Análisis de Datos en Finca de Aguacate

A continuación se realizará un análisis geoestadístico a partir de los datos de una finca de aguacate ubicada en el Cauca. El objetivo es realizar una análisis exploratorio y aplicar las diferentes fases para llegar una predicción final sobre el desempeño del cultivo teniendo en cuenta la temperatura.

require(geoR)
## Loading required package: geoR
## --------------------------------------------------------------
##  Analysis of Geostatistical Data
##  For an Introduction to geoR go to http://www.leg.ufpr.br/geoR
##  geoR version 1.9-4 (built on 2024-02-14) is now loaded
## --------------------------------------------------------------

Se importan los datos

library(readxl)
datos <- read_excel("C:/Users/diaramos/Downloads/Datos_Completos_Aguacate.xlsx")
head(datos)
## # A tibble: 6 × 21
##   id_arbol Latitude Longitude FORMATTED_DATE_TIME        Psychro_Wet_Bulb_Temp…¹
##      <dbl>    <dbl>     <dbl> <chr>                                        <dbl>
## 1        1     2.39     -76.7 01/10/2020  10:11:12 a, m,                    22  
## 2        2     2.39     -76.7 01/10/2020  10:11:12 a, m,                    21.4
## 3        3     2.39     -76.7 01/10/2020  10:11:12 a, m,                    21.8
## 4        4     2.39     -76.7 01/10/2020  10:11:12 a, m,                    22.8
## 5        5     2.39     -76.7 01/10/2020  10:11:12 a, m,                    22.6
## 6        6     2.39     -76.7 01/10/2020  10:11:12 a, m,                    21.5
## # ℹ abbreviated name: ¹​Psychro_Wet_Bulb_Temperature
## # ℹ 16 more variables: Station_Pressure <dbl>, Relative_Humidity <dbl>,
## #   Crosswind <dbl>, Temperature <dbl>, Barometric_Pressure <dbl>,
## #   Headwind <dbl>, Direction_True <dbl>, Direction_Mag <dbl>,
## #   Wind_Speed <dbl>, Heat_Stress_Index <dbl>, Altitude <dbl>, Dew_Point <dbl>,
## #   Density_Altitude <dbl>, Wind_Chill <dbl>,
## #   Estado_Fenologico_Predominante <dbl>, Frutos_Afectados <dbl>
plot(datos[,2:3])

Conversión de datos en una variable regionalizada

geodatos=as.geodata(datos,coords.col = 2:3, data.col = 9)
plot(geodatos)

Semivariograma Experimental

summary(dist(geodatos$coords))
##      Min.   1st Qu.    Median      Mean   3rd Qu.      Max. 
## 1.712e-05 4.051e-04 6.408e-04 6.827e-04 9.178e-04 1.959e-03
variograma=variog(geodatos,option = "bin",uvec=seq(0,0.0009178,9.178e-05))
## variog: computing omnidirectional variogram
plot(variograma)

variograma_mc=variog.mc.env(geodatos,obj=variograma)
## variog.env: generating 99 simulations by permutating data values
## variog.env: computing the empirical variogram for the 99 simulations
## variog.env: computing the envelops

Ajuste al modelo teórico

ini.vals = expand.grid(seq(2.5,5,l=10), seq(2e-04,4e-04,l=10))

model_mco_exp=variofit(variograma, ini=ini.vals,cov.model = "exponential")
## 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 "3.33"  "0"   "0"   "0.5"
## status        "est"   "est" "est" "fix"
## loss value: 7099.8801844616
model_mco_gaus=variofit(variograma, ini=ini.vals,cov.model = "gaussian")
## 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 "3.33"  "0"   "0"   "0.5"
## status        "est"   "est" "est" "fix"
## loss value: 17334.9437752326
model_mco_spe=variofit(variograma, ini=ini.vals,cov.model = "sph")
## 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 "3.06"  "0"   "0"   "0.5"
## status        "est"   "est" "est" "fix"
## loss value: 6728.0618160963