Clima

Información del Automated Surface Observing System (ASOS).

Instalar paquetes y llamar librerías.

#install.packages("riem")
library(riem)
#install.packages("tidyverse")
library(tidyverse)
## ── Attaching packages ─────────────────────────────────────── tidyverse 1.3.2 ──
## ✔ ggplot2 3.3.6      ✔ purrr   0.3.4 
## ✔ tibble  3.1.6      ✔ dplyr   1.0.10
## ✔ tidyr   1.2.0      ✔ stringr 1.4.0 
## ✔ readr   2.1.2      ✔ forcats 0.5.2 
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
#install.packages("lubridate")
library(lubridate)
## 
## Attaching package: 'lubridate'
## 
## The following objects are masked from 'package:base':
## 
##     date, intersect, setdiff, union
#install.packages("ggplot2")
library(ggplot2)
#install.packages("plotly")
library(plotly)
## 
## Attaching package: 'plotly'
## 
## The following object is masked from 'package:ggplot2':
## 
##     last_plot
## 
## The following object is masked from 'package:stats':
## 
##     filter
## 
## The following object is masked from 'package:graphics':
## 
##     layout

Paso 1. Buscar la red (país). Ejemplo: México y copiar CODE.

view(riem_networks())

Paso 2. Buscar la red (ciudad). Ejemplo: Monterrey.

view(riem_stations("MX__ASOS"))

Paso 3. Obtener datos del clima.

monterrey <- riem_measures("MMMY")
str(monterrey)
## tibble [77,908 × 32] (S3: tbl_df/tbl/data.frame)
##  $ station          : chr [1:77908] "MMMY" "MMMY" "MMMY" "MMMY" ...
##  $ valid            : POSIXct[1:77908], format: "2014-01-01 00:16:00" "2014-01-01 00:49:00" ...
##  $ lon              : num [1:77908] -100 -100 -100 -100 -100 ...
##  $ lat              : num [1:77908] 25.8 25.8 25.8 25.8 25.8 ...
##  $ tmpf             : num [1:77908] 48.2 48.2 48.2 46.4 46.4 46.4 46.4 46.4 46.4 46.4 ...
##  $ dwpf             : num [1:77908] 46.4 46.4 46.4 46.4 46.4 44.6 44.6 44.6 44.6 44.6 ...
##  $ relh             : num [1:77908] 93.5 93.5 93.5 100 100 ...
##  $ drct             : num [1:77908] 0 120 120 120 110 100 110 130 60 0 ...
##  $ sknt             : num [1:77908] 0 3 5 6 5 5 4 3 3 0 ...
##  $ p01i             : num [1:77908] 0 0 0 0 0 0 0 0 0 0 ...
##  $ alti             : num [1:77908] 30.3 30.3 30.3 30.3 30.3 ...
##  $ mslp             : num [1:77908] NA NA NA NA NA ...
##  $ vsby             : num [1:77908] 4 3 1 0.25 0.12 0.12 0.06 0.06 0.06 0.12 ...
##  $ gust             : num [1:77908] NA NA NA NA NA NA NA NA NA NA ...
##  $ skyc1            : chr [1:77908] "SCT" "SCT" "SCT" "VV " ...
##  $ skyc2            : chr [1:77908] "BKN" "BKN" "BKN" NA ...
##  $ skyc3            : chr [1:77908] "OVC" "OVC" "OVC" NA ...
##  $ skyc4            : chr [1:77908] NA NA NA NA ...
##  $ skyl1            : num [1:77908] 700 300 200 200 100 100 100 100 100 100 ...
##  $ skyl2            : num [1:77908] 1200 400 300 NA NA NA NA NA NA NA ...
##  $ skyl3            : num [1:77908] 4000 900 500 NA NA NA NA NA NA NA ...
##  $ skyl4            : num [1:77908] NA NA NA NA NA NA NA NA NA NA ...
##  $ wxcodes          : chr [1:77908] NA "BR" "BR" "FG" ...
##  $ ice_accretion_1hr: logi [1:77908] NA NA NA NA NA NA ...
##  $ ice_accretion_3hr: logi [1:77908] NA NA NA NA NA NA ...
##  $ ice_accretion_6hr: logi [1:77908] NA NA NA NA NA NA ...
##  $ peak_wind_gust   : logi [1:77908] NA NA NA NA NA NA ...
##  $ peak_wind_drct   : logi [1:77908] NA NA NA NA NA NA ...
##  $ peak_wind_time   : logi [1:77908] NA NA NA NA NA NA ...
##  $ feel             : num [1:77908] 48.2 47.2 45.6 42.9 43.5 ...
##  $ metar            : chr [1:77908] "MMMY 010016Z 00000KT 4SM SCT007 BKN012 OVC040 09/08 A3028 RMK 8/5// BR" "MMMY 010049Z 12003KT 3SM BR SCT003 BKN004 OVC009 09/08 A3028 RMK 8/5// -DZ OCNL" "MMMY 010116Z 12005KT 1SM BR SCT002 BKN003 OVC005 09/08 A3028 RMK 8/6// -DZ OCNL" "MMMY 010120Z 12006KT 1/4SM FG VV002 08/08 A3029 RMK 8//// BC FG MOV SE/NW" ...
##  $ snowdepth        : logi [1:77908] NA NA NA NA NA NA ...

Extraer información de este mes.

este_mes <- subset(monterrey, valid >= as.POSIXct('2022-09-01 00:00') & valid <= as.POSIXct('2022-09-13 23:59'))

Graficar información.

plot(este_mes$valid,este_mes$relh)

Conclusiones

En conclusión, se obtienen las redes ASOS de México y Monterrey de manera que se filtra la información de las bases de datos para encontrar las diversas variables que llega a medir el Automated Surface Observing System de los diversos aeropuertos de la zona de Monterrey. Con ello, se encuentran diversas variables que se filtran en el tiempo designado, cual es del 2022-09-01 00:00 al 2022-09-13 23:59, para así poder analizar la humedad relativa mediante una gráfica. En la gráfica se muestra que los días con mayor humedad (en este caso que presentan mayor probabilidad de lluvia en la zona) fue del 1 de septiembre al 7 de septiembre, donde en los siguientes días empezó a disminuir la humedad relativa de la zona de Monterrey, presentando menores probabilidades de lluvia.