Carga de Datos - Aguacates

Datos_Completos_Aguacate1 <- read_excel("Datos_Completos_Aguacate1.xlsx")
View(Datos_Completos_Aguacate1)

Análisis Exploratorio

# Resumen de los datos
summary(Datos_Completos_Aguacate1)
##     id_arbol        Latitude       Longitude      FORMATTED_DATE_TIME
##  Min.   :  1.0   Min.   :2.392   Min.   :-76.71   Length:534         
##  1st Qu.:134.2   1st Qu.:2.393   1st Qu.:-76.71   Class :character   
##  Median :267.5   Median :2.393   Median :-76.71   Mode  :character   
##  Mean   :267.5   Mean   :2.393   Mean   :-76.71                      
##  3rd Qu.:400.8   3rd Qu.:2.393   3rd Qu.:-76.71                      
##  Max.   :534.0   Max.   :2.394   Max.   :-76.71                      
##   Temperature   
##  Min.   :22.20  
##  1st Qu.:24.50  
##  Median :25.80  
##  Mean   :25.83  
##  3rd Qu.:27.18  
##  Max.   :29.70
# Visualización de la distribución de la temperatura
ggplot(Datos_Completos_Aguacate1, aes(x = Temperature)) +
  geom_histogram(binwidth = 1, fill = "blue", color = "black") +
  theme_minimal() +
  labs(title = "Distribución de la Temperatura", x = "Temperatura", y = "Frecuencia")

# Relación entre Latitud y Temperatura
ggplot(Datos_Completos_Aguacate1, aes(x = Latitude, y = Temperature)) +
  geom_point(color = "blue") +
  theme_minimal() +
  labs(title = "Relación entre Latitud y Temperatura", x = "Latitud", y = "Temperatura")

# Diagrama de caja de la temperatura
ggplot(Datos_Completos_Aguacate1, aes(y = Temperature)) +
  geom_boxplot(fill = "blue", color = "black") +
  theme_minimal() +
  labs(title = "Diagrama de Caja de la Temperatura", y = "Temperatura")

Geodata

# Convertir los datos a un objeto sf
aguacate_sf <- st_as_sf(Datos_Completos_Aguacate1, coords = c("Longitude", "Latitude"), crs = 4326)

# Visualizar los datos en un mapa
mapview(aguacate_sf)

Autocorrelación Espacial - Semivariograma

# Convertir a objeto geoR
coords <- as.matrix(Datos_Completos_Aguacate1[, c("Longitude", "Latitude")])
temp <- Datos_Completos_Aguacate1$Temperature
aguacate_geoR <- as.geodata(cbind(coords, temp))

# Calcular el semivariograma
variograma <- variog(aguacate_geoR, trend = "1st")
## variog: computing omnidirectional variogram
# Graficar el semivariograma
plot(variograma, main = "Semivariograma de la Temperatura")

Predicción Espacial

# Convertir los datos a un objeto spatial
coordinates(Datos_Completos_Aguacate1) <- ~Longitude + Latitude

# Definir la grilla de predicción
grilla <- expand.grid(Longitude = seq(min(Datos_Completos_Aguacate1$Longitude), max(Datos_Completos_Aguacate1$Longitude), length.out = 100),
                      Latitude = seq(min(Datos_Completos_Aguacate1$Latitude), max(Datos_Completos_Aguacate1$Latitude), length.out = 100))
coordinates(grilla) <- ~Longitude + Latitude
gridded(grilla) <- TRUE

# Ajustar un modelo de variograma
variograma_modelo <- variogram(Temperature ~ 1, Datos_Completos_Aguacate1)
ajuste_variograma <- fit.variogram(variograma_modelo, vgm("Sph"))

# Realizar kriging
kriging_result <- krige(Temperature ~ 1, Datos_Completos_Aguacate1, grilla, model = ajuste_variograma)
## [using ordinary kriging]
# Convertir resultados a un data frame para graficar
kriging_df <- as.data.frame(kriging_result)

# Graficar la predicción
ggplot(kriging_df, aes(x = Longitude, y = Latitude, fill = var1.pred)) +
  geom_tile() +
  scale_fill_viridis_c() +
  theme_minimal() +
  labs(title = "Predicción Espacial de la Temperatura", fill = "Temperatura")

Conclusiones - Análisis Geoestadístico

  1. Distribución de la Temperatura:
    • La temperatura varía entre 22.2 °C y 29.7 °C.
    • La mayoría de las temperaturas se concentran alrededor de la mediana (25.8 °C).
    • La distribución es ligeramente sesgada hacia temperaturas más altas.
  2. Relación entre Latitud y Temperatura:
    • No se observa una relación clara entre la latitud y la temperatura.
    • La temperatura parece ser independiente de la latitud dentro del rango estudiado.
  3. Autocorrelación Espacial - Semivariograma:
    • Existe autocorrelación espacial en la temperatura a ciertas distancias.
    • Los puntos más cercanos tienen temperaturas más similares, y esta similitud disminuye con la distancia.
  4. Predicción Espacial:
    • La predicción espacial muestra una variación suave y continua de la temperatura, identificando claramente las áreas con temperaturas más altas y más bajas.