Introducción

En este archivo se recogerá información del clima de la base de datos digital del Automated Surface Observing System (ASOS).

Librerías

library(riem)
## Warning: package 'riem' was built under R version 4.2.1
library(tidyverse)
## Warning: package 'tidyverse' was built under R version 4.2.1
## ── Attaching packages ─────────────────────────────────────── tidyverse 1.3.2 ──
## ✔ ggplot2 3.3.6      ✔ purrr   0.3.4 
## ✔ tibble  3.1.7      ✔ dplyr   1.0.10
## ✔ tidyr   1.2.0      ✔ stringr 1.4.0 
## ✔ readr   2.1.2      ✔ forcats 0.5.2
## Warning: package 'ggplot2' was built under R version 4.2.1
## Warning: package 'readr' was built under R version 4.2.1
## Warning: package 'dplyr' was built under R version 4.2.1
## Warning: package 'forcats' was built under R version 4.2.1
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
library(lubridate)
## Warning: package 'lubridate' was built under R version 4.2.1
## 
## Attaching package: 'lubridate'
## 
## The following objects are masked from 'package:base':
## 
##     date, intersect, setdiff, union
library(ggplot2)
library(plotly)
## Warning: package 'plotly' was built under R version 4.2.1
## 
## 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

Extracción de datos

Estos primeros pasos se pueden omitir si ya conocemos los códigos tanto de los países como de las estaciones, pero por motivo de enseñanza se dejarán.

Paso 1. Ingresar a la red para encontrar el código del país que queremos obtener

view(riem_networks())

Paso 2. Buscar la estación (estado) dentro del país de la cuál queremos la información

view(riem_stations("MX__ASOS"))

Paso 3. Obtener los datos del clima de esa estación

mty <- riem_measures("MMMY")

Obtención de datos

Después generamos una variable en la que guardaremos los datos de la estación pero delimitaremos un espacio de tiempo, que será del mes en cuestión, para tener solo esa información en la variable

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

Por último graficamos únicamente la humedad relativa durante ese mes para tener un entendimiento de cómo se comportó la humedad en esa estación

plot(this_month_mty$valid, this_month_mty$relh, main="Humedad Relativa en MTY", xlab="Humedad Relativa", ylab="Fecha")

Conclusión

Utilizar este tipo de bases de datos nos podría servir para realziar predicciones del clima o para determinar el impacto del clima en ciertos aspectos de la infomación de una base de datos, siendo información demasiado valiosa para una empresa.