Cutivo de Aguacate

Los datos corresponden a mediciones que se han hecho en árboles de producción de aguacate en el Cauca. Cada árbol tiene un identificador, adicionalmente estan Georeferenciados con la variable latitud y longitud.

La base de datos esta compuesta por Variables climaticas como:

Humedad relativa
Vientos
Temperatura
Altura

1 Analisis exploratorio

Para el caso de estudio nos cetraremos en el analisis de la variable Temperatura y se tendra como fecha de referencia 01-10-2020.

Data$fecha <- as.Date(Data$FORMATTED_DATE_TIME, format = "%d/%m/%Y")
Data_20 <- filter(Data, fecha == "2020-10-01")

tabla <- (head(Data_20,5))

tabla %>%
  kbl() %>%
  kable_paper("hover", 
              full_width = F)

id_arbol	Latitude	Longitude	FORMATTED_DATE_TIME	Psychro_Wet_Bulb_Temperature	Station_Pressure	Relative_Humidity	Crosswind	Temperature	Barometric_Pressure	Headwind	Direction_True	Direction_Mag	Wind_Speed	Heat_Stress_Index	Altitude	Dew_Point	Density_Altitude	Wind_Chill	Estado_Fenologico_Predominante	fecha
1	2.393549	-76.71124	01/10/2020 10:11:12 a, m,	22.0	825.1	85.2	0.0	23.9	825.2	0.0	313	312	0.0	25.3	1696	21.3	2.504	23.9	717	2020-10-01
2	2.393573	-76.71120	01/10/2020 10:11:12 a, m,	21.4	825.3	84.0	0.0	23.5	825.2	0.0	317	317	0.0	24.8	1696	20.7	2.485	23.5	717	2020-10-01
3	2.393541	-76.71113	01/10/2020 10:11:12 a, m,	21.8	825.5	79.6	0.2	24.5	825.5	0.4	338	337	0.5	25.7	1694	20.8	2.518	24.5	717	2020-10-01
4	2.393503	-76.71119	01/10/2020 10:11:12 a, m,	22.8	825.4	77.6	0.4	25.9	825.4	0.2	299	299	0.5	28.1	1694	21.7	2.572	25.9	717	2020-10-01
5	2.393486	-76.71121	01/10/2020 10:11:12 a, m,	22.6	825.2	76.5	0.0	26.0	825.2	0.0	265	264	0.0	28.0	1696	21.5	2.575	25.9	717	2020-10-01

Localización de los aborles

leaflet() %>% 
  addTiles() %>% 
  addCircleMarkers(lng = Data_20$Longitude, lat = Data_20$Latitude, radius = 0.2, color = "#7FFF00") %>% 
  addControl(html = "<h1>Arboles de Aguacates</h1>", position = "topright")

Comportamiento de la temperatura.

Temp=as.geodata(Data_20,coords.col = 3:2,data.col = 9)
plot(Temp)

# Convertir los datos a un objeto sf
Data_20_sf <- st_as_sf(Data_20, coords = c("Longitude", "Latitude"), crs = 4326, remove = FALSE)


ggplot(Data_20_sf) +
  geom_point(aes(x = Longitude, y = Latitude, color = Temperature), size = 2) +
  scale_color_viridis_c() + 
  labs(title = "Temperatura del cutivo de Aguacate",
       x = "Longitud",
       y = "Latitud",
       color = "Temperatura") +
  theme_minimal()

La temperatura de los arboles se encuentra al rededor de 23 a 30 grados centigrados

2. Autocorrelacion espacial con el semivariograma

dist_summary_df <- summary(dist(Data_20[,3:2]))
tabla1<- as.data.frame(as.matrix(dist_summary_df))

tabla1 %>%
  kbl(caption = "Distancias entre Coordenadas") %>%
  kable_paper("hover", full_width = F)

Distancias entre Coordenadas
	V1
Min.	0.0000171
1st Qu.	0.0004051
Median	0.0006408
Mean	0.0006827
3rd Qu.	0.0009178
Max.	0.0019591

s_variograma = variog(Temp, option = "bin", uvec = seq(0.0004051, 0.0009178, length.out = 20))

## variog: computing omnidirectional variogram

variograma_temp <- variog.mc.env(Temp, obj.variog = s_variograma, nsim = 99)

## variog.env: generating 99 simulations by permutating data values
## variog.env: computing the empirical variogram for the 99 simulations
## variog.env: computing the envelops

plot(s_variograma, main = "Semivariograma con Entorno de Monte Carlo")
lines(variograma_temp, col = "#EE6AA7", lty = 3)

3. Indentificar el mejor modelo teorico

ajuste del modelo exponencial al semivariograma

# Crear una matriz de valores iniciales para el ajuste
ini.vals <- expand.grid(seq(1, 15, length = 10), seq(6e-04, 8e-05, length = 10))



#modelo exponencial al semivariograma
model_exp <- variofit(s_variograma, ini = ini.vals, cov.model = "exponential", wei = "npair", min = "optim")

## variofit: covariance model used is exponential 
## variofit: weights used: npairs 
## variofit: minimisation function used: optim 
## variofit: searching for best initial value ... selected values:
##               sigmasq phi   tausq kappa
## initial.value "4.11"  "0"   "0"   "0.5"
## status        "est"   "est" "est" "fix"
## loss value: 3048.82004527524

Ajuste del modelo gaussiano al semivariograma

# Ajustar el modelo gaussiano al semivariograma
model_gaus <- variofit(s_variograma, ini = ini.vals, cov.model = "gaussian", wei = "npair", min = "optim")

## variofit: covariance model used is gaussian 
## variofit: weights used: npairs 
## variofit: minimisation function used: optim 
## variofit: searching for best initial value ... selected values:
##               sigmasq phi   tausq kappa
## initial.value "4.11"  "0"   "0"   "0.5"
## status        "est"   "est" "est" "fix"
## loss value: 19656.4857281378

Ajuste del modelo esférico al semivariograma

model_sph <- variofit(s_variograma, ini = ini.vals, cov.model = "spherical", fix.nug = TRUE, wei = "npair", min = "optim")

## variofit: covariance model used is spherical 
## variofit: weights used: npairs 
## variofit: minimisation function used: optim 
## variofit: searching for best initial value ... selected values:
##               sigmasq phi   tausq kappa
## initial.value "2.56"  "0"   "0"   "0.5"
## status        "est"   "est" "fix" "fix"
## loss value: 30516.1655726669

plot(s_variograma, main = "Semivariograma con Modelos Ajustados")
lines(model_exp, col = "#EEA9B8")
lines(model_gaus, col = "#836FFF")
lines(model_sph, col = "#54FF9F")

Analisis Geoespacial de cultivo de Aguacate

Andrea Riaño

2024-06-05