1 Diagnóstico exploratorio

Se inicia con un diagnóstico exploratorio de la variable temperatura en el lote de árboles de aguacate.

library(readxl)
library(dplyr)
library(lubridate)
library(stringr)
library(gstat)
library(ggplot2)
library(geoR)
mediciones <- read_xlsx("insumos/datos.xlsx")

med_espacial <- mediciones %>%
  mutate(
    fecha_limpia = FORMATTED_DATE_TIME %>%
      str_squish() %>%
      str_replace_all("a,\\s*m,?", "AM") %>%
      str_replace_all("p,\\s*m,?", "PM"),
    fecha_hora = parse_date_time(fecha_limpia, orders = c("d/m/Y I:M:S p", "d/m/Y H:M:S")),
    fecha = as_date(fecha_hora)
  ) %>%
  filter(fecha == as_date("2019-08-21")) %>%
  group_by(id_arbol, Longitude, Latitude) %>%
  summarise(
    temp_media = mean(Temperature, na.rm = TRUE),
    .groups = "drop"
  ) %>%
  filter(!is.na(Longitude), !is.na(Latitude), !is.na(temp_media)) %>%
  as.data.frame()

geo_temp <- as.geodata(med_espacial, coords.col = 2:3, data.col = 4)
plot(geo_temp)

Los valores más bajos (azules y verdes) predominan hacia el sector norte/noroeste, mientras que los valores más altos (rojos y amarillos) se concentran hacia el sector centro-sur y sureste.

Las temperaturas suelen ubicarse entre 22 °C y 27 °C, mientras que en las latitudes más bajas aparecen con mayor frecuencia registros entre 27 °C y 33 °C.

La dispersión es más amplia en todo el rango de longitudes, aunque los picos más cálidos (> 30 °C) se concentran en longitudes intermedias a ligeramente más orientales.

2 Semivariograma

Aquí se mide cómo cambia la diferencia de la temperatura ente los árboles a medida que aumenta la distancia entre ellos:

dist_max <- max(dist(geo_temp$coords))
max_dist_uso <- dist_max * 0.5

var_emp <- variog(
  geo_temp,
  max.dist = max_dist_uso,
  uvec = seq(0, max_dist_uso, length.out = 12)
)
## variog: computing omnidirectional variogram
plot(var_emp, main = "Semivariograma empírico - Temperatura")

3 Mejor modelo teórico

Para hacer interpolación continua en el espacio se ajusta una función matemática y se compararn los candidatos.

  • Nugget: Es la variabilidad a distancias muy pequeñas o una microvariación local.

  • Meseta parcial: Es la varianza espacial estructurada adicional.

  • Rango: Es la distancia a partir de la cual la autocorrelación espacial desaparece.

ini_psill <- var(geo_temp$data) * 0.7
ini_range <- max_dist_uso * 0.3
ini_nugget <- var(geo_temp$data) * 0.1

modelos <- list(
  esferico   = variofit(var_emp, ini.cov.pars = c(ini_psill, ini_range), nugget = ini_nugget, cov.model = "spherical"),
  exponencial = variofit(var_emp, ini.cov.pars = c(ini_psill, ini_range), nugget = ini_nugget, cov.model = "exponential"),
  gaussiano  = variofit(var_emp, ini.cov.pars = c(ini_psill, ini_range), nugget = ini_nugget, cov.model = "gaussian"),
  matern     = variofit(var_emp, ini.cov.pars = c(ini_psill, ini_range), nugget = ini_nugget, cov.model = "matern", kappa = 0.5)
)
## variofit: covariance model used is spherical 
## variofit: weights used: npairs 
## variofit: minimisation function used: optim 
## variofit: covariance model used is exponential 
## variofit: weights used: npairs 
## variofit: minimisation function used: optim 
## variofit: covariance model used is gaussian 
## variofit: weights used: npairs 
## variofit: minimisation function used: optim 
## variofit: covariance model used is matern 
## variofit: weights used: npairs 
## variofit: minimisation function used: optim
resumen_modelos <- data.frame(
  modelo = names(modelos),
  nugget = sapply(modelos, function(m) m$nugget),
  meseta_parcial = sapply(modelos, function(m) m$cov.pars[1]),
  rango = sapply(modelos, function(m) m$cov.pars[2]),
  criterio_ajuste = sapply(modelos, function(m) m$value)
)
print(resumen_modelos[order(resumen_modelos$criterio_ajuste), ], row.names = FALSE)
##       modelo    nugget meseta_parcial        rango criterio_ajuste
##    gaussiano 0.9121668       4.203474 0.0002445912        4910.322
##  exponencial 1.0708127       4.084030 0.0001981854        6977.773
##       matern 1.0708127       4.084030 0.0001981854        6977.773
##     esferico 0.5982910       4.188037 0.0002868466       21722.809
mejor_nombre <- resumen_modelos$modelo[which.min(resumen_modelos$criterio_ajuste)]
mejor_modelo <- modelos[[mejor_nombre]]

plot(var_emp, main = paste("Mejor modelo:", mejor_nombre))
lines(mejor_modelo, col = "red", lwd = 2)

El modelo gaussiano quedó seleccionado como el mejor en la prueba actual principalmente por el ajuste y la forma de la curva en los datos.

4 Kriging

Kriging ordinario predice la temperatura en ubicaciones no muestreadas.

# 1. Crear grilla de predicción con pequeño margen
rx <- range(geo_temp$coords[, 1])
ry <- range(geo_temp$coords[, 2])
pad_x <- diff(rx) * 0.08
pad_y <- diff(ry) * 0.08

grilla <- expand.grid(
  x = seq(rx[1] - pad_x, rx[2] + pad_x, length.out = 100),
  y = seq(ry[1] - pad_y, ry[2] + pad_y, length.out = 100)
)

# 2. Kriging ordinario con el mejor modelo teórico
kc <- krige.control(
  type.krige = "OK",
  cov.model = mejor_modelo$cov.model,
  cov.pars = mejor_modelo$cov.pars,
  nugget = mejor_modelo$nugget,
  kappa = mejor_modelo$kappa
)

pred_krig <- krige.conv(
  geo_temp,
  locations = grilla,
  krige = kc
)
## krige.conv: model with constant mean
## krige.conv: Kriging performed using global neighbourhood

Kriging se corre asumiendo que la temperatura media es constante, pero desconocida en el área de corte.

5 Mapa predicción

Muestra la superficie continua estimada de temperatura sobre el área de estudio, junto con los puntos reales de los árboles y curvas de nivel.

image(
  pred_krig,
  loc = grilla,
  col = hcl.colors(50, "YlOrRd", rev = TRUE),
  main = paste0("Kriging Ordinario - Temp. (", mejor_nombre, ")"),
  xlab = "Longitud",
  ylab = "Latitud"
)
points(geo_temp$coords, pch = 20, cex = 0.8, col = "black")
contour(pred_krig, loc = grilla, add = TRUE, nlev = 6, col = "gray30")

El mapa evidencia los sectores más frescos y más cálidos. Hacia el extremo norte-noroeste y en una pequeña zona hacia el este-sureste se ubican las áreas más frescas, con valores cercanos a los 22–24 °C rodeados por una franja intermedia de 24–26 °C. A medida que se avanza hacia el centro y el sector centro-sur del bloque de árboles, la temperatura asciende de forma gradual pasando por tonos naranjas intermedios (26–28 °C) hasta alcanzar los registros más altos en tonos rojizos, donde las isolíneas llegan a los 28–30 °C.

pred_krig_sd <- pred_krig
pred_krig_sd$predict <- sqrt(pred_krig$krige.var)
image(
  pred_krig_sd,
  loc = grilla,
  col = hcl.colors(50, "Blues", rev = TRUE),
  main = "Error estandar de Kriging (C)",
  xlab = "Longitud",
  ylab = "Latitud"
)
points(geo_temp$coords, pch = 20, cex = 0.8, col = "black")

En el interior del cultivo, justo donde se concentran los puntos negros, el mapa se ve en tonos claros, celestes y blancos, lo que significa que la estimación es bastante segura porque hay mediciones cerca. A medida que nos alejamos de los árboles o nos acercamos a los bordes y esquinas del recuadro, el color cambia a azul oscuro, mostrando que allí hay mayor incertidumbre al no contar con puntos de medición cercanos.