library(easypackages)
library(xts)
library(lattice)
library(ggplot2)
library(readr)
library(zoo)
library(visdat)
library(RColorBrewer)
library(dplyr)
library(reshape2)
library(forcats)
library(lubridate)
library(ggfortify)
library(gridExtra)

#prooving
Valores<- read.csv("C:/Users/DELL/Desktop/UTEC 2022-2/Hidrología/ENTREGABLE 3/DEM/Resumen_ETP_ETR_P_Restas.csv", check.names = F, stringsAsFactors = F, sep = ";")

#precipitacion prom estacional
Valores%>%
  ggplot(aes(x=Mes, y=`Valor (mm/mes)`, group=Tipo, color=Tipo))+
    geom_line()+
    scale_x_discrete(limits = c("Sep", "Oct", "Nov", "Dic", "Ene", "Feb", "Mar", "Abr", "May", "Jun", "Jul", "Ago"))+
    ggtitle("")+
    theme(plot.title = element_text(size=14, face="bold", hjust = 0.5))+
    ylab("Evapotranspiración (mm/mes)")+
    xlab("Meses")

Valores%>%
  filter(Tipo == "ETP")%>%
  ggplot(aes(x=Mes, y=`Valor (mm/mes)`, group=Tipo))+
    geom_line()+
    scale_x_discrete(limits = c("Sep", "Oct", "Nov", "Dic", "Ene", "Feb", "Mar", "Abr", "May", "Jun", "Jul", "Ago"))+
    ggtitle("ETP")+
    theme(plot.title = element_text(size=14, face="bold", hjust = 0.5))+
    ylab("ETP promedio (mm/mes)")+
    xlab("Meses")

Valores%>%
  filter(Tipo == "ETR")%>%
  ggplot(aes(x=Mes, y=`Valor (mm/mes)`, group=Tipo))+
    geom_line()+
    scale_x_discrete(limits = c("Sep", "Oct", "Nov", "Dic", "Ene", "Feb", "Mar", "Abr", "May", "Jun", "Jul", "Ago"))+
    ggtitle("ETR")+
    theme(plot.title = element_text(size=18, face="bold", hjust = 0.5))+
    ylab("ETR promedio (mm/mes)")+
    xlab("Meses")

Valores%>%
  filter(Tipo == "Ra")%>%
  ggplot(aes(x=Mes, y=`Valor (mm/mes)`, group=Tipo))+
    geom_line()+
    scale_x_discrete(limits = c("Sep", "Oct", "Nov", "Dic", "Ene", "Feb", "Mar", "Abr", "May", "Jun", "Jul", "Ago"))+
    ggtitle("Radiacion")+
    theme(plot.title = element_text(size=18, face="bold", hjust = 0.5))+
    ylab("Ra")+
    xlab("Meses")

Leyendo el archibo Temperatrua mensual maxima Cuenca Veronica Pisco año normal (usar esta)

library("lattice") #llamar librería lattice
library("hydroTSM") #llamar librería TSM
tmensualMAX<-read.csv("C:/Users/DELL/Desktop/UTEC 2022-2/Hidrología/ENTREGABLE 3/DEM/Temperaturas/Pisco/Tmax.csv", header = FALSE, sep = ";", dec = ".") 
#lectura de archivo, se abrirá una ventana para
# seleccionar el archivo, cual fuese su ruta, header “F” por no contener datos en la cabecera solo contiene etiquetas

#Visualización de la serie de tiempo:
datos<-tmensualMAX[2:(nrow(tmensualMAX)-1),2:ncol(tmensualMAX)]
datos_vector<-as.vector(t(datos)) #convirtiendo a vector lineal
datos_ts<-stats::ts(datos_vector, start=c(1981, 1), end=c(2016, 12), frequency = 12)
plot.ts(datos_ts, type="o", col="black", main="PISCO: Serie de tiempo de Temperatura mensual máxima en la Cuenca Verónica 1981-2015", ylab="T [°C]", xlab="Año")
lines(lowess(time(datos_ts), datos_ts), col="blue", lwd=2) #agregar curva de tendencia

Diagrama de calor o HeatMap Temperatura mensual maxima Cuenca Veronica Pisco año normal (usar esta)


temperatura<-tmensualMAX[2:(nrow(tmensualMAX)),2:ncol(tmensualMAX)] #lectura de solo datos de temperatura, sin etiquetas de años, ni meses (desde 1964 al 1981)
meses<-tmensualMAX[1:1,2:ncol(tmensualMAX)] #lectura de la cabecera de meses en la primera fila
colnames(temperatura)<-unlist(meses) #desagrega los nombres de los meses y se asigna a la matriz
rownames(temperatura)<-tmensualMAX[2:(nrow(tmensualMAX)),1:1] #desagrega los nombres de los meses y se asigna a la matriz
matrixplot(temperatura, ColorRamp="Temperature",main="PISCO: Temperatura mensual máxima en la Cuenca Verónica 1981-2016 (°C)")

Leyendo el archibo Temperatrua mensual minima Cuenca Veronica Pisco año normal (usar esta)

library("lattice") #llamar librería lattice
library("hydroTSM") #llamar librería TSM
tmensualMIN<-read.csv("C:/Users/DELL/Desktop/UTEC 2022-2/Hidrología/ENTREGABLE 3/DEM/Temperaturas/Pisco/Tmin.csv", header = FALSE, sep = ";", dec = ".") 
#lectura de archivo, se abrirá una ventana para
# seleccionar el archivo, cual fuese su ruta, header “F” por no contener datos en la cabecera solo contiene etiquetas

#Visualización de la serie de tiempo:
datos<-tmensualMIN[2:(nrow(tmensualMIN)-1),2:ncol(tmensualMIN)]
datos_vector<-as.vector(t(datos)) #convirtiendo a vector lineal
datos_ts<-stats::ts(datos_vector, start=c(1981, 1), end=c(2016, 12), frequency = 12)
plot.ts(datos_ts, type="o", col="black", main="PISCO: Serie de tiempo de Temperatura mensual mínima en la Cuenca Verónica 1981-2016", ylab="T [°C]", xlab="Año")
lines(lowess(time(datos_ts), datos_ts), col="blue", lwd=2) #agregar curva de tendencia

Diagrama de calor o HeatMap Temperatura mensual min Cuenca Veronica Pisco año normal (usar esta)


temperatura<-tmensualMIN[2:(nrow(tmensualMIN)),2:ncol(tmensualMIN)] #lectura de solo datos de temperatura, sin etiquetas de años, ni meses (desde 1964 al 1981)
meses<-tmensualMIN[1:1,2:ncol(tmensualMIN)] #lectura de la cabecera de meses en la primera fila
colnames(temperatura)<-unlist(meses) #desagrega los nombres de los meses y se asigna a la matriz
rownames(temperatura)<-tmensualMIN[2:(nrow(tmensualMIN)),1:1] #desagrega los nombres de los meses y se asigna a la matriz
matrixplot(temperatura, ColorRamp="Temperature",main="PISCO: Temperatura mensual mínima en la Cuenca Verónica 1981-2016 (°C)")

Leyendo el archibo Temperatrua mensual media Cuenca Veronica Pisco año normal (usar esta)

library("lattice") #llamar librería lattice
library("hydroTSM") #llamar librería TSM
tmensualMED<-read.csv("C:/Users/DELL/Desktop/UTEC 2022-2/Hidrología/ENTREGABLE 3/DEM/Temperaturas/Pisco/Tmed.csv", header = FALSE, sep = ";", dec = ".") 
#lectura de archivo, se abrirá una ventana para
# seleccionar el archivo, cual fuese su ruta, header “F” por no contener datos en la cabecera solo contiene etiquetas

#Visualización de la serie de tiempo:
datos<-tmensualMED[2:(nrow(tmensualMED)-1),2:ncol(tmensualMED)]
datos_vector<-as.vector(t(datos)) #convirtiendo a vector lineal
datos_ts<-stats::ts(datos_vector, start=c(1981, 1), end=c(2016, 12), frequency = 12)
plot.ts(datos_ts, type="o", col="black", main="PISCO: Serie de tiempo de Temperatura mensual media en la Cuenca Verónica 1981-2016", ylab="T [°C]", xlab="Año")
lines(lowess(time(datos_ts), datos_ts), col="blue", lwd=2) #agregar curva de tendencia

Diagrama de calor o HeatMap Temperatura mensual media Cuenca Veronica Pisco año normal (usar esta)


temperatura<-tmensualMED[2:(nrow(tmensualMED)),2:ncol(tmensualMED)] #lectura de solo datos de temperatura, sin etiquetas de años, ni meses (desde 1964 al 1981)
meses<-tmensualMED[1:1,2:ncol(tmensualMED)] #lectura de la cabecera de meses en la primera fila
colnames(temperatura)<-unlist(meses) #desagrega los nombres de los meses y se asigna a la matriz
rownames(temperatura)<-tmensualMED[2:(nrow(tmensualMED)),1:1] #desagrega los nombres de los meses y se asigna a la matriz
matrixplot(temperatura, ColorRamp="Temperature",main="PISCO: Temperatura mensual media en la Cuenca Verónica 1981-2016 (°C)")

Leyendo el archivo Evapotranspiración Potencial mensual en la Cuenca Verónica Pisco año normal (usar esta)

library("lattice") #llamar librería lattice
library("hydroTSM") #llamar librería TSM
ETP<-read.csv("C:/Users/DELL/Desktop/UTEC 2022-2/Hidrología/ENTREGABLE 3/DEM/ETP/Pisco/ETP_Pisco.csv", header = FALSE, sep = ";", dec = ".") 
#lectura de archivo, se abrirá una ventana para
# seleccionar el archivo, cual fuese su ruta, header “F” por no contener datos en la cabecera solo contiene etiquetas

#Visualización de la serie de tiempo:
datos<-ETP[2:(nrow(ETP)-1),2:ncol(ETP)]
datos_vector<-as.vector(t(datos)) #convirtiendo a vector lineal
datos_ts<-stats::ts(datos_vector, start=c(1981, 1), end=c(2016, 12), frequency = 12)
plot.ts(datos_ts, type="o", col="black", main="PISCO: Serie de tiempo de Evapotranspiración Potencial mensual en la Cuenca Verónica 1981-2016", ylab="ETP [mm/mes]", xlab="Año")
lines(lowess(time(datos_ts), datos_ts), col="blue", lwd=2) #agregar curva de tendencia

Diagrama de calor o HeatMap Temperatura mensual maxima Cuenca Veronica Pisco año normal (usar esta)


Evapo<-ETP[2:(nrow(ETP)),2:ncol(ETP)] #lectura de solo datos de Evapo, sin etiquetas de años, ni meses (desde 1964 al 1981)
meses<-ETP[1:1,2:ncol(ETP)] #lectura de la cabecera de meses en la primera fila
colnames(Evapo)<-unlist(meses) #desagrega los nombres de los meses y se asigna a la matriz
rownames(Evapo)<-ETP[2:(nrow(ETP)),1:1] #desagrega los nombres de los meses y se asigna a la matriz
matrixplot(Evapo, ColorRamp="Temperature",main="PISCO: Evapotranspiración Potencial mensual media en la Cuenca Verónica 1981-2016 (mm/mes)")

---
title: "R Notebook"
output: html_notebook
---

```{r}
library(easypackages)
library(xts)
library(lattice)
library(ggplot2)
library(readr)
library(zoo)
library(visdat)
library(RColorBrewer)
library(dplyr)
library(reshape2)
library(forcats)
library(lubridate)
library(ggfortify)
library(gridExtra)

```

```{r}

#prooving
Valores<- read.csv("C:/Users/DELL/Desktop/UTEC 2022-2/Hidrología/ENTREGABLE 3/DEM/Resumen_ETP_ETR_P_Restas.csv", check.names = F, stringsAsFactors = F, sep = ";")

#precipitacion prom estacional
Valores%>%
  ggplot(aes(x=Mes, y=`Valor (mm/mes)`, group=Tipo, color=Tipo))+
    geom_line()+
    scale_x_discrete(limits = c("Sep", "Oct", "Nov", "Dic", "Ene", "Feb", "Mar", "Abr", "May", "Jun", "Jul", "Ago"))+
    ggtitle("")+
    theme(plot.title = element_text(size=14, face="bold", hjust = 0.5))+
    ylab("Evapotranspiración (mm/mes)")+
    xlab("Meses")
```


```{r}
Valores%>%
  filter(Tipo == "ETP")%>%
  ggplot(aes(x=Mes, y=`Valor (mm/mes)`, group=Tipo))+
    geom_line()+
    scale_x_discrete(limits = c("Sep", "Oct", "Nov", "Dic", "Ene", "Feb", "Mar", "Abr", "May", "Jun", "Jul", "Ago"))+
    ggtitle("ETP")+
    theme(plot.title = element_text(size=14, face="bold", hjust = 0.5))+
    ylab("ETP promedio (mm/mes)")+
    xlab("Meses")
```

```{r}
Valores%>%
  filter(Tipo == "ETR")%>%
  ggplot(aes(x=Mes, y=`Valor (mm/mes)`, group=Tipo))+
    geom_line()+
    scale_x_discrete(limits = c("Sep", "Oct", "Nov", "Dic", "Ene", "Feb", "Mar", "Abr", "May", "Jun", "Jul", "Ago"))+
    ggtitle("ETR")+
    theme(plot.title = element_text(size=18, face="bold", hjust = 0.5))+
    ylab("ETR promedio (mm/mes)")+
    xlab("Meses")
```

```{r}
Valores%>%
  filter(Tipo == "Ra")%>%
  ggplot(aes(x=Mes, y=`Valor (mm/mes)`, group=Tipo))+
    geom_line()+
    scale_x_discrete(limits = c("Sep", "Oct", "Nov", "Dic", "Ene", "Feb", "Mar", "Abr", "May", "Jun", "Jul", "Ago"))+
    ggtitle("Radiacion")+
    theme(plot.title = element_text(size=18, face="bold", hjust = 0.5))+
    ylab("Ra")+
    xlab("Meses")
```

# Leyendo el archibo Temperatrua mensual maxima Cuenca Veronica Pisco año normal (usar esta)

```{r}
library("lattice") #llamar librería lattice
library("hydroTSM") #llamar librería TSM
tmensualMAX<-read.csv("C:/Users/DELL/Desktop/UTEC 2022-2/Hidrología/ENTREGABLE 3/DEM/Temperaturas/Pisco/Tmax.csv", header = FALSE, sep = ";", dec = ".") 
#lectura de archivo, se abrirá una ventana para
# seleccionar el archivo, cual fuese su ruta, header “F” por no contener datos en la cabecera solo contiene etiquetas

#Visualización de la serie de tiempo:
datos<-tmensualMAX[2:(nrow(tmensualMAX)-1),2:ncol(tmensualMAX)]
datos_vector<-as.vector(t(datos)) #convirtiendo a vector lineal
datos_ts<-stats::ts(datos_vector, start=c(1981, 1), end=c(2016, 12), frequency = 12)
plot.ts(datos_ts, type="o", col="black", main="PISCO: Serie de tiempo de Temperatura mensual máxima en la Cuenca Verónica 1981-2015", ylab="T [°C]", xlab="Año")
lines(lowess(time(datos_ts), datos_ts), col="blue", lwd=2) #agregar curva de tendencia
```

# Diagrama de calor o HeatMap Temperatura mensual maxima Cuenca Veronica Pisco año normal (usar esta)
```{r}

temperatura<-tmensualMAX[2:(nrow(tmensualMAX)),2:ncol(tmensualMAX)] #lectura de solo datos de temperatura, sin etiquetas de años, ni meses (desde 1964 al 1981)
meses<-tmensualMAX[1:1,2:ncol(tmensualMAX)] #lectura de la cabecera de meses en la primera fila
colnames(temperatura)<-unlist(meses) #desagrega los nombres de los meses y se asigna a la matriz
rownames(temperatura)<-tmensualMAX[2:(nrow(tmensualMAX)),1:1] #desagrega los nombres de los meses y se asigna a la matriz
matrixplot(temperatura, ColorRamp="Temperature",main="PISCO: Temperatura mensual máxima en la Cuenca Verónica 1981-2016 (°C)")
```

# Leyendo el archibo Temperatrua mensual minima Cuenca Veronica Pisco año normal (usar esta)

```{r}
library("lattice") #llamar librería lattice
library("hydroTSM") #llamar librería TSM
tmensualMIN<-read.csv("C:/Users/DELL/Desktop/UTEC 2022-2/Hidrología/ENTREGABLE 3/DEM/Temperaturas/Pisco/Tmin.csv", header = FALSE, sep = ";", dec = ".") 
#lectura de archivo, se abrirá una ventana para
# seleccionar el archivo, cual fuese su ruta, header “F” por no contener datos en la cabecera solo contiene etiquetas

#Visualización de la serie de tiempo:
datos<-tmensualMIN[2:(nrow(tmensualMIN)-1),2:ncol(tmensualMIN)]
datos_vector<-as.vector(t(datos)) #convirtiendo a vector lineal
datos_ts<-stats::ts(datos_vector, start=c(1981, 1), end=c(2016, 12), frequency = 12)
plot.ts(datos_ts, type="o", col="black", main="PISCO: Serie de tiempo de Temperatura mensual mínima en la Cuenca Verónica 1981-2016", ylab="T [°C]", xlab="Año")
lines(lowess(time(datos_ts), datos_ts), col="blue", lwd=2) #agregar curva de tendencia
```

# Diagrama de calor o HeatMap Temperatura mensual min Cuenca Veronica Pisco año normal (usar esta)
```{r}

temperatura<-tmensualMIN[2:(nrow(tmensualMIN)),2:ncol(tmensualMIN)] #lectura de solo datos de temperatura, sin etiquetas de años, ni meses (desde 1964 al 1981)
meses<-tmensualMIN[1:1,2:ncol(tmensualMIN)] #lectura de la cabecera de meses en la primera fila
colnames(temperatura)<-unlist(meses) #desagrega los nombres de los meses y se asigna a la matriz
rownames(temperatura)<-tmensualMIN[2:(nrow(tmensualMIN)),1:1] #desagrega los nombres de los meses y se asigna a la matriz
matrixplot(temperatura, ColorRamp="Temperature",main="PISCO: Temperatura mensual mínima en la Cuenca Verónica 1981-2016 (°C)")
```

# Leyendo el archibo Temperatrua mensual media Cuenca Veronica Pisco año normal (usar esta)

```{r}
library("lattice") #llamar librería lattice
library("hydroTSM") #llamar librería TSM
tmensualMED<-read.csv("C:/Users/DELL/Desktop/UTEC 2022-2/Hidrología/ENTREGABLE 3/DEM/Temperaturas/Pisco/Tmed.csv", header = FALSE, sep = ";", dec = ".") 
#lectura de archivo, se abrirá una ventana para
# seleccionar el archivo, cual fuese su ruta, header “F” por no contener datos en la cabecera solo contiene etiquetas

#Visualización de la serie de tiempo:
datos<-tmensualMED[2:(nrow(tmensualMED)-1),2:ncol(tmensualMED)]
datos_vector<-as.vector(t(datos)) #convirtiendo a vector lineal
datos_ts<-stats::ts(datos_vector, start=c(1981, 1), end=c(2016, 12), frequency = 12)
plot.ts(datos_ts, type="o", col="black", main="PISCO: Serie de tiempo de Temperatura mensual media en la Cuenca Verónica 1981-2016", ylab="T [°C]", xlab="Año")
lines(lowess(time(datos_ts), datos_ts), col="blue", lwd=2) #agregar curva de tendencia
```

# Diagrama de calor o HeatMap Temperatura mensual media Cuenca Veronica Pisco año normal (usar esta)
```{r}

temperatura<-tmensualMED[2:(nrow(tmensualMED)),2:ncol(tmensualMED)] #lectura de solo datos de temperatura, sin etiquetas de años, ni meses (desde 1964 al 1981)
meses<-tmensualMED[1:1,2:ncol(tmensualMED)] #lectura de la cabecera de meses en la primera fila
colnames(temperatura)<-unlist(meses) #desagrega los nombres de los meses y se asigna a la matriz
rownames(temperatura)<-tmensualMED[2:(nrow(tmensualMED)),1:1] #desagrega los nombres de los meses y se asigna a la matriz
matrixplot(temperatura, ColorRamp="Temperature",main="PISCO: Temperatura mensual media en la Cuenca Verónica 1981-2016 (°C)")
```

# Leyendo el archivo Evapotranspiración Potencial mensual en la Cuenca Verónica Pisco año normal (usar esta)

```{r}
library("lattice") #llamar librería lattice
library("hydroTSM") #llamar librería TSM
ETP<-read.csv("C:/Users/DELL/Desktop/UTEC 2022-2/Hidrología/ENTREGABLE 3/DEM/ETP/Pisco/ETP_Pisco.csv", header = FALSE, sep = ";", dec = ".") 
#lectura de archivo, se abrirá una ventana para
# seleccionar el archivo, cual fuese su ruta, header “F” por no contener datos en la cabecera solo contiene etiquetas

#Visualización de la serie de tiempo:
datos<-ETP[2:(nrow(ETP)-1),2:ncol(ETP)]
datos_vector<-as.vector(t(datos)) #convirtiendo a vector lineal
datos_ts<-stats::ts(datos_vector, start=c(1981, 1), end=c(2016, 12), frequency = 12)
plot.ts(datos_ts, type="o", col="black", main="PISCO: Serie de tiempo de Evapotranspiración Potencial mensual en la Cuenca Verónica 1981-2016", ylab="ETP [mm/mes]", xlab="Año")
lines(lowess(time(datos_ts), datos_ts), col="blue", lwd=2) #agregar curva de tendencia
```

# Diagrama de calor o HeatMap Temperatura mensual maxima Cuenca Veronica Pisco año normal (usar esta)
```{r}

Evapo<-ETP[2:(nrow(ETP)),2:ncol(ETP)] #lectura de solo datos de Evapo, sin etiquetas de años, ni meses (desde 1964 al 1981)
meses<-ETP[1:1,2:ncol(ETP)] #lectura de la cabecera de meses en la primera fila
colnames(Evapo)<-unlist(meses) #desagrega los nombres de los meses y se asigna a la matriz
rownames(Evapo)<-ETP[2:(nrow(ETP)),1:1] #desagrega los nombres de los meses y se asigna a la matriz
matrixplot(Evapo, ColorRamp="Temperature",main="PISCO: Evapotranspiración Potencial mensual media en la Cuenca Verónica 1981-2016 (mm/mes)")
```
