
Teoría
La información del clima se obtiene del ASOS
(Automated Surface Observing System) ubicados en los
aeropuertos de las ciudades.
Instalación de paqueres y llamar
librerías
#install.packages("riem") # Accesar al ASOS para obtener datos climáticos
library(riem)
## Warning: package 'riem' was built under R version 4.3.3
#install.packages("tidyverse")
library (tidyverse)
## Warning: package 'tidyverse' was built under R version 4.3.3
## Warning: package 'lubridate' was built under R version 4.3.3
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 3.4.4 ✔ tibble 3.2.1
## ✔ lubridate 1.9.3 ✔ tidyr 1.3.1
## ✔ purrr 1.0.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
#install.packages("ggplot2")
library (ggplot2)
#install.packages("plotly")
library (plotly)
##
## Attaching package: 'plotly'
##
## The following object is masked from 'package:ggplot2':
##
## last_plot
##
## The following object is masked from 'package:stats':
##
## filter
##
## The following object is masked from 'package:graphics':
##
## layout
Paso 1. Buscar la red del país (México)
y copiar CODE
#view(riem_networks())
# MX__ASOS
Paso 2. Buscar la estación o ciudad
(Monterrey) y copiar ID
#view(riem_stations("MX__ASOS"))
#MMMY
Paso 3. Obtener los datos del
clima
clima_mty <- riem_measures("MMMY")
Ejercicio 1. Obtener datos del clima de
Monterrey de Febrero 2024
clima_mty_feb <- subset(clima_mty, valid >= as.POSIXct("2024-02-01 00:000") & valid <= as.POSIXct("2024-02-29 00:000"))
Ejercicio 2. Graficar la Humedad Relativa
en Monterrey durante Febrero 2024
plot(clima_mty_feb$valid, clima_mty_feb$relh, type="l",main="Humedad Relativa en Monterrey durante Febrero 2024", xlab="Fecha", ylab="Humedad Relativa (%)")

#Promediar Humedad Relativa Diaria
clima_mty_feb$date <- as.Date(clima_mty_feb$valid)
cmfd <- aggregate(clima_mty_feb, by=list(date= clima_mty_feb$date), FUN=mean)
#cmpd <- clima_mty_feb %>%
#mutate(date=ymd_hm(valid), date=as.Date(date)) %>%
#group_by(date) %>%
#summarize_if(is.numeric, ~mean(., na.rm=TRUE))
# Graficar la Humedad Relativa promedio por día
plot(cmfd$date, cmfd$relh, type="l", main = "Promedio Diario de Humedad Relativa en Monterey durante Febrero 2024", xlab = "Fecha", ylab = "Humedad Relativa (%)")

Ejercicio 3. Graficar la Temperatura (en
°C ) promedio diaria durante Febrero 2024 en Quito, Ecuador
#view(riem_networks())
#view(riem_stations("EC__ASOS"))
clima_uio <- riem_measures("SEQM")
clima_uio_feb <- subset(clima_uio, valid >= as.POSIXct("2024-02-01 00:000") & valid <= as.POSIXct("2024-02-29 00:000"))
clima_uio_feb <- clima_uio_feb %>%
mutate(tmpf = (tmpf - 32) * 5 / 9)
clima_uio_feb$date <- as.Date(clima_uio_feb$valid)
cqfd <- aggregate(clima_uio_feb, by=list(date= clima_uio_feb$date), FUN=mean)
plot(cqfd$date, cqfd$tmpf, type="l", main = "Promedio Diario de Temperatura en Quito durante Febrero 2024", xlab = "Fecha", ylab = "Temperatura (°C)")

Conclusión
El documento demuestra cómo utilizar datos del ASOS para analizar el
clima en Monterrey y Quito durante febrero de 2024, enfocándose en
humedad relativa y temperatura. El análisis del clima basado en datos
ASOS ofrece perspectivas detalladas sobre condiciones específicas.
Permite evaluar patrones climáticos para planificación y adaptación
efectivas en distintas ubicaciones. Se presentan gráficas de humedad en
Monterrey y temperatura en Quito, mostrando variaciones diarias que
podrían influir en decisiones ambientales y de salud pública.
El análisis de datos del ASOS demuestra cómo la tecnología y la
ciencia de datos pueden transformar nuestra comprensión y respuesta al
cambio climático. Al estudiar la humedad en Monterrey y las temperaturas
en Quito, aprendemos la importancia de observar y predecir condiciones
climáticas para tomar decisiones informadas. Este trabajo no solo
subraya la relevancia de los datos en la gestión ambiental sino que
también prepara el terreno para futuras investigaciones, adaptaciones y
políticas basadas en evidencia científica detallada.
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