Apéndice J — Análisis económicos – Métodos basados en imágenes como alternativa para la evaluación de maleza en cultivo de trigo en el Sur de Sonora

[Aquí va cuanto costó cada tratamiento y su relación con el control y rendimiento obtenido]

J.0.1 Descriptivo

# Leer los datos desde el archivo Excel
data <- read_excel("csv/tiempoRequerido2.xlsx")

# Mostrar una vista previa de los datos
head(data)

# A tibble: 6 × 3
  Parcela Tratamiento  Tiempo
  <chr>   <chr>         <dbl>
1 A1      tiempo0ddaBI   2.00
2 A4      tiempo0ddaBI   2.00
3 B8      tiempo0ddaBI   2.00
4 B10     tiempo0ddaBI   2.00
5 C3      tiempo0ddaBI   1.00
6 C6      tiempo0ddaBI   1.00

# Convertir la columna 'Tratamiento' a factor
data$Tratamiento <- as.factor(data$Tratamiento)

# Análisis descriptivo
summary_stats <- data %>% 
  group_by(Tratamiento) %>% 
  summarise(n = n(),
            media = mean(Tiempo, na.rm = TRUE),
            mediana = median(Tiempo, na.rm = TRUE),
            sd = sd(Tiempo, na.rm = TRUE),
            varianza = var(Tiempo, na.rm = TRUE),
            min = min(Tiempo, na.rm = TRUE),
            max = max(Tiempo, na.rm = TRUE))


print(summary_stats)

# A tibble: 2 × 8
  Tratamiento      n media mediana    sd varianza   min   max
  <fct>        <int> <dbl>   <dbl> <dbl>    <dbl> <dbl> <dbl>
1 tiempo0dda      72  3.81    4    1.33     1.76   2     9   
2 tiempo0ddaBI    72  1.81    2.00 0.642    0.412  1.00  3.00

J.0.1.1 Prueba de t

# Análisis estadístico
# Realizar la prueba t
t_test_result <- t.test(Tiempo ~ Tratamiento, data = data)

# Mostrar los resultados de la prueba t
print(t_test_result)


    Welch Two Sample t-test

data:  Tiempo by Tratamiento
t = 11.502, df = 102.47, p-value < 2.2e-16
alternative hypothesis: true difference in means between group tiempo0dda and group tiempo0ddaBI is not equal to 0
95 percent confidence interval:
 1.655131 2.344869
sample estimates:
  mean in group tiempo0dda mean in group tiempo0ddaBI 
                  3.805556                   1.805556

J.0.1.2 Análisis de normalidad de los residuos utilizando Shapiro-Wilk

# Análisis de normalidad de los residuos
model_subset <- lm(Tiempo ~ Tratamiento, data = data)
shapiro_test_subset <- shapiro.test(residuals(model_subset))
print(shapiro_test_subset)


    Shapiro-Wilk normality test

data:  residuals(model_subset)
W = 0.83996, p-value = 3.153e-11

J.0.2 Prueba no parametrica

# Realizar la prueba de Wilcoxon
wilcox_test_result <- wilcox.test(Tiempo ~ Tratamiento, data = data, exact = FALSE)

# Mostrar los resultados de la prueba de Wilcoxon
print(wilcox_test_result)


    Wilcoxon rank sum test with continuity correction

data:  Tiempo by Tratamiento
W = 5058, p-value < 2.2e-16
alternative hypothesis: true location shift is not equal to 0

J.0.3 Resumen gráfico

Código

library(ggdist)
library(ggtext)



# Comparar las medias para asignar los grupos
if (t_test_result$p.value < 0.05) {
  if (summary_stats$media[1] > summary_stats$media[2]) {
    summary_stats$groups <- c("a", "b")
  } else {
    summary_stats$groups <- c("b", "a")
  }
} else {
  summary_stats$groups <- c("a", "a")
}

# Asignar nombres personalizados a los niveles del factor Tratamiento
data$Tratamiento <- factor(data$Tratamiento, 
                           levels = c("tiempo0ddaBI", "tiempo0dda"), 
                           labels = c("Método BI", "Tradicional"))


# Asegurarse de que los datos estén bien transformados para el gráfico
summary_stats$Tratamiento <- factor(summary_stats$Tratamiento, 
                                    levels = c("tiempo0ddaBI", "tiempo0dda"), 
                                    labels = c("Método BI", "Tradicional"))

graficoTiempoTtest <- data %>%
  ggplot(aes(x=Tiempo, y = Tratamiento, fill = Tratamiento)) +
  geom_boxplot(width = 0.1) +
  geom_dots(
    side = 'bottom',
    position = position_nudge(y = -0.075),
    height = 0.55
  ) +
  stat_slab(
    position = position_nudge(y = 0.075),
    height = 0.55,
    trim = FALSE,
    alpha = 0.6
  ) +
  labs(
    title= "",
    y = element_blank(),
    x = "Tiempo (minutos)"
  ) +
  theme_minimal(
    base_size = 20)+
  theme(
    text = element_text(family = "montserrat"),
    panel.grid.minor = element_blank(),
    legend.position = 'none'
  )+
  geom_text(data = summary_stats, aes(x = 9.2, y = Tratamiento, label = paste0(round(media, 2), "  ", groups)), 
            hjust = -0.2, size = 5, color = "#0a231fff", fontface = "bold", hjust = 1) +
  scale_x_continuous(
    breaks = seq(0, 9, by = 1),  # Divisiones cada 60 segundos
    limits = c(0, 9.5)  # Ajustar los límites para incluir el 0 y evitar que se corte el texto
  ) +
  coord_cartesian(xlim = c(0, 10.2))

graficoTiempoTtest





#ggsave("./Plots/graficoTiempoTtest.png", plot = graficoTiempoTtest, width=1920, height=1080, units = "px")


# Calcular el porcentaje en relación con la media mayor
summary_stats <- summary_stats %>%
  mutate(porcentaje = (media / max(media)) * 100)

summary_stats

# A tibble: 2 × 10
  Tratamiento     n media mediana    sd varianza   min   max groups porcentaje
  <fct>       <int> <dbl>   <dbl> <dbl>    <dbl> <dbl> <dbl> <chr>       <dbl>
1 Tradicional    72  3.81    4    1.33     1.76   2     9    a           100  
2 Método BI      72  1.81    2.00 0.642    0.412  1.00  3.00 b            47.4

El costo de un empleado de campo para el ciclo 2023-2024 fue de $ 11,512.13 al mes, lo que equivale a aproximadamente $ 60.00 por hora. Para el muestreo por el método tradicional, se requieren dos personas, por lo que realizar el conteo de 72 subparcelas, como en el presente experimento, tendría un costo de $ 548.64 (3.81 min x 72 subparcelas x 2 personas). En cambio, para el método basado en imágenes se necesita solo una sola persona, lo que reduciría el costo a $ 130.32, es decir, 77% menos que el costo del método tradicional. En cuanto a la eficiencia de detección y conteo de maleza, aunque el el método basado en imágenes no tuvo diferencia significativa con el método tradicional, este alcanzó niveles de eficiencia de 1.16 para C. murale, 1.02 para A. palmeri, 1.11 para P. acutifolia y 1.03 para el complejo de maleza.

J.1 Eficiencia relativa de tratamientos herbicidas

# Leer los datos desde el archivo Excel
data_eficienciaRelativa <- read_excel("csv/eficienciaRelativa.xlsx")



print(data_eficienciaRelativa)

# A tibble: 6 × 6
  Tratamiento Costo CostoRelativo Rendimiento RendimientoRelativo
  <chr>       <dbl>         <dbl>       <dbl>               <dbl>
1 TS              0        NA           3738.               0.73 
2 TR           1439         1           5117.               1    
3 T1           1780         1.24        4929.               0.963
4 T2           1729         1.20        4921.               0.962
5 T3           1340         0.931       4672.               0.913
6 T4           1280         0.890       5058.               0.989
# ℹ 1 more variable: EficienciaRelativa <dbl>

# Redondear los valores a 2 decimales
data_eficienciaRelativa$CostoRelativo <- round(data_eficienciaRelativa$CostoRelativo, 2)
data_eficienciaRelativa$RendimientoRelativo <- round(data_eficienciaRelativa$RendimientoRelativo, 2)
data_eficienciaRelativa$EficienciaRelativa <- round(data_eficienciaRelativa$EficienciaRelativa, 2)
# Crear y mostrar la tabla
kable(data_eficienciaRelativa, format = "html", caption = "Subtítulo de la tabla") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive")) %>%
  row_spec(0, bold = TRUE, color = "#ae8f5fff", background = "#0a231fff")

Subtítulo de la tabla
Tratamiento	Costo	CostoRelativo	Rendimiento	RendimientoRelativo	EficienciaRelativa
TS	0	NA	3737.50	0.73	NA
TR	1439	1.00	5116.67	1.00	1.00
T1	1780	1.24	4929.17	0.96	0.78
T2	1729	1.20	4921.25	0.96	0.80
T3	1340	0.93	4671.67	0.91	0.98
T4	1280	0.89	5058.33	0.99	1.11