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.
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$coords))
max_dist_uso <- dist_max * 0.5
var_emp <- variog(
geo_temp,
max.dist = max_dist_uso,
uvec = seq(0, max_dist_uso, length.out = 12)
)
## variog: computing omnidirectional variogram
plot(var_emp, main = "Semivariograma empírico - Temperatura")
Para hacer interpolación continua en el espacio se ajusta una función matemática y se compararn los candidatos.
Nugget: Es la variabilidad a distancias muy pequeñas o una microvariación local.
Meseta parcial: Es la varianza espacial estructurada adicional.
Rango: Es la distancia a partir de la cual la autocorrelación espacial desaparece.
ini_psill <- var(geo_temp$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.
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.
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.