,
Paola Corrales [cre, aut],
Natalia Gattinoni [aut],
INTA [cph],
Ruida Zhong [cph],
Verónica Cruz-Alonso [rev] (Verónica revisó el paquete (v. 1.1.0) para
rOpenSci, <https://github.com/ropensci/software-review/issues/599>)| Title: | Índices y Estadísticos Climáticos e Hidrológicos |
|---|---|
| Description: | Conjunto de funciones para calcular índices y estadísticos climáticos hidrológicos a partir de datos tidy. Incluye una función para graficar resultados georeferenciados y e información cartográfica. |
| Authors: | Yanina Bellini Saibene [ctb],
Elio Campitelli [aut] ,
Paola Corrales [cre, aut],
Natalia Gattinoni [aut],
INTA [cph],
Ruida Zhong [cph],
Verónica Cruz-Alonso [rev] (Verónica revisó el paquete (v. 1.1.0) para
rOpenSci, <https://github.com/ropensci/software-review/issues/599>) |
| Maintainer: | Paola Corrales <[email protected]> |
| License: | GPL-3 + file LICENSE |
| Version: | 1.1.0 |
| Built: | 2024-12-05 04:27:53 UTC |
| Source: | https://github.com/ropensci/agroclimatico |
Los formatos utilizan como base rmarkdown::pdf_document() y una plantilla
específica de LaTex.
agromet_informe(..., latex_engine = "xelatex")agromet_informe(..., latex_engine = "xelatex")
... |
cualquier argumento que requiera |
latex_engine |
Caracter con el compilador de latex a usar. |
documento compilado.
## Not run: agromet_informe("Informe.Rmd") ## End(Not run)## Not run: agromet_informe("Informe.Rmd") ## End(Not run)
La función permite completar una serie de datos temporales definiendo alguna
resolución disponible. Es compatible con datos agrupados por dplyr::group_by().
completar_serie(datos, fecha, resolucion, rango = range(fecha))completar_serie(datos, fecha, resolucion, rango = range(fecha))
datos |
tabla (data.frame, data.table, tibble) a completar. |
fecha |
variable tipo fecha (Date, IDate, POSIXct, etc). |
resolucion |
texto que define resolución de salida de los datos. Puede ser
cualquier valor aceptado por el argumento |
rango |
un vector cuyo rango define el período a completar. Es útil si se quiere que múltiples grupos de datos tengan el mismo rango de fechas. Es posible definir un rango por fuera del rango original de los datos para homogeneizar series temporales. |
Devuelve un data.frame con las mismas variables de origen. La variable asociada a las fechas ahora se encuentra completa para la resolución indicada y el resto de las variables se completan con NA.
# Datos de prueba completos datos <- data.frame(fechas = seq(as.Date("2013-01-01"), as.Date("2015-12-01"), by = "1 month"), pp = 1) set.seed(42) datos_perdidos <- sample(nrow(datos), nrow(datos)/10) datos$pp[datos_perdidos] <- NA datos_incompletos <- na.omit(datos) #Serie de datos a completar completar_serie(datos_incompletos, fechas, resolucion = "1 mes")# Datos de prueba completos datos <- data.frame(fechas = seq(as.Date("2013-01-01"), as.Date("2015-12-01"), by = "1 month"), pp = 1) set.seed(42) datos_perdidos <- sample(nrow(datos), nrow(datos)/10) datos$pp[datos_perdidos] <- NA datos_incompletos <- na.omit(datos) #Serie de datos a completar completar_serie(datos_incompletos, fechas, resolucion = "1 mes")
Los datos provienen de 2 estaciones del INTA. Ver metadatos_nh() para más
información y metadatos de las estaciones.
NH0358 NH0114NH0358 NH0114
NH0358 es un data.table con 25515 filas y 25 columnas
NH0114 es un data.table con 24041 filas y 25 columnas
metadatos_nh() devuelve los metadatos de las estaciones meteorológicas.
Datos mensuales de temperatura y precipitación en estaciones meteorológicas en Argentina.
datos_nh_mensualdatos_nh_mensual
Un data.table con 381 filas y 10 columnas
Fecha en formato %Y-%m-%d
Suma de la precipitación durante el mes en mm.
Promedio de la temperatura en el mes en grados celsius.
Código de identificación de la estación
Nombre de la estación.
Provincia donde se ubica la estación.
Organismo a cargo de la estación.
Latitud.
Longitud.
Altura sobre el nivel del mar donde se ubica la estación.
Las funciones decil() y anomalia_porcentual() devuelven estos estadísticos
para alguna variable dado un periodo de referencia especificado.
decil(variable, referencia = rep(TRUE, length(variable))) anomalia_porcentual( variable, referencia = rep(TRUE, length(variable)), na.rm = FALSE )decil(variable, referencia = rep(TRUE, length(variable))) anomalia_porcentual( variable, referencia = rep(TRUE, length(variable)), na.rm = FALSE )
variable |
vector de observaciones de la variable de interés. |
referencia |
serie de observaciones para usar de referencia en el ajuste a la distribución teórica. Puede ser:
|
na.rm |
lógico. Define si se utilizan o no valores faltantes en el cálculo de la anomalía porcentual. |
Para recuperar el valor de la variable asociado a determinado decil se puede
utilizar la función stats::quantile().
Para el cálculo de los deciles, devuelve un vector numérico con el decil
asociado a cada valor de la variable. En este caso la columna deciles es de
tipo doble ya que devuelve el valor exacto del decil sin redondeos.
Para el cálculo de la anomalía porcentual también
devuelve un vector numérico. Las funciones son compatibles con
dplyr::group_by() y dplyr::mutate().
library(dplyr) data(NH0358) # Deciles de precipitación usando como referencia la serie completa NH0358 %>% mutate(deciles = decil(precip)) %>% slice_head(n = 10) # Deciles mensuales precip_mensual <- NH0358 %>% group_by(fecha = lubridate::floor_date(fecha, "month")) %>% summarise(precip = sum(precip, na.rm = TRUE)) precip_mensual %>% mutate(deciles = decil(precip)) # Deciles definiendo un periodo de referencia precip_mensual %>% mutate(deciles = decil(precip, referencia = lubridate::year(fecha) <= 1958)) # Anomalia porcentual usando como referencia la serie completa NH0358 %>% mutate(anomalia = anomalia_porcentual(precip)) %>% slice_head(n = 10) # Anomalia porcentual definiendo un periodo de referencia precip_mensual %>% mutate(deciles = anomalia_porcentual(precip, referencia = lubridate::year(fecha) <= 1958))library(dplyr) data(NH0358) # Deciles de precipitación usando como referencia la serie completa NH0358 %>% mutate(deciles = decil(precip)) %>% slice_head(n = 10) # Deciles mensuales precip_mensual <- NH0358 %>% group_by(fecha = lubridate::floor_date(fecha, "month")) %>% summarise(precip = sum(precip, na.rm = TRUE)) precip_mensual %>% mutate(deciles = decil(precip)) # Deciles definiendo un periodo de referencia precip_mensual %>% mutate(deciles = decil(precip, referencia = lubridate::year(fecha) <= 1958)) # Anomalia porcentual usando como referencia la serie completa NH0358 %>% mutate(anomalia = anomalia_porcentual(precip)) %>% slice_head(n = 10) # Anomalia porcentual definiendo un periodo de referencia precip_mensual %>% mutate(deciles = anomalia_porcentual(precip, referencia = lubridate::year(fecha) <= 1958))
Calcula el primer y último día del año promedio a partir de una serie de fechas.
dias_promedio(fechas)dias_promedio(fechas)
fechas |
vector de fechas |
Esta función solo requiere un vector de fechas para calcular el primer y último día del año en promedio. Si este vector incluye todos los días de muchos años el resultado será el 1° de enero y el 31 de diciembre. Pero si solo se utilizan las fechas que cumplen con una determinada condición, por ejemplo aquellos días donde la temperatura mínima fue menor o igual a 0°C, entonces devuelve el primer y último día de ocurrencia en promedio para este evento.
La función se puede usar tanto con la sintaxis de base como con dplyr (ver ejemplos).
En el caso de dplyr es necesario usar la función dplyr::reframe() ya que dias_promedio()
devuelve un data.frame. Es posible hacer cálculos agrupando datos con dplyr::group_by().
La función devuelve un data.frame con 4 variables fijas y variables extras en el caso de hacer el cálculo para distintos grupos:
variable (caracter) primer_dia o ultimo_dia según corresponda
dia (numérico) día del mes
mes (numérico) mes de ocurrencia
dia_juliano (numérico) día del año
data(NH0358) # Usando la serie completa dias_promedio(NH0358$fecha) # Filtrando los datos para un determinado evento library(dplyr) NH0358 %>% filter(t_min <= 0) %>% reframe(dias_promedio(fecha)) # Por grupos, si tenemos por ejemplo más de una estación data(NH0114) rbind(NH0358, NH0114) %>% filter(t_min <= 0) %>% group_by(codigo_nh) %>% reframe(dias_promedio(fecha))data(NH0358) # Usando la serie completa dias_promedio(NH0358$fecha) # Filtrando los datos para un determinado evento library(dplyr) NH0358 %>% filter(t_min <= 0) %>% reframe(dias_promedio(fecha)) # Por grupos, si tenemos por ejemplo más de una estación data(NH0114) rbind(NH0358, NH0114) %>% filter(t_min <= 0) %>% group_by(codigo_nh) %>% reframe(dias_promedio(fecha))
Escalas de colores típicas usadas por INTA para distintas variables.
escala_temp_min escala_temp_max escala_pp_mensual escala_pp_diariaescala_temp_min escala_temp_max escala_pp_mensual escala_pp_diaria
Objeto tipo lista con 3 elementos.
Lista en el mismo formato que devuelve leer_surfer() con elementos:
niveles (numérico), el nivel a que corresopnde cada color.
colores (caracter), la representación hexadecimal del color de cada break.
paleta (función), una función que toma un entero n y devuelve
un vector de caracter con n colores interpolados a partir de los colores
de la escala.
library(ggplot2) library(dplyr) pp_enero <- datos_nh_mensual |> filter(mes == unique(mes)[1]) # En el contexto de la función mapear(): mapear(pp_enero, precipitacion_mensual, lon, lat, escala = escala_pp_mensual, cordillera = TRUE) # Con ggplot2 # Los contornos llenos requieren que los datos estén en una grilla # regular, necesitamos hacer una interpolación con kriging. with(pp_enero, agroclimatico:::kringe(precipitacion_mensual, lon, lat)) |> ggplot(aes(lon, lat)) + geom_contour(aes(z = var1.pred)) + geom_contour_filled(aes(z = var1.pred)) + scale_fill_inta(escala = escala_pp_mensual)library(ggplot2) library(dplyr) pp_enero <- datos_nh_mensual |> filter(mes == unique(mes)[1]) # En el contexto de la función mapear(): mapear(pp_enero, precipitacion_mensual, lon, lat, escala = escala_pp_mensual, cordillera = TRUE) # Con ggplot2 # Los contornos llenos requieren que los datos estén en una grilla # regular, necesitamos hacer una interpolación con kriging. with(pp_enero, agroclimatico:::kringe(precipitacion_mensual, lon, lat)) |> ggplot(aes(lon, lat)) + geom_contour(aes(z = var1.pred)) + geom_contour_filled(aes(z = var1.pred)) + scale_fill_inta(escala = escala_pp_mensual)
Calcula el índice de temperatura y humedad (ITH)
ith(temperatura, hr)ith(temperatura, hr)
temperatura |
vector numérico con valores (o valor) de temperatura en grados centígrados. |
hr |
vector númerico (o valor) de la misma longitud que temperatura con la humedad relativa en porcentaje. |
Devuelve un valor o vector de valores con el ITH. Este valor es utilizado como una medida de la intensidad de las condiciones de estrés por calor a la que se encuentra expuesto el animal. Para bovinos se categoriza como:
Normal si ITH < 75
Alerta para ITH entre 75 y 78
Peligro para ITH entre 79 y 83
Emergencia para ITH >= 84
Armendano, J. I. ¿Cuándo se generan condiciones de estrés por calor en bovinos para carne? link
Armstrong, DV. 1994. Heat stress interaction with shade and cooling. J. Diary Sci. 77:2004-2050
ith(temperatura = 23, hr = 65) data(NH0358) # En el contexto de mutate library(dplyr) NH0358 %>% filter(!is.na(hr)) %>% mutate(t_media = (t_max + t_min)/2) %>% mutate(ith = ith(t_media, hr)) %>% slice_head(n = 10)ith(temperatura = 23, hr = 65) data(NH0358) # En el contexto de mutate library(dplyr) NH0358 %>% filter(!is.na(hr)) %>% mutate(t_media = (t_max + t_min)/2) %>% mutate(ith = ith(t_media, hr)) %>% slice_head(n = 10)
Llama a kableExtra::kbl() con valores por defecto apropiados acordes al
estilo utilizado por INTA.
kable_inta(x, ...)kable_inta(x, ...)
x |
Una tabla. |
... |
Otros argumentos que se pasan a |
tabla, objeto kbl.
library(dplyr) library(kableExtra) metadatos <- metadatos_nh() metadatos %>% head() %>% select(codigo_nh, estacion) %>% kable_inta(caption = "Ejemplo", col.names = c("Código", "Estación")) %>% kable_styling(latex_options = "scale_down")library(dplyr) library(kableExtra) metadatos <- metadatos_nh() metadatos %>% head() %>% select(codigo_nh, estacion) %>% kable_inta(caption = "Ejemplo", col.names = c("Código", "Estación")) %>% kable_styling(latex_options = "scale_down")
Lee uno o más archivos siempre que mantengan el formato NH de ancho fijo.
leer_nh(archivos)leer_nh(archivos)
archivos |
Caracter o vector de caracteres con nombre y ubicación de los archivos a leer. |
La función está preparada para leer datos diarios con el formato NH que incluye 25 variables:
codigo (caracter)
codigo_nh (caracter), variable llave para acceder a los metadatos de estaciones
fecha (fecha)
t_max (numérico), temperatura máxima en grados centígrados
t_min (numérico), temperatura mínima en grados centígrados
precip (numérico), precipitación acumulada en milímetros
lluvia_datos (numérico), ocurrencia de precipitación 1 indica lluvia
lluvia (numérico), ocurrencia de lluvia
llovizna (numérico), ocurrencia de llovizna
granizo (numérico), ocurrencia de granizo
nieve (numérico), ocurrencia de nieve
t_min_5cm (numérico), temperatura mínima a intemperie a 5cm en grados centígrados
t_min_50cm (numérico), temperatura mínima a intemperie a 50cm en grados centígrados
t_suelo_5cm (numérico), temperatura media del suelo a 5cm en grados centígrados
t_suelo_10cm (numérico), temperatura media del suelo a 10cm en grados centígrados
heliofania_efec (numérico), heliofanía efectiva en horas
heliofania_rel (numérico), heliofanía relativa en porcentaje
p_vapor (numérico), tensión de vapor en hPa
hr (numérico), humedad relativa en porcentaje
td (numérico), temperatura de rocío en grados centígrados
rocio (numérico), ocurrencia de rocío
viento_10m (numérico), viento a 10 metros en km/h
viento_2m (numérico), viento a 2 metros en km/h
rad (numérico), radiación en MJ/m2
etp (numérico), evapotranspiración en milímetros
Devuelve un data.frame con tantas filas como líneas en el o los archivos leidos y las 25 variables presentes.
metadatos_nh() devuelve los metadatos de las estaciones meteorológicas.
archivo <- system.file("extdata", "NH0358.DAT", package = "agroclimatico") datos <- leer_nh(archivo)archivo <- system.file("extdata", "NH0358.DAT", package = "agroclimatico") datos <- leer_nh(archivo)
Lee archivos en el formato "Level File Format" de Surfer (ver http://surferhelp.goldensoftware.com/topics/level_file_format.htm).
leer_surfer(archivo, color = c("primario", "secundario"))leer_surfer(archivo, color = c("primario", "secundario"))
archivo |
ruta al archivo a laeer. |
color |
caracter que indica qué color leer. Puede ser "primario" (que corresponde a "FFGColor") o "secundario" (que corresponde a "FBGColor"). No tiene efecto si el archivo es formato LVL1 |
Si el archivo es LVL1, un vector con los niveles. Si el archivo es LVL2 o LVL3, una lista con elementos:
niveles (numérico), el nivel a que corresopnde cada color.
colores (caracter), la representación hexadecimal del color de cada break.
paleta (función), una función que toma un entero n y devuelve
un vector de caracter con n colores interpolados a partir de los colores
de la escala.
escala <- system.file("extdata", "escala_pp_mensual.lvl", package = "agroclimatico") escala_pp_mensual <- leer_surfer(escala) # Valores a los que corresponde cada color escala_pp_mensual$niveles # Ver los colores scales::show_col(escala_pp_mensual$colores) # Obtener más colores usando la misma paleta muchos_colores <- escala_pp_mensual$paleta(25) scales::show_col(muchos_colores)escala <- system.file("extdata", "escala_pp_mensual.lvl", package = "agroclimatico") escala_pp_mensual <- leer_surfer(escala) # Valores a los que corresponde cada color escala_pp_mensual$niveles # Ver los colores scales::show_col(escala_pp_mensual$colores) # Obtener más colores usando la misma paleta muchos_colores <- escala_pp_mensual$paleta(25) scales::show_col(muchos_colores)
Mapas de Argentina, sus provincias, departamentos y paises limítrofes. Los mapas de departamentos surgen del repositorio público del Instituto Geográfico Nacional, mientas que el mapa de países limítrofes, Argentina y sus provincias son parte del repositorio Natural Earth.
mapa_argentina() mapa_provincias(provincias = NULL, departamentos = FALSE) mapa_argentina_limitrofes() mapa_departamentos(provincias = NULL)mapa_argentina() mapa_provincias(provincias = NULL, departamentos = FALSE) mapa_argentina_limitrofes() mapa_departamentos(provincias = NULL)
provincias |
vector de caracteres con los nombres de provincias a filtrar.
Si es |
departamentos |
lógico. Si es |
Los nombres de las provincias e mapa_provincias() son: Buenos Aires, Catamarca,
Chaco, Chubut, Ciudad de Buenos Aires, Corrientes, Córdoba, Entre Ríos, Formosa,
Islas Malvinas (geometria separada de Tierra del fuego), Jujuy, La Pampa, La Rioja,
Mendoza, Misiones, Neuquén, Río Negro, Salta, San Juan, San Luis, Santa Cruz,
Santa Fe, Santiago del Estero, Tierra del Fuego y Tucumán y se pueden utilizar para
graficarlas individualmente.
Devuelve una tibble con las variables necesarias para generar un mapa utilizando ggplot2 y sf.
library(ggplot2) # Solo Argentina ggplot() + geom_sf(data = mapa_argentina()) # Argentina y sus provincias ggplot() + geom_sf(data = mapa_provincias()) # Algunas provincias ggplot() + geom_sf(data = mapa_provincias(provincias = c("La Pampa", "Córdoba"))) # Algunas provincias y sus departamentos ggplot() + geom_sf(data = mapa_provincias(provincias = c("La Pampa", "Córdoba"), departamentos = TRUE))library(ggplot2) # Solo Argentina ggplot() + geom_sf(data = mapa_argentina()) # Argentina y sus provincias ggplot() + geom_sf(data = mapa_provincias()) # Algunas provincias ggplot() + geom_sf(data = mapa_provincias(provincias = c("La Pampa", "Córdoba"))) # Algunas provincias y sus departamentos ggplot() + geom_sf(data = mapa_provincias(provincias = c("La Pampa", "Córdoba"), departamentos = TRUE))
Dadas mediciones de una variable en puntos ubicados en Argentina,
interpola al resto del territorio usando kriging y grafica con contornos.
Las funciones secundarias coord_argentina() y theme_inta_mapa() permiten
generar un mapa en la región de Argentina (definida por xlim y ylim) con
el estilo específico usando por INTA.
mapear( data, valor, lon, lat, breaks = waiver(), escala = scales::viridis_pal(), cordillera = FALSE, variable = NULL, titulo = NULL, subtitulo = NULL, fuente = NULL ) coord_argentina(xlim = c(-77, -50), ylim = c(-57, -20), ...) theme_inta_mapa(...)mapear( data, valor, lon, lat, breaks = waiver(), escala = scales::viridis_pal(), cordillera = FALSE, variable = NULL, titulo = NULL, subtitulo = NULL, fuente = NULL ) coord_argentina(xlim = c(-77, -50), ylim = c(-57, -20), ...) theme_inta_mapa(...)
data |
data.frame o similar con las variables a utilizar. |
valor |
vector con los valores medidos. |
lon, lat
|
vectores de ubicación en longitud y latitud. |
breaks |
vector numérico que define para que valores se graficará los
contornos. Si es |
escala |
paleta de colores a usar. Tiene que ser una función que reciba un número y devuelva esa cantidad de colores. Por ejemplo escala_temp_min. |
cordillera |
valor lógico indicando si hay que tapar los datos donde está
la cordillera (donde el kriging es particularmente problemático). Si es |
titulo, subtitulo, fuente, variable
|
texto para usar como título, subtítulo, epígrafe y nombre de la leyenda. |
xlim, ylim
|
límites en longitud y latitud. |
... |
otros argumentos que se pasan a |
Un objeto ggplot2.
## Not run: library(dplyr) data(datos_nh_mensual) abril <- datos_nh_mensual %>% filter(mes == unique(mes)[4]) #datos del cuarto mes en la base, abril. abril %>% mapear(precipitacion_mensual, lon, lat, cordillera = TRUE, escala = escala_pp_mensual, titulo = "Precipitación en abril de 2019", fuente = "Fuente: INTA", variable = "pp") ## End(Not run)## Not run: library(dplyr) data(datos_nh_mensual) abril <- datos_nh_mensual %>% filter(mes == unique(mes)[4]) #datos del cuarto mes en la base, abril. abril %>% mapear(precipitacion_mensual, lon, lat, cordillera = TRUE, escala = escala_pp_mensual, titulo = "Precipitación en abril de 2019", fuente = "Fuente: INTA", variable = "pp") ## End(Not run)
Devuelve los metadatos de estaciones incluyendo el código único, ubicación (latitud y longitud) y el nombre.
metadatos_nh( codigo = NULL, provincia = NULL, organismo = NULL, lat = NULL, lon = NULL )metadatos_nh( codigo = NULL, provincia = NULL, organismo = NULL, lat = NULL, lon = NULL )
codigo, provincia, organismo
|
carácter o vector de caracteres para filtrar según código de estación, provincia u organismo. |
lat |
vector numérico con las latitudes límite de la región de interés. |
lon |
vector numérico con las longitudes límite de la región de interés (entre -180 y 180). |
Esta función por defecto devuelve la lista completa de estaciones pero alternativamente se puede devolver estaciones específicas a partir de sus códigos o todas las estaciones incluidas en una región. Además incluye un método plot para visualizar rápidamente la ubicación de las estaciones.
data.frame con los metadatos de las estaciones cuyas columnas incluye:
codigo_nh (caracter), variable llave para acceder a los metadatos de estaciones
estacion (caracter), nombre de la estación
provincia (caracter), provincia donde se encuentra la estación
organismo (caracter), organismo a cargo de la estación
lat (numérico), longitud
lon (numérico), latitud
altura (numérico), altura sobre el nivel del mar de la estación
# listado completo de estaciones head(metadatos_nh(), n = 10) # listado de estaciones específicas metadatos_nh(codigo = c("0001", "0011")) # Filtrar por provincias metadatos_nh(provincia = c("La Pampa", "Catamarca")) # Filtrar por organismo metadatos_nh(organismo = "INTA") # listados de estaciones en una región metadatos_nh(lat = c(-30, -20), lon = c(-65, -55)) # gráfico plot(metadatos_nh())# listado completo de estaciones head(metadatos_nh(), n = 10) # listado de estaciones específicas metadatos_nh(codigo = c("0001", "0011")) # Filtrar por provincias metadatos_nh(provincia = c("La Pampa", "Catamarca")) # Filtrar por organismo metadatos_nh(organismo = "INTA") # listados de estaciones en una región metadatos_nh(lat = c(-30, -20), lon = c(-65, -55)) # gráfico plot(metadatos_nh())
Identifica periodos de persistencia de un evento definido a partir de alguna condición lógica, por ejemplo días consecutivos donde la temperatura mínima fue igual o menor a 0°C para calcular días acumulados de heladas.
olas(fecha, ..., remplaza.na = FALSE)olas(fecha, ..., remplaza.na = FALSE)
fecha |
vector de fechas, la serie temporal debe estar completa, sin datos faltantes implicitos. |
... |
umbral o umbrales a calcular utilizando operadores lógicos. |
remplaza.na |
lógico. Por defecto es FALSE, es decír que si la función encuentra un dato faltante "corta" la ola o periodo de persitencia. Si es TRUE, la función reemplaza cada NA por el valor previo en la serie, por lo tanto la ola no se interrumpe si hay NAs. |
La función Puede utilizarse en el contexto de dplyr::summarise() y dplyr::group_by()
para hacer este cálculo por grupos.
Devuelve un data.frame con 3 variables fijas y las posibles variables asociadas al agrupamiento:
ola (caracter) nombre de la ola definido por el usuario
(si los argumentos de ... no tienen nombre, se usa V1, V2, etc...)
inicio (fecha) fecha de inicio de la ola o periodo de persistencia
fin (fecha) fecha de finalización de la ola o periodo de persistencia
duracion (diferencia de fechas, tipo drtn) duración de la ola
Si una ola todavía no terminó, fin y longitud son NA.
data(NH0358) library(dplyr) NH0358 %>% reframe(olas(fecha, calor = t_max > 20)) %>% slice_head(n = 10) NH0358 %>% reframe(olas(fecha, frio = t_min <= 0)) %>% slice_head(n = 10)data(NH0358) library(dplyr) NH0358 %>% reframe(olas(fecha, calor = t_max > 20)) %>% slice_head(n = 10) NH0358 %>% reframe(olas(fecha, frio = t_min <= 0)) %>% slice_head(n = 10)
Calcula el Indice de Severidad de Sequía de Palmer.
psdi_ac() calcula la versión autocalibrada.
pdsi(precipitacion, etp, cc = 100, coeficientes = pdsi_coeficientes()) pdsi_ac(precipitacion, etp, cc = 100, coeficientes = pdsi_coeficientes())pdsi(precipitacion, etp, cc = 100, coeficientes = pdsi_coeficientes()) pdsi_ac(precipitacion, etp, cc = 100, coeficientes = pdsi_coeficientes())
precipitacion |
serie de precipitación sin datos faltantes (en mm). Ver sección Details. |
etp |
serie de evapotranspiración potencial sin datos faltantes. Ver sección Details. |
cc |
capacidad de campo (en mm). |
coeficientes |
lista de coeficientes que devuelve |
El Índice de Severidad de Sequía de Palmer, propuesto por Palmer (1965) es usado
como indicador para cuantificar las condiciones de sequía a largo plazo. El
cálculo usa constantes definidas empíricamente, originalmente utilizando datos
meteorológicos de Kansas y de Iowa en Estados Unidos. Estas constantes no
representan necesariamente cualquier región del planeta por lo que puede ser
redefinidas para el cálculo del índice usando la función
del índice usando la función pdsi_coeficientes().
Alternativamente, Wells et al. (2004) propuso el Indice de Severidad de Sequía de Palmer Autocalibrado que tiene la capacidad de ajustar las constantes empíricas durante el cálculo del indice.
Si bien el cálculo de este indice funcionará para series de datos cortas (datos diarios para un mes o datos mensuales para un año), es necesario contar con una climatología, es decir 30 años para que el resultado sea confiable.
Un vector de la misma longitud que precipitacion con el PDSI correspondiente a cada caso.
Palmer (1965), Meteorological Drought. U.S Weather Bureau, Washington, D.C. (book).
Wells et. al. (2004), A Self-Calibrating Palmer Drought Severity Index. Journal of Climate doi:10.1175/1520-0442(2004)017<2335:ASPDSI>2.0.CO;2
library(dplyr) # datos aleatorios set.seed(42) datos <- data.frame(fecha = seq(as.Date("1985-01-01"), as.Date("2015-12-01"), by = "1 month")) datos |> mutate(pp = rgamma(nrow(datos), shape = 2, scale = 10), etp = rgamma(nrow(datos), shape = 1, scale = 3), pdsi_ac = pdsi(pp, etp)) |> slice_head(n = 10)library(dplyr) # datos aleatorios set.seed(42) datos <- data.frame(fecha = seq(as.Date("1985-01-01"), as.Date("2015-12-01"), by = "1 month")) datos |> mutate(pp = rgamma(nrow(datos), shape = 2, scale = 10), etp = rgamma(nrow(datos), shape = 1, scale = 3), pdsi_ac = pdsi(pp, etp)) |> slice_head(n = 10)
Funcion que devuelve los coeficientes de características climáticas necesarios
para calcular el Índice de Severidad de Sequía de Palmer con pdsi() o su
versión autocalibrada pdsi_ac().
pdsi_coeficientes( p = 0.897, q = 1/3, K1.1 = 1.5, K1.2 = 2.8, K1.3 = 0.5, K2 = 17.67 )pdsi_coeficientes( p = 0.897, q = 1/3, K1.1 = 1.5, K1.2 = 2.8, K1.3 = 0.5, K2 = 17.67 )
p, q
|
factores de duración |
K1.1, K1.2, K1.3, K2
|
coeficientes de características climáticas |
El cálculo usa constantes definidas empíricamente, originalmente utilizando datos
meteorológicos de Kansas y de Iowa en Estados Unidos. Estas constantes no
representan necesariamente cualquier región del planeta por lo que puede ser
redefinidas para el cálculo del índice usando la función
del índice usando la función pdsi_coeficientes().
Una lista con los coeficientes climáticos.
Palmer (1965), Meteorological Drought. U.S Weather Bureau, Washington, D.C. (book).
Wells et. al. (2004), A Self-Calibrating Palmer Drought Severity Index. Journal of Climate doi:10.1175/1520-0442(2004)017<2335:ASPDSI>2.0.CO;2
library(dplyr) # datos aleatorios set.seed(42) datos <- data.frame(fecha = seq(as.Date("1985-01-01"), as.Date("2015-12-01"), by = "1 month")) datos |> mutate(pp = rgamma(nrow(datos), shape = 2, scale = 10), etp = rgamma(nrow(datos), shape = 1, scale = 3), pdsi_ac = pdsi(pp, etp, coeficientes = pdsi_coeficientes(p = 0.9, q = 1/3))) |> slice_head(n = 10)library(dplyr) # datos aleatorios set.seed(42) datos <- data.frame(fecha = seq(as.Date("1985-01-01"), as.Date("2015-12-01"), by = "1 month")) datos |> mutate(pp = rgamma(nrow(datos), shape = 2, scale = 10), etp = rgamma(nrow(datos), shape = 1, scale = 3), pdsi_ac = pdsi(pp, etp, coeficientes = pdsi_coeficientes(p = 0.9, q = 1/3))) |> slice_head(n = 10)
Escalas para color y fill para variables discretas.
scale_fill_inta( escala, name = waiver(), breaks = waiver(), drop = waiver(), ... ) scale_color_inta( escala, name = waiver(), breaks = waiver(), drop = waiver(), ... )scale_fill_inta( escala, name = waiver(), breaks = waiver(), drop = waiver(), ... ) scale_color_inta( escala, name = waiver(), breaks = waiver(), drop = waiver(), ... )
escala |
escala de colores. Puede ser
|
name |
nombre de la escala. |
breaks |
niveles de la escala. Si no es |
drop |
lógico que indica si se muestran todos los valores o sólo los
presentes en los datos. Por defecto, es |
... |
otros argumentos que se pasan a |
objeto ggproto compatible con ggplot2.
library(ggplot2) library(dplyr) pp_enero <- datos_nh_mensual |> filter(mes == unique(mes)[1]) # Los contornos llenos requieren que los datos estén en una grilla # regular, necesitamos hacer una interpolación con kriging. with(pp_enero, agroclimatico:::kringe(precipitacion_mensual, lon, lat)) |> ggplot(aes(lon, lat)) + geom_contour(aes(z = var1.pred)) + geom_contour_filled(aes(z = var1.pred)) + scale_fill_inta(escala = escala_pp_mensual)library(ggplot2) library(dplyr) pp_enero <- datos_nh_mensual |> filter(mes == unique(mes)[1]) # Los contornos llenos requieren que los datos estén en una grilla # regular, necesitamos hacer una interpolación con kriging. with(pp_enero, agroclimatico:::kringe(precipitacion_mensual, lon, lat)) |> ggplot(aes(lon, lat)) + geom_contour(aes(z = var1.pred)) + geom_contour_filled(aes(z = var1.pred)) + scale_fill_inta(escala = escala_pp_mensual)
Calcula el Índice Estandarizado de Precipitación para distintas escalas. Las
funciones spi_indice y spei_indice usan internamente a la función SPEI::spi
pero tienen la ventaja de devolver el resultado como un data.frame que se
puede usar de manera directa para el análisis de datos con dplyr.
spi_indice( fecha, precipitacion, escalas, referencia = rep(TRUE, length(fecha)), distribucion = "Gamma", ... ) spei_indice(fecha, balance, escalas, distribucion = "log-Logistic", ...) spi_referencia(fecha, precipitacion)spi_indice( fecha, precipitacion, escalas, referencia = rep(TRUE, length(fecha)), distribucion = "Gamma", ... ) spei_indice(fecha, balance, escalas, distribucion = "log-Logistic", ...) spi_referencia(fecha, precipitacion)
fecha |
vector de fechas. |
precipitacion |
vector de precipitacion. |
escalas |
vector numérico con las escalas requeridas. La unidad de la escala
está dada por el vector de fechas. Si |
referencia |
serie de precipitación para usar de referencia en el ajuste a la distribución teórica. Puede ser:
|
distribucion |
distribución usada para ajustar los datos. |
... |
argumentos pasados a SPEI::spi |
balance |
balance entre precipitación y evapotranspiración potencial. |
La función spi_indice toma valores de precipitación mientras que spei_indice toma
valores del balance entre precipitación y evapotranspiración potencial.
Internamente hacen lo mismo; la única diferencia es la distribución teórica
usada por defecto para ajustar los datos.
Un data.frame con columnas
fecha (fecha)
escala (numérico) definidas en el argumento de entrada
spi o spei (numérico)
Vicente-Serrano, S. M., Beguería, S. and López-Moreno, J. I.: A multiscalar drought index sensitive to global warming: The standardized precipitation evapotranspiration index, J. Clim., 23(7), doi:10.1175/2009JCLI2909.1, 2010.
R Package SPEI: Calculation of the Standardized Precipitation-Evapotranspiration Index
library(dplyr) data(NH0358) datos_mensuales <- NH0358 %>% group_by(fecha = lubridate::round_date(fecha, "month")) %>% reframe(precip = mean(precip, na.rm = TRUE), etp = mean(etp, na.rm = TRUE)) # Para escalas de 1 a 12 meses datos_mensuales %>% reframe(spi_indice(fecha, precip, escalas = 1:12)) %>% slice_head(n = 10) # Si tenemos nuevos datos y hay que calcular el spi nuevamente pero sin que # cambien los valores previos, hay que usar `referencia`, por ejemplo usando # los datos desde el comienzo de la seria hasta 2016 # Usando un vector lógico datos_mensuales %>% reframe(spi_indice(fecha, precip, escalas = 1:12, referencia = data.table::year(fecha) < 2016)) %>% slice_head(n = 10) # O un data.frame datos_2016 <- datos_mensuales %>% filter(data.table::year(fecha) < 2016) datos_mensuales %>% reframe(spi_indice(fecha, precip, escalas = 1:12, referencia = spi_referencia(datos_2016$fecha, datos_2016$precip))) %>% slice_head(n = 10)library(dplyr) data(NH0358) datos_mensuales <- NH0358 %>% group_by(fecha = lubridate::round_date(fecha, "month")) %>% reframe(precip = mean(precip, na.rm = TRUE), etp = mean(etp, na.rm = TRUE)) # Para escalas de 1 a 12 meses datos_mensuales %>% reframe(spi_indice(fecha, precip, escalas = 1:12)) %>% slice_head(n = 10) # Si tenemos nuevos datos y hay que calcular el spi nuevamente pero sin que # cambien los valores previos, hay que usar `referencia`, por ejemplo usando # los datos desde el comienzo de la seria hasta 2016 # Usando un vector lógico datos_mensuales %>% reframe(spi_indice(fecha, precip, escalas = 1:12, referencia = data.table::year(fecha) < 2016)) %>% slice_head(n = 10) # O un data.frame datos_2016 <- datos_mensuales %>% filter(data.table::year(fecha) < 2016) datos_mensuales %>% reframe(spi_indice(fecha, precip, escalas = 1:12, referencia = spi_referencia(datos_2016$fecha, datos_2016$precip))) %>% slice_head(n = 10)
La función umbrales() permite contar la ocurrencia de eventos definidos a
partir de uno o más umbrales.
umbrales(...)umbrales(...)
... |
umbral o umbrales a calcular utilizando operadores lógicos. |
Debe utilizarse en el contexto de dplyr::summarise() y opcionalmente dplyr::group_by().
Esto permite calcular distintos umbrales y obtener resultados para distintos grupos.
La función devuelve un data.frame con 4 variables fijas junto a posibles variables asociadas a los agrupamientos.
Variables fijas
extremo (caracter) nombre del extremo definido por el usuario
(si los argumentos de ... no tienen nombre, se usa V1, V2, etc...)
N (numérico) ocurrencia del evento
prop (numérico) proporción de eventos respecto del total de observaciones
na (numérico) proporción de datos faltantes respecto del total de observaciones
data(NH0358) library(dplyr) # Sin agrupar devuelve un único valor NH0358 %>% summarise(umbrales(t_30 = t_max >= 30)) # Si se agrupan los datos devuelve un valor por cada grupo NH0358 %>% group_by(fecha = lubridate::floor_date(fecha, "1 month")) %>% summarise(umbrales(t_30 = t_max >= 30)) # Se pueden calcular varios umbrales al mismo tiempo NH0358 %>% reframe(umbrales(t_30 = t_max >= 30, t_0 = t_min <= 0))data(NH0358) library(dplyr) # Sin agrupar devuelve un único valor NH0358 %>% summarise(umbrales(t_30 = t_max >= 30)) # Si se agrupan los datos devuelve un valor por cada grupo NH0358 %>% group_by(fecha = lubridate::floor_date(fecha, "1 month")) %>% summarise(umbrales(t_30 = t_max >= 30)) # Se pueden calcular varios umbrales al mismo tiempo NH0358 %>% reframe(umbrales(t_30 = t_max >= 30, t_0 = t_min <= 0))