Actividad_3_Clima_Finca_Aguacates
Giovanny Ortega Solarte
2024-11-22
require(readxl)
require(dplyr)
require(ggplot2)
require(leaflet)
require(geoR)
require(sf)1 Filtración de datos
Extraemos los datos necesarios del documento de Excel, correspondientes a los registros del 01/10/2020 a las 10:11:12 a.m. Además, filtramos la información relevante, que incluye las coordenadas y la variable de temperatura.
excel = read_excel("~/Maestria/Segundo Semestre/Electiva/actividad 3/Datos_Completos_Aguacate.xlsx", sheet = 2)
datos_aguacate_temp <- excel %>%
select(`Latitude`, `Longitude`, `Temperature` )
head(datos_aguacate_temp, n=10)## # A tibble: 10 × 3
## Latitude Longitude Temperature
## <dbl> <dbl> <dbl>
## 1 2.39 -76.7 23.9
## 2 2.39 -76.7 23.5
## 3 2.39 -76.7 24.5
## 4 2.39 -76.7 25.9
## 5 2.39 -76.7 26
## 6 2.39 -76.7 24.5
## 7 2.39 -76.7 25.5
## 8 2.39 -76.7 25.7
## 9 2.39 -76.7 26
## 10 2.39 -76.7 25.9Se puede apreciar en el mapa la ubicación de la finca de aguacate
leaflet() %>%
addTiles() %>%
addCircleMarkers(lng = datos_aguacate_temp$Longitude,lat = datos_aguacate_temp$Latitude,radius = 0.2,color = "green")2 Analisis Exploratorio
geodatos = as.geodata(datos_aguacate_temp, coords.col = 2:1, data.col = 3)
plot(geodatos)
En los gráficos podemos observar las áreas con las temperaturas más altas y más bajas, las cuales varían entre los 22 y los 30 grados Celsius
3 Semivariograma
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-03variograma = variog(geodatos, option = "bin", uvec = seq(0, 9.2e-04, by = 1.8e-05))## variog: computing omnidirectional variogramdatos.env = 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 envelopsplot(variograma,pch=16, envelope=datos.env)
Se observa que existe una fuerte correlación espacial a distancias cortas, aproximadamente hasta los 3e-04, después de lo cual la correlación comienza a disminuir gradualmente y se va disipando a medida que aumenta la distancia.
4 Ajuste del modelo teorico
ini.vals = expand.grid(seq(2,3,l=10), seq(2e-04,3e-04,l=10))
model_mco_exp = variofit(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 "3" "0" "0" "0.5"
## status "est" "est" "est" "fix"
## loss value: 21005.8030161402model_mco_gaus = variofit(variograma,ini=ini.vals,cov.model = "gaussian", wei="npair", min="optim",nugget = 0)## 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" "0" "0" "0.5"
## status "est" "est" "est" "fix"
## loss value: 19834.1764622519model_mco_spe = variofit(variograma,ini=ini.vals,cov.model = "spheric",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 "3" "0" "0" "0.5"
## status "est" "est" "fix" "fix"
## loss value: 6953.39340609177plot(variograma)
lines(model_mco_exp,col="blue")
lines(model_mco_gaus,col="red")
lines(model_mco_spe,col="purple")
model_mco_exp## variofit: model parameters estimated by WLS (weighted least squares):
## covariance model is: exponential
## parameter estimates:
## tausq sigmasq phi
## 0.1744 2.9912 0.0001
## Practical Range with cor=0.05 for asymptotic range: 0.0004056637
##
## variofit: minimised weighted sum of squares = 3796.665model_mco_gaus## variofit: model parameters estimated by WLS (weighted least squares):
## covariance model is: gaussian
## parameter estimates:
## tausq sigmasq phi
## 0.0550 2.9853 0.0001
## Practical Range with cor=0.05 for asymptotic range: 0.000232854
##
## variofit: minimised weighted sum of squares = 8696.766model_mco_spe## variofit: model parameters estimated by WLS (weighted least squares):
## covariance model is: spherical
## fixed value for tausq = 0
## parameter estimates:
## sigmasq phi
## 3.0666 0.0002
## Practical Range with cor=0.05 for asymptotic range: 0.0002444433
##
## variofit: minimised weighted sum of squares = 6497.1De acuerdo al grafico y a los resultados numericos obtenidos, el modelo que mas se ajusta con un error de 3796.665 es el exponencial, por ende este sera usado en la prediccion espacial usando Kriging.
5 Predicción espacial - Kriging
geodatos_grid=expand.grid( lon=seq(-76.7118,-76.71022,l=100),lat=seq( 2.392101,2.393634 ,l=100))
plot(geodatos_grid)
points(datos_aguacate_temp[,2:1],col="red")
geodatos_ko=krige.conv(geodatos, loc=geodatos_grid,
krige= krige.control(nugget=0,trend.d="cte",
trend.l="cte",cov.pars=c(sigmasq=2.9912, phi=0.0001 )))## krige.conv: model with constant mean
## krige.conv: Kriging performed using global neighbourhoodimage(geodatos_ko, main="kriging Predict", xlab="East", ylab="North")
image(geodatos_ko, main="kriging StDv Predicted",val=sqrt(geodatos_ko$krige.var), xlab="East", ylab="North")
6 Error de predicción
valida=xvalid(geodata = geodatos,model = model_mco_exp)## xvalid: number of data locations = 534
## xvalid: number of validation locations = 534
## xvalid: performing cross-validation at location ... 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99, 100, 101, 102, 103, 104, 105, 106, 107, 108, 109, 110, 111, 112, 113, 114, 115, 116, 117, 118, 119, 120, 121, 122, 123, 124, 125, 126, 127, 128, 129, 130, 131, 132, 133, 134, 135, 136, 137, 138, 139, 140, 141, 142, 143, 144, 145, 146, 147, 148, 149, 150, 151, 152, 153, 154, 155, 156, 157, 158, 159, 160, 161, 162, 163, 164, 165, 166, 167, 168, 169, 170, 171, 172, 173, 174, 175, 176, 177, 178, 179, 180, 181, 182, 183, 184, 185, 186, 187, 188, 189, 190, 191, 192, 193, 194, 195, 196, 197, 198, 199, 200, 201, 202, 203, 204, 205, 206, 207, 208, 209, 210, 211, 212, 213, 214, 215, 216, 217, 218, 219, 220, 221, 222, 223, 224, 225, 226, 227, 228, 229, 230, 231, 232, 233, 234, 235, 236, 237, 238, 239, 240, 241, 242, 243, 244, 245, 246, 247, 248, 249, 250, 251, 252, 253, 254, 255, 256, 257, 258, 259, 260, 261, 262, 263, 264, 265, 266, 267, 268, 269, 270, 271, 272, 273, 274, 275, 276, 277, 278, 279, 280, 281, 282, 283, 284, 285, 286, 287, 288, 289, 290, 291, 292, 293, 294, 295, 296, 297, 298, 299, 300, 301, 302, 303, 304, 305, 306, 307, 308, 309, 310, 311, 312, 313, 314, 315, 316, 317, 318, 319, 320, 321, 322, 323, 324, 325, 326, 327, 328, 329, 330, 331, 332, 333, 334, 335, 336, 337, 338, 339, 340, 341, 342, 343, 344, 345, 346, 347, 348, 349, 350, 351, 352, 353, 354, 355, 356, 357, 358, 359, 360, 361, 362, 363, 364, 365, 366, 367, 368, 369, 370, 371, 372, 373, 374, 375, 376, 377, 378, 379, 380, 381, 382, 383, 384, 385, 386, 387, 388, 389, 390, 391, 392, 393, 394, 395, 396, 397, 398, 399, 400, 401, 402, 403, 404, 405, 406, 407, 408, 409, 410, 411, 412, 413, 414, 415, 416, 417, 418, 419, 420, 421, 422, 423, 424, 425, 426, 427, 428, 429, 430, 431, 432, 433, 434, 435, 436, 437, 438, 439, 440, 441, 442, 443, 444, 445, 446, 447, 448, 449, 450, 451, 452, 453, 454, 455, 456, 457, 458, 459, 460, 461, 462, 463, 464, 465, 466, 467, 468, 469, 470, 471, 472, 473, 474, 475, 476, 477, 478, 479, 480, 481, 482, 483, 484, 485, 486, 487, 488, 489, 490, 491, 492, 493, 494, 495, 496, 497, 498, 499, 500, 501, 502, 503, 504, 505, 506, 507, 508, 509, 510, 511, 512, 513, 514, 515, 516, 517, 518, 519, 520, 521, 522, 523, 524, 525, 526, 527, 528, 529, 530, 531, 532, 533, 534,
## xvalid: end of cross-validationMAE=mean(abs(valida$error))
MAE## [1] 0.7959005Usando el metodo de validación cruzada, el modelo presenta un error de prediccion de aproximadamente 0.8 grados.
7 Conclusiones
El error de predicción sugiere que, en promedio, las predicciones realizadas por el modelo presentan una desviación aproximada de 0.8 grados. En el contexto del cultivo de aguacate, sería necesario investigar más a fondo si esta variación puede afectar aspectos relacionados con la calidad de la cosecha.
El mapa de predicción con Kriging muestra la distribución espacial de las temperaturas en la finca, con zonas claras indicando temperaturas más altas, posiblemente influenciadas por microclimas locales como exposición al sol o flujo de aire, mientras que las zonas oscuras reflejan temperaturas más bajas.
El mapa de incertidumbre o “Kriging StDv Predicted”, evidencia mayor confianza en las predicciones cerca de los sensores y mayor incertidumbre en áreas más alejadas, se hace necesario entonces poder recopilar datos adicionales en esas zonas para mejorar la precisión del análisis.