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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