CONTEXTO DEL CASO

Considerando la base de datos disponible llamada “Datos_Completos_Aguacate.xlsx”, la cual contiene información sobre las variables climatológicas y de terreno de 4 fincas de cultivo de agucatae en el departamento del Cauca (Colombia), tomando como filtro únicamente el periodo “01/10/2020 10:11:12 a, m,” y usando la variable “Temperature”, se debe realizar el análisis geoestadístico para generar la predicción espacial

1. ANÁLISIS EXPLORATORIO Y LIMPIEZA

En esta sección se realizará la carga de la base de datos y su análisis respectivo de filtrado y limpieza.

## tibble [20,271 × 21] (S3: tbl_df/tbl/data.frame)
##  $ id_arbol                      : chr [1:20271] "1" "2" ...
##  $ Latitude                      : num [1:20271] 2.38 2.38 ...
##  $ Longitude                     : num [1:20271] -76.6 -76.6 ...
##  $ FORMATTED_DATE_TIME           : chr [1:20271] "21/08/2019  9:22:57 a, m," "21/08/2019  9:27:13 a, m," ...
##  $ Psychro_Wet_Bulb_Temperature  : num [1:20271] 14.8 11.6 12.9 14.1 14.3 ...
##  $ Station_Pressure              : num [1:20271] 805 805 ...
##  $ Relative_Humidity             : num [1:20271] 33.6 36.8 31.5 33.2 34.3 ...
##  $ Crosswind                     : num [1:20271] 0.2 3.6 0.4 0.6 0.4 ...
##  $ Temperature                   : num [1:20271] 25.7 20.8 23.7 25 25 ...
##  $ Barometric_Pressure           : num [1:20271] 805 805 ...
##  $ Headwind                      : num [1:20271] 0.7 3.5 0.7 0.7 0.4 ...
##  $ Direction_True                : num [1:20271] 166 314 332 139 129 ...
##  $ Direction_Mag                 : num [1:20271] 165 313 331 139 128 ...
##  $ Wind_Speed                    : num [1:20271] 0.8 5.1 0.8 0.9 0.6 ...
##  $ Heat_Stress_Index             : num [1:20271] 24.1 19.5 22 23.2 23.3 ...
##  $ Altitude                      : num [1:20271] 1896 1895 ...
##  $ Dew_Point                     : num [1:20271] 8.6 5.5 5.8 7.7 8.1 ...
##  $ Density_Altitude              : num [1:20271] 2.74 2.57 ...
##  $ Wind_Chill                    : num [1:20271] 25.7 20.8 23.7 24.9 24.9 ...
##  $ Estado_Fenologico_Predominante: num [1:20271] 715 715 715 715 715 ...
##  $ Frutos_Afectados              : num [1:20271] 0 3 0 0 1 ...

La anterior revisión nos permite reconocer que la base de datos tiene un total de 20271 registros y 21 variables, se realizará la verificación de datos faltantes y posterior se filtrará una finca de las disponibles para su análisis. A continuación se presenta el gráfico de los 4 cultivos registrados en el Cauca.

## tibble [534 × 21] (S3: tbl_df/tbl/data.frame)
##  $ id_arbol                      : num [1:534] 1 2 3 4 5 ...
##  $ Latitude                      : num [1:534] 2.39 2.39 ...
##  $ Longitude                     : num [1:534] -76.7 -76.7 ...
##  $ FORMATTED_DATE_TIME           : chr [1:534] "01/10/2020  10:11:12 a, m," "01/10/2020  10:11:12 a, m," ...
##  $ Psychro_Wet_Bulb_Temperature  : num [1:534] 22 21.4 21.8 22.8 22.6 ...
##  $ Station_Pressure              : num [1:534] 825 825 ...
##  $ Relative_Humidity             : num [1:534] 85.2 84 79.6 77.6 76.5 ...
##  $ Crosswind                     : num [1:534] 0 0 0.2 0.4 0 ...
##  $ Temperature                   : num [1:534] 23.9 23.5 24.5 25.9 26 ...
##  $ Barometric_Pressure           : num [1:534] 825 825 ...
##  $ Headwind                      : num [1:534] 0 0 0.4 0.2 0 ...
##  $ Direction_True                : num [1:534] 313 317 338 299 265 ...
##  $ Direction_Mag                 : num [1:534] 312 317 337 299 264 ...
##  $ Wind_Speed                    : num [1:534] 0 0 0.5 0.5 0 ...
##  $ Heat_Stress_Index             : num [1:534] 25.3 24.8 25.7 28.1 28 ...
##  $ Altitude                      : num [1:534] 1696 1696 ...
##  $ Dew_Point                     : num [1:534] 21.3 20.7 20.8 21.7 21.5 ...
##  $ Density_Altitude              : num [1:534] 2.5 2.48 ...
##  $ Wind_Chill                    : num [1:534] 23.9 23.5 24.5 25.9 25.9 ...
##  $ Estado_Fenologico_Predominante: num [1:534] 717 717 717 717 717 ...
##  $ Frutos_Afectados              : num [1:534] 0 0 0 0 0 ...

2. ANÁLISIS GEOESTADÍSTICO

Posterior realizamos el análisis de geoestadistica para conocer si visualmente se observan patrones de correlación.

La anterior gráfica confirmar que hay valores de temperatura que entre más cerca se encuentran los arboles varian entre 24 y 26 °C, mientras que los que estan más distanciados tienden a tener temperaturas superiores a 26°, También se logra observar que hay clusters o divisiones de la variable temperatura, lo que indica que hay correlación.

3. SEMIVARIOGRAMA

Para el calculo del semivariograma es importante determinar las estadisticas del punto de estudio, donde es recomendable emplear el tercer cuartil de las distancias entre los puntos a evaluar.

##      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

Con la gráfica anterior, se puede determinar que existe una correlación espacial, ya que los puntos entre más cerca tiende a parecerse y a medida que nos alejamos su valor tienede a ser diferentes, también se puede observar que la mayoria se encuentran fuera del margen de Monte Carlo.

4. IDENTIFICACIÓN DEL MODELO

De acuerdo con la gráfica anterior se puede observar que el modelo que más se ajusta a los datos disponibles es el exponecnial, y al calcular los errores cuadriticos de cada modelo obtenemos que el exponecial tiene un mejor desempeño respecto al Gaussiano y el EsFérico.

5. PREDICCIÓN ESPACIAL

Para realizar la predicción espacial es muy importante delimitar el área de estudio.

6. GENERACIÓN DE RASTER

También se puede generar el mapa del error a partir de los datos:

7. VALIDACIÓN DEL MODELO

Para finalizar realizamos la validación del modelo empleado, para nuestro caso fue el exponecnail, donde se realiza la siguiente validación cruzada:

## 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-validation

## [1] 0.7909316

CONCLUSIONES

A partir de los resultados obtenidos, se destacan las siguientes observaciones:

Patrón espacial no estacionario:El análisis del objeto geodata revela que la temperatura en la zona no sigue un gradiente uniforme, lo que indica variabilidad espacial no explicada por una tendencia simple. Esto sugiere la influencia de factores locales (e.g., microclimas, cobertura vegetal o topografía irregular) en la distribución térmica que se puede observar en los resultados.

Correlación moderada:La baja correlación espacial encontrada (evidenciada por el semivariograma) implica que la temperatura no está fuertemente determinada por la proximidad geográfica. Esto se puede deber a factores topograficos que hacen que las temperaturas cambien drasticamente de acuerdo al piso térmico.

Desempeño del modelo exponencial: El modelo exponencial mostró el mejor ajuste, con un error absoluto medio (MAE) de 0.79°C en validación cruzada. Aunque este error es relativamente bajo para el contexto estudiado, su interpretación debe considerar las demas variables del de la base de datos