INFORMEBARILOCHE
Padilla, Pedrosa y Rodríguez
2025-02-18
Información Meteorológica de Bariloche: Punto Específico (latitud -41.5022, longitud-71.5301)
Este informe se realiza sobre una base de datos que tiene registro de la información climática diaria de la ciudad de Bariloche en la provincia de Rio Negro, Argentina. Esta presenta coordenadas *latitud -41.5022, longitud -71.5301 . Esta información fue extraída del sistema NASA/POWER. La información fue obtenida entre el **01 de enero de 2000 y el 01 de enero de 2020*.
Con base en lo anterior, el sistema *MERRA-2, que reanaliza aerosoles, estima una media de **1327.1 metros sobre el promedio del nivel del mar* como la altitud promedio para la región.
Propósito
Este conjunto de datos se examina para buscar tendencias y patrones climáticos en Bariloche durante un período de una década, incluyendo la toma de medidas para detectar cambios en la temperatura y las precipitaciones, así como para determinar la capacidad de anticipar cambios en la velocidad del viento y la presión atmosférica.
Descripción de la Base de Datos
Esta base de datos tiene 3653 registros, correspondientes a seis variables que permiten el seguimiento de las condiciones meteorológicas diarias. Estas son:
- YEAR: El año del cual se realiza el registro. Variable de tipo cualitativa nominal que representa el conteo de los años.
- MO (Mes del Año): Mes del año entre 1 y 12. Variable de tipo cuantitativa discreta.
- DY (Día del Año): Día del año entre 1 y 365 (366 en año bisiesto). Variable de tipo cuantitativa discreta.
- T2M (Temperatura a 2 metros): Indica cuál fue la temperatura promedio a 2 metros sobre la superficie, medida en grados centígrados (C). Variable de tipo cuantitativa continua.
- PS (Presión Superficial): Indica la presión atmosférica en la superficie en kilopascales (kPa). Variable de tipo cuantitativa continua.
- PRECTOTCORR (Precipitación Corregida): Indica la precipitación total corregida, medida en milímetros por día (mm/día). Variable de tipo cuantitativa continua que mide la cantidad de lluvia diaria.
- WS10M_MIN (Velocidad del Viento Mínima): Indica la velocidad mínima del viento a 10 metros sobre la superficie, medida en metros por segundo (m/s). Variable de tipo cuantitativa continua.
Visualización de la Base Original
library(readr)
datos <- read.csv("BARILOCHE.csv")
head(datos)## YEAR MO DY PRECTOTCORR T2M PS WS10M_MIN
## 1 2000 1 1 0.00 16.00 86.67 1.50
## 2 2000 1 2 0.05 17.73 86.68 1.02
## 3 2000 1 3 0.29 15.87 86.51 1.26
## 4 2000 1 4 1.23 10.07 86.48 3.38
## 5 2000 1 5 0.02 9.86 86.56 1.59
## 6 2000 1 6 0.75 8.06 86.51 2.57str(datos)## 'data.frame': 7306 obs. of 7 variables:
## $ YEAR : int 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 ...
## $ MO : int 1 1 1 1 1 1 1 1 1 1 ...
## $ DY : int 1 2 3 4 5 6 7 8 9 10 ...
## $ PRECTOTCORR: num 0 0.05 0.29 1.23 0.02 0.75 0.37 0.07 0.14 0.16 ...
## $ T2M : num 16 17.73 15.87 10.07 9.86 ...
## $ PS : num 86.7 86.7 86.5 86.5 86.6 ...
## $ WS10M_MIN : num 1.5 1.02 1.26 3.38 1.59 2.57 2.03 2.25 2.9 2.59 ...colnames(datos)## [1] "YEAR" "MO" "DY" "PRECTOTCORR" "T2M"
## [6] "PS" "WS10M_MIN"#4
filtro de variables
library(magrittr)
library(dplyr)##
## Adjuntando el paquete: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(base)
library(stats)#4
datoyear <-datos %>% filter( YEAR %in% c("2010","2011","2012","2013","2014","2015","2016","2017","2018","2019","2020"))
write.csv(datoyear, "datoyear.csv",row.names = TRUE)
head(datoyear)## YEAR MO DY PRECTOTCORR T2M PS WS10M_MIN
## 1 2010 1 1 0.19 6.67 86.54 4.20
## 2 2010 1 2 0.00 12.79 86.54 1.48
## 3 2010 1 3 0.07 13.62 86.22 1.00
## 4 2010 1 4 2.63 10.98 86.18 2.11
## 5 2010 1 5 1.10 5.19 86.47 2.58
## 6 2010 1 6 0.01 6.37 86.79 2.18#5
colSums(is.na(datoyear))## YEAR MO DY PRECTOTCORR T2M PS
## 0 0 0 0 0 0
## WS10M_MIN
## 0Tabla_1 <- datoyear %>%
dplyr::group_by(datoyear$PRECTOTCORR) %>%
dplyr::summarise(Total = n()) %>%
dplyr::mutate(Porcentaje = round(Total/sum(Total)*100, 3)) %>%
dplyr::arrange()
Tabla_1## # A tibble: 779 × 3
## `datoyear$PRECTOTCORR` Total Porcentaje
## <dbl> <int> <dbl>
## 1 0 1298 35.5
## 2 0.01 143 3.92
## 3 0.02 73 2.00
## 4 0.03 51 1.40
## 5 0.04 48 1.31
## 6 0.05 39 1.07
## 7 0.06 34 0.931
## 8 0.07 39 1.07
## 9 0.08 20 0.547
## 10 0.09 33 0.903
## # ℹ 769 more rows# Instalar ggplot2 si no está instalado
if (!requireNamespace("ggplot2", quietly = TRUE)) {
install.packages("ggplot2")
}
# Cargar paquetes necesarios
library(ggplot2)
library(dplyr) # Asegurar que dplyr también esté cargado
# Calcular el promedio de precipitación para cada mes (MO)
datoyear_avg <- datoyear %>%
group_by(MO) %>%
summarise(PRECTOTCORR_avg = mean(PRECTOTCORR, na.rm = TRUE))
# Crear la gráfica de barras
ggplot(data = datoyear_avg, aes(x = factor(MO), y = PRECTOTCORR_avg)) +
geom_bar(stat = "identity", fill = "cyan", color = "black") +
labs(
title = "Promedio de Precipitación Mensual (2010-2020)",
x = "Mes",
y = "Precipitación Promedio (mm)"
) +
theme_minimal()
# Install required packages if not already installed
if (!requireNamespace("ggplot2", quietly = TRUE)) install.packages("ggplot2")
if (!requireNamespace("dplyr", quietly = TRUE)) install.packages("dplyr")
# Load necessary libraries
library(ggplot2)
library(dplyr)
# Calcular el promedio de temperatura para cada mes (MO)
datoyear_avg_temp <- datoyear %>%
group_by(MO) %>%
summarise(T2M_avg = mean(T2M, na.rm = TRUE))
# Convertir MO en factor para ordenar correctamente
datoyear_avg_temp$MO <- factor(datoyear_avg_temp$MO, levels = 1:12, labels = month.name)
# Crear la gráfica de barras para la temperatura promedio mensual
ggplot(data = datoyear_avg_temp, aes(x = MO, y = T2M_avg)) +
geom_bar(stat = "identity", fill = "orange", color = "black") +
labs(
title = "Promedio de Temperatura Mensual (2010-2020)",
x = "Mes",
y = "Temperatura Promedio (°C)"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) # Rotar etiquetas del eje X para mejor visualización
# Crear una columna de estaciones en función de los meses
datoyear <- datoyear %>%
mutate(Season = case_when(
MO %in% c(12, 1, 2) ~ "Verano",
MO %in% c(3, 4, 5) ~ "Otoño",
MO %in% c(6, 7, 8) ~ "Invierno",
MO %in% c(9, 10, 11) ~ "Primavera"
))
# Calcular el promedio de precipitación para cada estación
datoyear_avg_prec <- datoyear %>%
group_by(Season) %>%
summarise(PRECTOTCORR_avg = mean(PRECTOTCORR, na.rm = TRUE))
# Crear la gráfica de barras
ggplot(data = datoyear_avg_prec, aes(x = Season, y = PRECTOTCORR_avg)) +
geom_bar(stat = "identity", fill = "steelblue", color = "black") +
labs(
title = "Promedio de Precipitación por Estación en Bariloche (2010-2020)",
x = "Estación",
y = "Precipitación Promedio (mm)"
) +
theme_minimal()
# Calcular el promedio de temperatura para cada estación
datoyear_avg_temp <- datoyear %>%
group_by(Season) %>%
summarise(T2M_avg = mean(T2M, na.rm = TRUE))
# Crear la gráfica de barras para la temperatura promedio por estación
ggplot(data = datoyear_avg_temp, aes(x = Season, y = T2M_avg)) +
geom_bar(stat = "identity", fill = "orange", color = "black") +
labs(
title = "Promedio de Temperatura por Estación en Bariloche (2010-2020)",
x = "Estación",
y = "Temperatura Promedio (°C)"
) +
theme_minimal()
#Conclusiones
El estudio de las variables de precipitación y temperatura promedio de los meses de 2010 a 2020 revisando los patrones de las estaciones por año, nos muestra que las mayores temperaturas son en verano, con un promedio de alrededor de 12 grados centígrados y la menor cantidad de precipitaciones de almenos 1 mililitro de agua al dia. Por otro lado la estación de menor temperatura es Invierno de junio a agosto lleganto hasta un promedio de menos cinco grados y la mayor precipítación de mas de 4mililitros de agua al día. Se puede concluir que a mayor precipitación se obtiene menor temperatura promedio en el ambiente y viceversa.