINENT_DERIVED_FROM_COOR... |
5865 rows × 50 columns
# Análisis de observaciones de Apis mellifera por año en Costa Rica
df_costa_rica['year'].hist()
# Título del grafico
plt.title('Observaciones de A. mellifera por año en Costa Rica')
# Etiqueta del eje X
plt.xlabel('Año')
# Etiqueta del eje Y
plt.ylabel('Frecuencia')
# Quitar cuadrícula
plt. grid(False)
plt.show()
El gráfico representa la frecuencia de observaciones de Apis mellifera en Costa Rica a través de los años. Comenzando en el año 2000 con alrededor de 50 observaciones y manteniendo estas frecuencias hasta el año 2017 donde ya se comienza a apreciar un incremento significativo en las observaciones. Presentandose los mayores datos de observación de A. mellifera desde el 2022 y 2024.
# Analisis de observaciones de *Apis mellifera* por año en Brasil
df_brasil['year'].hist()
# Título del grafico
plt.title('Observaciones de A. mellifera por año en Brasil')
# Etiqueta del eje X
plt.xlabel('Año')
# Etiqueta del eje Y
plt.ylabel('Frecuencia')
# Quitar cuadrícula
plt. grid(False)
plt.show()
El gráfico muestra como las observaciones de la especie Apis mellifera han cambiado a lo largo de los años en Brasil. En la figura se muestra la frecuencia de observaciones, empezando en el año 2000 con alrededor de 1750 observaciones y luego disminuyendo a 250 durante el 2005. Presentandose un fuerte incremento en el 2020 con alrededor de 1750 observaciones. Estas variaciones podrían sugerir patrones o tendencias en la presencia o visibilidad de A.mellifera a lo largo del tiempo.
# Crear GeodDataframe con las coordenadas de los puntos en Costa Rica
obs_points_cr = gpd.points_from_xy(df_costa_rica.decimalLongitude,df_costa_rica.decimalLatitude)
gdf_cr = gpd.GeoDataFrame(df_costa_rica, geometry=obs_points_cr)
# Grafico de Costa Rica con los puntos de observaciones
mapa_cr= gpd.read_file('/content/gadm41_CRI_1.shp')
lienzo_cr = mapa_cr.plot(
figsize = (10,15),
color="green",
edgecolor="black",
linewidth = 0.6)
gdf_cr.plot(ax=lienzo_cr, color="black")
<Axes: >
En la figura se pueden observar la distribución de la especie Apis mellifera en Costa Rica, presentandose una mayor concentración en la parte central del país, cerca de la Cordillera Central.
# Crear GeodDataframe con las coordenadas de los puntos en Brasil
obs_points_br = gpd.points_from_xy(df_brasil.decimalLongitude,df_brasil.decimalLatitude)
gdf_br = gpd.GeoDataFrame(df_brasil, geometry=obs_points_br)
# Grafico de Brasil con los puntos de observaciones
mapa_br= gpd.read_file('/content/gadm41_BRA_1.shp')
lienzo_br = mapa_br.plot(
figsize = (10,12),
color="lightgreen",
edgecolor="black",
linewidth = 0.6)
gdf_br.plot(ax=lienzo_br, color="black")
<Axes: >
En la figura se pueden observar la distribución de la especie Apis mellifera en Brasil y se puede apreciar una mayor concentración de observaciones en la parte sureste del país.
# Para las variables ambientales:
from google.colab import drive
drive.mount('/content/drive')
Drive already mounted at /content/drive; to attempt to forcibly remount, call drive.mount("/content/drive", force_remount=True).
# Cargar los archivos raster desde Google Drive
prec_raster = rxr.open_rasterio('/content/drive/My Drive/Prec_1.asc', masked=True)
temp_raster = rxr.open_rasterio('/content/drive/My Drive/Temp_1.asc', masked=True)
# Recortar las capas raster a las áreas de Costa Rica y Brasil
temp_costa_rica = temp_raster.rio.clip(mapa_cr.geometry, mapa_cr.crs)
temp_brasil = temp_raster.rio.clip(mapa_br.geometry, mapa_br.crs)
prec_costa_rica = prec_raster.rio.clip(mapa_cr.geometry, mapa_cr.crs)
prec_brasil = prec_raster.rio.clip(mapa_br.geometry, mapa_br.crs)
# Extraer valores de temperatura y precipitación para cada punto de observación
def extract_values(gdf, raster):
coords = [(x,y) for x, y in zip(gdf.geometry.x, gdf.geometry.y)]
values = [raster.sel(x=lon, y=lat, method="nearest").values for lon, lat in coords]
return np.array(values).flatten()
# Extraer valores de temperatura y precipitación para Costa Rica
gdf_cr['temp_promedio'] = extract_values(gdf_cr , temp_costa_rica)
gdf_cr['precipitacion'] = extract_values(gdf_cr , prec_costa_rica)
# Extraer valores de temperatura y precipitación para Brasil
gdf_br['temp_promedio'] = extract_values(gdf_br, temp_brasil)
gdf_br['precipitacion'] = extract_values(gdf_br, prec_brasil)
# Histograma de temperatura en Costa Rica
plt.hist(gdf_cr['temp_promedio'], bins=30)
plt.title('Distribución de temperatura en las áreas con Apis mellifera en Costa Rica')
plt.xlabel('Temperatura (°C)')
plt.ylabel('Frecuencia')
plt.show()
# Histograma de temperatura en Brasil
plt.hist(gdf_br['temp_promedio'], bins=30)
plt.title('Distribución de temperatura en las áreas con Apis mellifera en Brasil')
plt.xlabel('Temperatura (°C)')
plt.ylabel('Frecuencia')
plt.show()
# Histograma de precipitaciones en Costa Rica
plt.hist(gdf_cr['precipitacion'], bins=30)
plt.title('Distribución de precipitacion en las áreas con Apis mellifera en Costa Rica')
plt.xlabel('Precipitación (mm)')
plt.ylabel('Frecuencia')
plt.show()
# Histograma de precipitaciones en Brasil
plt.hist(gdf_br['precipitacion'], bins=30)
plt.title('Distribución de precipitacion en las áreas con Apis mellifera en Brasil')
plt.xlabel('Precipitación (mm)')
plt.ylabel('Frecuencia')
plt.show()
# Renombrar las columnas de ambos GeoDataframes
gdf_cr = gdf_cr.rename(columns={'decimalLatitude': 'Latitud', 'decimalLongitude': 'Longitud',
'temp_promedio': 'Temp_promedio', 'precipitacion': 'Precipitacion'
})
gdf_br = gdf_br.rename(columns={'decimalLatitude': 'Latitud', 'decimalLongitude': 'Longitud',
'temp_promedio': 'Temp_promedio', 'precipitacion': 'Precipitacion'
})
Resultados¶
Análisis de correlación entre las variables ambientales (precipitación y temperatura promedio) y los datos de observaciones de Apis mellifera en Costa Rica y en Brasil
# En el caso de Costa Rica
# Formato de las variables numérico
gdf_cr['Latitud'] = pd.to_numeric(gdf_cr['Latitud'], errors='coerce')
gdf_cr['Longitud'] = pd.to_numeric(gdf_cr['Longitud'], errors='coerce')
gdf_cr['Temp_promedio'] = pd.to_numeric(gdf_cr['Temp_promedio'], errors='coerce')
gdf_cr['Precipitacion'] = pd.to_numeric(gdf_cr['Precipitacion'], errors='coerce')
# Columnas de interés para el análisis
df_corr_cr = gdf_cr[['Latitud', 'Longitud', 'Temp_promedio', 'Precipitacion']]
# Matriz de correlación
matriz_corr_cr = df_corr_cr.corr(method='pearson')
# Imprimir la matriz de correlación
print(matriz_corr_cr)
Latitud Longitud Temp_promedio Precipitacion Latitud 1.000000 -0.782699 0.248599 0.173208 Longitud -0.782699 1.000000 -0.412106 0.206518 Temp_promedio 0.248599 -0.412106 1.000000 0.089338 Precipitacion 0.173208 0.206518 0.089338 1.000000
# Heatmap
plt.figure(figsize=(8, 6))
sns.heatmap(matriz_corr_cr, annot=True, cmap='coolwarm', vmin=-1, vmax=1)
plt.title('Matriz de Correlación entre las variables y los datos de Apis mellifera en Costa Rica')
plt.show()
# En el caso de Brasil
# Formato de las variables numérico
gdf_br['Latitud'] = pd.to_numeric(gdf_br['Latitud'], errors='coerce')
gdf_br['Longitud'] = pd.to_numeric(gdf_br['Longitud'], errors='coerce')
gdf_br['Temp_promedio'] = pd.to_numeric(gdf_br['Temp_promedio'], errors='coerce')
gdf_br['Precipitacion'] = pd.to_numeric(gdf_br['Precipitacion'], errors='coerce')
# Columnas de interés para el análisis
df_corr_br = gdf_br[['Latitud', 'Longitud', 'Temp_promedio', 'Precipitacion']]
# Matriz de correlación
matriz_corr_br = df_corr_br.corr(method='pearson')
# Imprimir la matriz de correlación
print(matriz_corr_br)
Latitud Longitud Temp_promedio Precipitacion Latitud 1.000000 0.608549 0.303888 -0.025516 Longitud 0.608549 1.000000 0.309891 -0.395458 Temp_promedio 0.303888 0.309891 1.000000 -0.631582 Precipitacion -0.025516 -0.395458 -0.631582 1.000000
# Heatmap
plt.figure(figsize=(8, 6))
sns.heatmap(matriz_corr_br, annot=True, cmap='coolwarm', vmin=-1, vmax=1)
plt.title('Matriz de Correlación entre las variables y los datos de Apis mellifera en Brasil')
plt.show()
Conclusiones¶
En conclusión, las observaciones de Apis mellifera han mostrado un incremento gradual en Costa Rica, con una mayor concentración en el área central del país, mientras que en Brasil se observaron patrones más fluctuantes, con un pico entre 2002 y 2007 y una mayor concentración en las áreas del sur y sureste. En términos de factores ambientales, en Costa Rica la especie tiende a observarse con mayor frecuencia a temperaturas más bajas (19-22°C) y baja precipitación (0-10 mm), mientras que en Brasil las observaciones son más comunes a temperaturas de 22-24°C y precipitaciones de 24 mm y 140 mm. Esto sugiere que la distribución de A. mellifera está influenciada de manera diferente por las variables ambientales en cada país, reflejando la adaptabilidad de la especie a distintos contextos geográficos y climáticos.
Bibliografía¶
Calderón, R., Padilla. S,. Ramírez, M (2019). Preliminary study on the presence of bee diseases in swarms of Africanized honey bees (Apis mellifera) in different areas of Costa Rica. (2019). Ciencias Veterinarias, 37(1), 13-25. https://doi.org/10.15359/rcv.37-1.2
Fick, S.E. y Hijmans, R.J. (2017). WorldClim 2: new 1km spatial resolution climate surfaces for global land areas. International Journal of Climatology 37 (12): 4302-4315. https://doi.org/10.1002/joc.5086
GBIF.org (20 September 2024) GBIF Occurrence Download https://doi.org/10.15468/dl.s4w66f
Guzmán-Novoa, E., Correa, A., Espinosa, L., & Guzmán, G. 2011. Colonización, impacto y control de las abejas melíferas africanizadas en México. Vet. Méx. 42: 149-178
Martínez, J., Medina, L., & Catzín, G. 2011. Frecuencia de Varroa destructor, Nosema apis y Acarapis woodi en colonias manejadas y enjambres silvestres de abejas (Apis mellifera) en Mérida, Yucatán, México. Rev. Mex. Cienc. Pecu. 2: 25-38
Sevilla-Benavides, F., Castro-Morales, O., Quesada-Obando, V. H., Murillo-Sabillón, L., & Valverde-Abarca, A. (2023). Importancia del análisis y la conservación del semen de abeja melífera (Apis mellifera) bajo condiciones tropicales. Investiga. TEC, 16(48), 4-10. https://revistas.tec.ac.cr/index.php/investiga_tec/article/view/6874/6670
Spivak, M., Fletcher, J., & Breed, M. 1991. The “African” Honey Bee. Westview. US. 435 p
Tapia-González, J., León-Mantecón, T., Contreras-Escareño, F., Macias-Macias, J., Tapia-Rivera, J., & Guzmán-Novoa, E. (2021). Influencias climáticas, regionales y cantidad de cría en el comportamiento higiénico de Apis mellifera. Abanico veterinario, 11. https://www.scielo.org.mx/scielo.php?pid=S2448-61322021000100115&script=sci_arttext