Datos recogidos de NASA Power

Proporciona conjuntos de datos solares y meteorológicos de la investigación de la NASA para apoyar las necesidades de energía renovable, eficiencia energética de edificios y agricultura.

Lectura de datos

library(readxl)
library(readr)
datos_jauja_naspower<-read.csv("POWER_Point_Monthly_Timeseries_1981_2022_011d6876S_075d4900W_LST.csv",skip = 14)
head(datos_jauja_naspower)
str(datos_jauja_naspower)
## 'data.frame':    252 obs. of  15 variables:
##  $ PARAMETER: chr  "T2M_MAX" "T2M_MAX" "T2M_MAX" "T2M_MAX" ...
##  $ YEAR     : int  1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 ...
##  $ JAN      : num  20.9 21.3 22.5 16.8 19.8 ...
##  $ FEB      : num  18.2 17.1 21.9 15.8 17.6 ...
##  $ MAR      : num  19.9 19 21.8 17.3 18 ...
##  $ APR      : num  18.6 17.7 19.7 16.7 18 ...
##  $ MAY      : num  18.1 18.5 20.4 17.5 16.7 ...
##  $ JUN      : num  18.7 16.5 19.8 18.2 16.7 ...
##  $ JUL      : num  17.9 17.3 18.6 16.6 17.1 ...
##  $ AUG      : num  18 17.4 17.9 18.2 17.9 ...
##  $ SEP      : num  18.3 18.3 18.2 19.3 17.9 ...
##  $ OCT      : num  19.5 19.6 20.5 19.9 19.5 ...
##  $ NOV      : num  18.8 20.4 20.6 19 19.7 ...
##  $ DEC      : num  20.7 19.7 18.6 19.1 18.5 ...
##  $ ANN      : num  20.9 21.3 22.5 19.9 19.8 ...
View(datos_jauja_naspower)

Omitiendo los valores Na

datos_jauja_naspower <- datos_jauja_naspower[!is.na(datos_jauja_naspower$JAN) & !is.na(datos_jauja_naspower$FEB) & !is.na(datos_jauja_naspower$MAR)& !is.na(datos_jauja_naspower$APR)& !is.na(datos_jauja_naspower$MAY)& !is.na(datos_jauja_naspower$JUN)& !is.na(datos_jauja_naspower$JUL)& !is.na(datos_jauja_naspower$AUG)& !is.na(datos_jauja_naspower$SEP)& !is.na(datos_jauja_naspower$OCT)& !is.na(datos_jauja_naspower$NOV)& !is.na(datos_jauja_naspower$DEC)& !is.na(datos_jauja_naspower$DEC), ]
B<-datos_jauja_naspower[1,3:14]
B<-t(B)
View(B)

Graficas

plot.ts(B,type="b",col="blue")

rownames(B)
##  [1] "JAN" "FEB" "MAR" "APR" "MAY" "JUN" "JUL" "AUG" "SEP" "OCT" "NOV" "DEC"

se puede concluir que muestra la variación de un conjunto de datos a lo largo del tiempo, con puntos conectados por líneas en azul. Los puntos representan los valores de los datos para cada mes, y las N líneas muestran la tendencia o la conexión entre estos puntos

plot.ts(B,type="b",col="blue",axes = F)
axis(2,cex=0.7)
grid(col="red")

El gráfico muestra una serie temporal de puntos conectados por líneas, lo que indica fluctuaciones en los datos a lo largo del tiempo. Las conclusiones específicas dependerán de los datos representados, pero aquí hay algunas posibles interpretaciones generales:

Variabilidad: El gráfico muestra picos y valles, lo que sugiere que la variable medida tiene una variabilidad significativa en el período observado.

Tendencias: Si hay una tendencia ascendente o descendente general, podría indicar un aumento o disminución en la variable a lo largo del tiempo. Patrones Estacionales: Si los picos y valles siguen un patrón regular cada año, podría sugerir una influencia estacional en los datos.

# Suponiendo que tu dataframe se llama datos_jauja_naspower
datos_transpuestos <- t(datos_jauja_naspower)

# Convertir el resultado en un dataframe si es necesario
datos_transpuestos <- as.data.frame(datos_transpuestos)

View(datos_transpuestos)

Datos Recogidos del Senamhi

Lectura de Datos

datos_jauja_senamhi <- read.table("qc00000503.txt", quote="\"", comment.char="")
head(datos_jauja_senamhi)
View(datos_jauja_senamhi)

colnames(datos_jauja_senamhi) <- c("Año", "Mes", "Día", "Precipitación acumulada", "Temperatura máxima", "Temperatura mínima")
head(datos_jauja_senamhi)

Filtrando los Datos NA

datos_jauja_senamhi[datos_jauja_senamhi == -99.9] <- NA


datos_jauja_senamhi <- datos_jauja_senamhi[!is.na(datos_jauja_senamhi$Año) & !is.na(datos_jauja_senamhi$Mes) & !is.na(datos_jauja_senamhi$Día) & !is.na(datos_jauja_senamhi$`Precipitación acumulada`) & !is.na(datos_jauja_senamhi$`Temperatura máxima`) & !is.na(datos_jauja_senamhi$`Temperatura mínima`), ]

Grafica Recreada

library(ggplot2)
library(lubridate)
## 
## Attaching package: 'lubridate'
## The following objects are masked from 'package:base':
## 
##     date, intersect, setdiff, union
datos_jauja_senamhi$Fecha <- make_date(datos_jauja_senamhi$Año, datos_jauja_senamhi$Mes, datos_jauja_senamhi$Día)

gg <- ggplot(datos_jauja_senamhi, aes(x = Fecha)) +
  geom_line(aes(y = `Temperatura máxima`, color = "Temp. Máxima")) +
  geom_line(aes(y = `Temperatura mínima`, color = "Temp. Mínima")) +
  geom_bar(aes(y = `Precipitación acumulada` * 10, fill = "Precipitación"), stat = "identity") +
  scale_color_manual(values = c("Temp. Máxima" = "red", "Temp. Mínima" = "blue")) +
  scale_fill_manual(values = c("Precipitación" = "skyblue")) +
  labs(title = "Estacion:Jauja Dep: JUNIN , Prov: Jauja Dist : Jauja,", x = "Fecha", y = "Temperatura (°C) / Precipitación (mm)") +
  theme_minimal() +
  theme(legend.position = "bottom") + 
  scale_y_continuous(limits = c(0, 200))
print(gg)
## Warning: Removed 125 rows containing missing values or values outside the scale range
## (`geom_bar()`).

El gráfico muestra la variabilidad de los datos a lo largo del tiempo, con puntos conectados por líneas que indican las fluctuaciones en los valores medidos. Las conclusiones específicas dependerán de los datos representados, pero aquí hay algunas

interpretaciones generales:

Variabilidad: El gráfico muestra picos y valles, lo que sugiere que la variable medida tiene una variabilidad significativa en el período observado.

Tendencias: Si hay una tendencia ascendente o descendente general, podría indicar un aumento o disminución en la variable a lo largo del tiempo.

Patrones Estacionales: Si los picos y valles siguen un patrón regular cada año, podría sugerir una influencia estacional en los datos.