Parque Zonal Huáscar

Ubicación: Cruce de Av. 200 Millas y Av. Revolución en el distrito de Villa El Salvador

Latitud: -12.23

Longitud: -76.93

# Cargar el paquete leaflet
library(leaflet)

# Definir coordenadas
lat <- -12.23   # Latitud
lng <- -76.93  # Longitud

# Crear el mapa
leaflet() %>%
  addTiles() %>%  # Agregar mapa base
  addMarkers(lng = lng, lat = lat, popup = "Parque Huáscar")

Parámetros a estudiar:

  • Humedad % Relativa a 2 metros
  • Temperatura °C a 2 metros
#lectura de datos
datos<-read.csv("datos1.csv",sep = ",",skip=10)
colnames(datos) <- c("PARAMETRO","AÑO","ENERO", "FEBRERO", "MARZO", "ABRIL", "MAYO", "JUNIO", 
           "JULIO", "AGOSTO", "SEPTIEMBRE", "OCTUBRE", "NOVIEMBRE", "DICIEMBRE","ANN")
head(datos)
##   PARAMETRO  AÑO ENERO FEBRERO MARZO ABRIL  MAYO JUNIO JULIO AGOSTO SEPTIEMBRE
## 1      RH2M 1990 75.05   73.37 74.31 70.77 68.15 66.24 64.58  60.86      61.64
## 2      RH2M 1991 76.84   75.15 78.20 72.83 68.85 64.72 65.14  62.96      63.16
## 3      RH2M 1992 74.51   73.48 74.55 72.38 71.16 67.55 64.78  61.73      61.37
## 4      RH2M 1993 75.13   76.76 75.30 72.25 70.58 66.92 66.21  64.02      65.91
## 5      RH2M 1994 79.71   78.35 77.49 75.04 69.43 67.58 65.62  64.52      65.14
## 6      RH2M 1995 77.97   76.45 75.50 71.80 70.73 67.70 67.97  65.54      66.30
##   OCTUBRE NOVIEMBRE DICIEMBRE   ANN
## 1   67.50     70.07     72.36 68.74
## 2   65.88     67.45     69.07 69.19
## 3   65.90     68.46     71.57 68.95
## 4   65.61     70.40     75.84 70.41
## 5   65.67     68.69     72.21 70.79
## 6   67.49     71.32     71.89 70.89

Analizando la Humedad relativa

# Cargar paquete
library(tidyverse)
datos1<-datos[1:33,-15]
# Formato
datos_largos <- datos1 %>%
  pivot_longer(cols = -c(PARAMETRO, AÑO), names_to = "Mes", values_to = "Valor")

# Filtro de años
años_seleccionados <- c(1990, 2000, 2010, 2020, 2021, 2022) 

datos_filtrados <- datos_largos %>%
  filter(AÑO %in% años_seleccionados)

# Gráfico de líneas
ggplot(datos_filtrados, aes(x = Mes, y = Valor, group = AÑO, color = as.factor(AÑO))) +
  geom_line(size = 1) +
  geom_point(size = 2) + 
  labs(title = "Evolución de la Humedad (Años seleccionados)",
       x = "Mes", y = "Valor", color = "Año") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Análisis del gráfico Evolución de la Humedad (Años Seleccionados)

  1. Patrón Estacional:
    • Se observa una variación cíclica en la humedad relativa a lo largo del año.
    • Los meses de marzo y julio muestran los valores más altos en la mayoría de los años.
    • Agosto y septiembre tienen los valores más bajos, lo que podría indicar una temporada más seca.
  2. Variabilidad Entre Años:
    • Aunque los patrones generales se mantienen, hay diferencias entre los años.
    • Algunos años, como 2000 y 2022, presentan picos más pronunciados en ciertos meses.
    • En septiembre del 2022 se muestra una humedad muy baja en comparación con otros años.
  3. Tendencia General:
    • A lo largo de los años , la variabilidad mensual no cambia drásticamente. Sin embargo, se nota pequeñas diferencias que podrían estar relacionadas con cambios climáticos o eventos meteorológicos específicos.

Analizando la Temperatura

# Convertir a formato largo
datos2<-datos[34:66,]
datos_largos <- datos2 %>%
  filter(AÑO %in% años_seleccionados) %>%  # Filtramos solo los años deseados
  pivot_longer(cols = ENERO:DICIEMBRE, names_to = "Mes", values_to = "Temperatura")

# Ordenar los meses correctamente
datos_largos$Mes <- factor(datos_largos$Mes, levels = c("ENERO", "FEBRERO", "MARZO", "ABRIL", "MAYO",
                                                         "JUNIO", "JULIO", "AGOSTO", "SEPTIEMBRE", "OCTUBRE","NOVIEMBRE","DICIEMBRE"))

# Crear el gráfico de líneas
ggplot(datos_largos, aes(x = Mes, y = Temperatura, group = AÑO, color = as.factor(AÑO))) +
  geom_line(size = 1) + 
  geom_point(size = 2) +
  labs(title = "Evolución de la Temperatura por Mes (Años Seleccionados)",
       x = "Mes", y = "Temperatura (°C)", color = "Año") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

# Gráfico de barras con los años seleccionados
ggplot(datos_largos, aes(x = Mes, y = Temperatura, fill = as.factor(AÑO))) +
  geom_bar(stat = "identity", position = "dodge") +
  labs(title = "Temperatura Mensual por Año (Años Seleccionados)",
       x = "Mes", y = "Temperatura (°C)", fill = "Año") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Análisis del Gráfico de Temperatura Mensual por Año (Años Seleccionados)

  1. Patrón Estacional
    • Se observa un descenso de la temperatura desde marzo hasta julio, con los valores más bajos en junio y julio. (Verano)
    • A partir de agosto, la temperatura comienza a aumentar nuevamente, alcanzando valores más altos en diciembre y enero. (Invierno)
  2. Comparación entre Años
    • Las diferencias de temperatura entre los distintos años seleccionados son mínimas.
    • No se observa una tendencia clara de aumento o disminución significativa a lo largo de los años analizados.
    • Sin embargo, algunos años como 2010 y 2020 parecen presentar temperaturas ligeramente más elevadas en ciertos meses.
  3. Meses con Mayor Variabilidad
    • Enero, febrero y marzo muestran pequeñas diferencias entre los años, pero con temperaturas generalmente más altas.
    • Junio, julio y agosto tienen las temperaturas más bajas, con valores muy similares entre los años seleccionados.

La temperatura sigue un patrón estacional predecible, con valores más altos en verano y más bajos en invierno. No se observa un cambio drástico entre los años, lo que indicaría una estabilidad climática en la región analizada.

Relación entre la Humedad Relativa y la Temperatura

# Cargar librerías
library(dplyr)
library(tidyr)
library(ggplot2)

# Dividir los datos por parámetro
humedad <- datos %>% filter(PARAMETRO == "RH2M") %>% select(-PARAMETRO)
temperatura <- datos %>% filter(PARAMETRO == "T2M") %>% select(-PARAMETRO)

# Renombrar columnas para diferenciarlas antes de unir
colnames(humedad)[2:ncol(humedad)] <- paste0("Humedad_", colnames(humedad)[2:ncol(humedad)])
colnames(temperatura)[2:ncol(temperatura)] <- paste0("Temperatura_", colnames(temperatura)[2:ncol(temperatura)])

# Unir las dos tablas por el año
datos_combinados <- inner_join(humedad, temperatura, by = c("AÑO" = "AÑO"))
# Convertir los datos a formato largo para graficar
datos_largos <- pivot_longer(datos_combinados, 
                             cols = starts_with("Humedad") | starts_with("Temperatura"),
                             names_to = c("Variable", "Mes"), 
                             names_sep = "_", 
                             values_to = "Valor")

# Separar las variables de humedad y temperatura
datos_largos <- datos_largos %>% pivot_wider(names_from = Variable, values_from = Valor)

# Gráfico de dispersión
ggplot(datos_largos, aes(x = Temperatura, y = Humedad, color = as.factor(AÑO))) +
  geom_point(size = 3, alpha = 0.7) +
  geom_smooth(method = "lm", se = FALSE, color = "black", linetype = "dashed") +
  labs(title = "Relación entre Humedad Relativa y Temperatura",
       x = "Temperatura (°C)",
       y = "Humedad Relativa (%)",
       color = "Año") +
  theme_minimal()
## `geom_smooth()` using formula 'y ~ x'

Conclusiones del gráfico de dispersión (Humedad Relativa vs. Temperatura)

  1. Relación Positiva
    • Se observa una tendencia positiva entre la temperatura y la humedad relativa.
    • A medida que la temperatura aumenta, la humedad relativa también tiende a incrementarse.
  2. Correlación Fuerte
    • La línea de tendencia (línea negra discontinua) muestra un ajuste bastante claro de los puntos de datos.
    • Esto sugiere que hay una relación directa y fuerte entre ambas variables.
  3. Distribución de Datos
    • Los puntos de colores representan diferentes años, y en general siguen un patrón similar.
    • No se observan anomalías o años que se comporten de manera completamente distinta.
  4. Posible Explicación
    • Aunque se esperaría una relación inversa (mayor temperatura → menor humedad), este comportamiento puede explicarse debido a que la región analizada El parque Huáscar tiene una fuente de humedad clara que es la laguna.

(Correlación de Spearman)

#Filtro
humedad <- datos %>% filter(PARAMETRO == "RH2M") %>% select(-PARAMETRO)
temperatura <- datos %>% filter(PARAMETRO == "T2M") %>% select(-PARAMETRO)

# Formato ancho a largo 
humedad_largo <- pivot_longer(humedad, cols = -AÑO, names_to = "Mes", values_to = "Humedad")
temperatura_largo <- pivot_longer(temperatura, cols = -AÑO, names_to = "Mes", values_to = "Temperatura")

# Unión de temperatura y humedad por Año y Mes
datos_cor <- inner_join(humedad_largo, temperatura_largo, by = c("AÑO", "Mes"))

# Correlación de Spearman
cor_spearman <- cor(datos_cor$Temperatura, datos_cor$Humedad, method = "spearman")

# Resultado
print(paste("Correlación de Spearman entre Temperatura y Humedad Relativa:", round(cor_spearman, 3)))
## [1] "Correlación de Spearman entre Temperatura y Humedad Relativa: 0.768"

Se confirma la relación directa y fuerte entre la Humedad relativa y la temperatura en la zona del parque Huáscar.