REGRESIONES

ANÁLISIS DE REGRESIONES GEOLÓGICAS

1. Enfoque del Estudio

Filtramos los datos para concentrarnos en Filipinas, Estados Unidos y Nepal.
Esto nos permitió trabajar con regímenes climáticos más homogéneos.

2. Enriquecimiento con Datos Satelitales (ERA5)

El dataset original no contenía variables climáticas suficientes.

Se implementó una conexión con la API de Open-Meteo para obtener:

• Precipitación diaria real (precip_real)
• Humedad relativa máxima (hum_real)

Usando:

• Latitud
• Longitud
• Fecha exacta del evento

3. Transformación de Variables

• Se normalizó la población (pop_norm) entre 0 y 1.
• Se generaron magnitudes sintéticas para modelado estadístico.

---

Carga y Preparación de Datos

paquetes <- c("httr", "jsonlite", "ggplot2", "dplyr", "gridExtra")

for (p in paquetes) {
  if (!require(p, character.only = TRUE)) install.packages(p)
  library(p, character.only = TRUE)
}

file_name <- "regresiones.csv"

datos_raw <- read.csv(
  file_name,
  sep = ";",
  stringsAsFactors = FALSE,
  fileEncoding = "latin1"
)

names(datos_raw) <- tolower(names(datos_raw))

datos_raw$latitude  <- suppressWarnings(as.numeric(datos_raw$latitude))
datos_raw$longitude <- suppressWarnings(as.numeric(datos_raw$longitude))

datos_raw <- datos_raw %>%
  filter(!is.na(latitude),
         !is.na(longitude),
         latitude >= -90 & latitude <= 90,
         longitude >= -180 & longitude <= 180)

paises_target <- c("Philippines", "United States", "Nepal")

df_demo <- datos_raw %>%
  filter(country_name %in% paises_target) %>%
  head(100)

df_demo$event_date <- as.Date(df_demo$event_date, "%d/%m/%Y")

fetch_weather <- function(lat, lon, date_str) {
  
  if (is.na(lat) || is.na(lon) || is.na(date_str))
    return(c(NA, NA))
  
  date <- as.character(date_str)
  
  url <- paste0(
    "https://archive-api.open-meteo.com/v1/archive?",
    "latitude=", lat,
    "&longitude=", lon,
    "&start_date=", date,
    "&end_date=", date,
    "&daily=precipitation_sum,relative_humidity_2m_max"
  )
  
  tryCatch({
    res <- GET(url, timeout(10))
    if (status_code(res) != 200) return(c(NA, NA))
    
    cont <- fromJSON(content(res, "text", encoding = "UTF-8"))
    if (is.null(cont$daily)) return(c(NA, NA))
    
    c(cont$daily$precipitation_sum[1],
      cont$daily$relative_humidity_2m_max[1])
    
  }, error = function(e) c(NA, NA))
}

clima_list <- vector("list", nrow(df_demo))

for (i in seq_len(nrow(df_demo))) {
  clima_list[[i]] <- fetch_weather(
    df_demo$latitude[i],
    df_demo$longitude[i],
    df_demo$event_date[i]
  )
}

clima_df <- as.data.frame(do.call(rbind, clima_list))
colnames(clima_df) <- c("precip_real", "hum_real")

df_demo <- cbind(df_demo, clima_df) %>%
  filter(!is.na(precip_real) & !is.na(hum_real))

set.seed(42)

n <- nrow(df_demo)
noise <- rnorm(n, 0, 18)

p_real <- as.numeric(df_demo$admin_division_population)
p_real[is.na(p_real)] <- median(p_real, na.rm = TRUE)

pop_norm <- (p_real - min(p_real)) / (max(p_real) - min(p_real))

df_demo$size_linear <- 2.4 * df_demo$precip_real + 125 + noise
df_demo$size_exp <- 98 * exp(1.35 * pop_norm) + noise
df_demo$size_log <- 210 * log(df_demo$hum_real + 1) - 480 + noise

lat_center <- mean(df_demo$latitude)

df_demo$size_poly <- 0.75 * (df_demo$latitude - lat_center)^2 + 185 + noise
df_demo$size_pot <- 48 * (df_demo$precip_real + 1.2)^0.62 + 102 + noise
df_demo$pop_norm <- pop_norm