-
Notifications
You must be signed in to change notification settings - Fork 0
/
reportehidrologia.Rmd
2410 lines (1733 loc) · 111 KB
/
reportehidrologia.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
---
title: ""
author: ""
date: "`r Sys.Date()`"
bibliography:
- book.bib
- packages.bib
biblio-style: apalike
link-citations: true
cover-image: logo.png
description: Este es un estudio hidrológico de la Granja Tilapia
site: bookdown::bookdown_site
---
```{r include=FALSE, cache=FALSE}
knitr::opts_chunk$set(
echo = FALSE,
message = FALSE,
warning = FALSE
)
```
<div style="text-align:center;">
# Presentación {.unlisted .unnumbered}
**Estudio hidrológico de La Granja Tilapia**
**Regenerative Skills*
**Centro de Investigación para la Restauración y Saturación del Suelo**
**Elaboró: Ing. Edgar Reyes Vargas **
**Revisor: Ing. Oliver Goshey**
<div style="display:flex; justify-content:center; align-items:center; margin-top:20px;">
<img src="D:/CIRSS/proyectos/Tilapia/Hidrologia/logo.png" style="height:250px; margin-right:20px;">
</div>
</div>
<!--chapter:end:index.Rmd-->
```{r include=FALSE, cache=FALSE}
knitr::opts_chunk$set(
echo = FALSE,
message = FALSE,
warning = FALSE
)
```
# Introducción
El presente reporte tiene como objetivo presentar soluciones que mitiguen los riesgos de inundación en la granja Familia Tilapia y además aprovechar el agua en ciertas zonas que están actualmente desaprovechadas. Para ello, se requiere un análisis detallado de la geomorfología de la zona de estudio, que contemple los parámetros que describen las propiedades de la superficie y determinan el movimiento del agua, así como un análisis meteorológico que caracterice los patrones de precipitación en la región.
El contexto de La Granja es que se encuentra aguas abajo del Parque Industrial El Marqués, el cual descarga sus aguas pluviales en un drenaje de tormenta que pasa por un costado de La Granja, el cual se desborda en algunas secciones generando inundaciones en La Granga.
Se realizó un levantamiento topográfico con Dron Mavic 3 Enterprise con módulo RTK y GNSS Emlid Reach RS2 del terreno, por medidas de seguridad se optó por no volar sobre el Parque Industrial El Marqués, por lo que se uso el MDE del **Continuo de Elevaciones Mexicano 3.0** [@CEM3.0] para el análisis geomorfológico que se usará para calcular el caudal que pasa por el drenaje de tormenta. La información levantada con el dron y GNSS se usará para el diseño de las SbN en La Granja.
Para la generación del modelo fisiográfico se usa el software GIS de código libre **QGIS**, y dentro del ambiente se usan las extensiones *GDAL* para gestionar capas vectoriales y rasters, *GRASS* para delimitar el área y red de drenaje, y *SAGA NEXT GEN* para procesos auxiliares.
Para la generación del modelo meteorológico, se utiliza el software de código libre **RStudio** que se basa en el lenguaje *R*, un lenguaje de programación computacional estadística. Dentro del ambiente, se hace uso de librerías especializadas para el uso de datos climatológicos y para la selección de modelos probabilísticos para estimar las tormentas de diseño.
## Objetivo
Diseñar Soluciones basadas en la Naturaleza (SbN) para mitigar los riesgos presentes por inundación que permitan aprovechar las aguas pluviales en zonas que actualmente están desaprovechadas.
## Normativa aplicada
Para el diseño del modelo hidrológico se ha seguido la normativa establecida en el Manual de Agua Potable, Alcantarillado y Saneamiento [@conagua2019] y el Instructivo de Hidrología para Determinar la Avenida Máxima Ordinaria [@conagua1987].
## Localización del proyecto
El área de estudio comprende una una granja de tilapias ubicada en el estado de Querétaro, México, en el municipio del Marqués. La granja se encuentra en la localidad Caro, dentro del Colorado, pertenece a la región hidrográfica Lerma - Santiago, a la cuenca Río Laja y específicamente a la subcuenca Río Apaseo.
El punto de control establecido para el análisis hidrológico se encuentra en el un drenaje de tormenta, localizado en las coordenadas UTM 369084.2299, 2273451.56, con SRC EPSG:32614 - WGS 84 / UTM zona 14N, en unidades métricas. El drenaje de tormenta drena el agua pluvial del parque industrial El Marqués, el cual pasa a un costado de la granja y por debajo de una escuela primaria que acaban de construir.
```{r, echo=FALSE, figura-contextoterritorial , fig.cap="Contexto territorial de la granja Familia Tilapia"}
knitr::include_graphics("Mapa contexto territorial.png")
```
<!--chapter:end:01-intoduccion.Rmd-->
```{r include=FALSE, cache=FALSE}
knitr::opts_chunk$set(
echo = FALSE,
message = FALSE,
warning = FALSE
)
```
# Modelo Fisiográfico
El análisis fisiográfico es fundamental para caracterizar las propiedades físicas de una zona de estudio, incluyendo su topografía, red de drenaje, tipos de suelo y cobertura vegetal. Estos elementos determinan en gran medida el comportamiento hidrológico de la cuenca y su respuesta ante eventos de precipitación.
```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
```
```{r, include=FALSE}
library(readxl)
library(tidyverse)
library(dplyr)
library(tidyr)
library(magrittr)
library(sf)
library(rgdal)
library(raster)
library(units)
library(jsonlite)
library(knitr)
library(kableExtra)
```
```{r, eval=FALSE, include=FALSE}
if (!require(remotes)) install.packages("remotes")
# on 64-bit Windows
remotes::install_github(c("ropensci/tabulapdf"), INSTALL_opts = "--no-multiarch")
# elsewhere
remotes::install_github(c("ropensci/tabulapdf"))
library("tabulapdf")
```
## Topografía documentada
```{r, include=FALSE}
cuenca_shp <- "tilapia_cuenca_cem.shp"
# Leer el shapefile
cuenca <- readOGR(dsn = cuenca_shp, layer = "tilapia_cuenca_cem", verbose = FALSE)
```
```{r, include=FALSE}
tabla_tamano_cuencas <- data.frame(
Clasificacion = c("Muy pequeña", "Pequeña", "Intermedia pequeña", "Intermedia grande", "Grande", "Muy grande"),
Rango_tamaño_km2 = c("< 25", "25 - 250", "250 - 500", "500 - 2,500", "2,500 - 5,000", "> 5,000"))
```
```{r include=FALSE}
#importar archivo con cadenamientos del cauce principal, obtenido con profile tool en qgis
cauce_principal <- read_excel("cauce_principal.xlsx")
```
```{r include=FALSE}
pendiente_uniforme_longitud_total <- cauce_principal$cadenamiento[nrow(cauce_principal)] - cauce_principal$cadenamiento[1]
pendiente_uniforme_deltay <- cauce_principal$elevacion[1] - cauce_principal$elevacion[nrow(cauce_principal)]
pendiente_uniforme <- pendiente_uniforme_deltay / pendiente_uniforme_longitud_total
```
```{r, include=FALSE}
# Crear una función para determinar la clasificación de la cuenca
determinar_clasificacion <- function(area_km2) {
for (i in seq_along(tabla_tamano_cuencas$Rango_tamaño)) {
rango_actual <- tabla_tamano_cuencas$Rango_tamaño[i]
if (rango_actual == "< 25" && area_km2 < 25) {
return(tabla_tamano_cuencas$Clasificacion[i])
} else if (rango_actual == "> 5,000" && area_km2 > 5000) {
return(tabla_tamano_cuencas$Clasificacion[i])
} else {
rango_min <- as.numeric(gsub(",", "", strsplit(rango_actual, "-")[[1]][1]))
rango_max <- as.numeric(gsub(",", "", strsplit(rango_actual, "-")[[1]][2]))
if (!is.na(rango_min) && !is.na(rango_max) && area_km2 >= rango_min && area_km2 < rango_max) {
return(tabla_tamano_cuencas$Clasificacion[i])
}
}
}
}
# Obtener la clasificación de la cuenca
clasificacion_cuenca <- determinar_clasificacion(cuenca$area_km2)
```
Para el presente estudio, se utilizó la información publicada en el geoportal **Continuo de Elevaciones Mexicano 3.0** con una resolución de 5 x 5 metros y datum ITRF08 edición 2014. Los datos fueron obtenidos en junio de 2024 y procesados en el Sistema de Referencia de Coordenadas EPSG:32614 WGS 84 / UTM zona 14N, en unidades métricas.
Al comparar el MDE con la imagen satelital se puede observar que no está actualizado ya que no corresponde al área de escurrimiento que genera el Parque Industrial El Marqués. Sin embargo se propone utilizar esta información para tener una aproximación del caudal que sirva para dimensionar las SbN que permitan mitigar los riesgos de inundación presentes en la granja.
## Delimitación del área de escurrimiento y red hidrográfica
La zona analizada, pertenece a la Región Hidrográfica Lerma - Santiago y forma parte de la cuenca abierta Río Laja. Presenta un **área de drenaje** de `r round(cuenca$area_km2, 2)` km^2^, delimitada por un **perímetro** de `r round(cuenca$perim_km, 2)` km y una **longitud** de `r round(cuenca$long_cu_km, 2)` km, clasificándose como una cuenca **`r clasificacion_cuenca`** conforme a la tabla \@ref(tab:tabla-tamanocuencas), de los *Apuntes de Hidrología Urbana* [@conde1995].
```{r, echo=FALSE, tabla-tamanocuencas}
knitr::kable(tabla_tamano_cuencas,
digits = 4,
booktabs = TRUE,
caption = "Clasificación de las cuencas según su tamaño", label = NA)%>%
kable_classic_2(bootstrap_options = "basic",
full_width = F,
font_size = 12,
position = "center")
```
La **elevación media de la cuenca**, 891 msnm, y la **pendiente de la cuenca**, `r round(cuenca$pend_med_p, 2)` %, son valores que se obtienen
consultando las estadísticas de los rasters generados en QGIS.
El cauce principal, con una **longitud** de `r round(pendiente_uniforme_longitud_total/1000, 2)` km, nace en el Parque Industrial Bernardo Quintana y descarga en la localidad de Caro, específicamente en el drenaje de tormenta que recién construyeron.
```{r, echo=FALSE, figura-cuencadelim, fig.cap="Delimitación de la cuenca de aportación", fig.alt="cuenca delimitada con QGIS 3.36"}
knitr::include_graphics("Mapa cuenca tilapia .png")
```
## Descripción del Relieve
Para describir el relieve, se presenta la **relación de enlongación**, que caracteriza el relieve, cuya fórmula es $$R_e = 1.128 \frac{\sqrt{\ A}}{L_m}$$ y el **coeficiente de compacidad**, que indica la geometría de la cuenca, cuya fórmula es $$K_c = 0.282\frac{P}{\sqrt{A}}$$.
```{r,results='asis', comment = "", echo=FALSE}
Re <- round((1.1284 * (cuenca$area_km2**0.5)) / cuenca$long_cu_km, 1)
kc <- 0.28 * (cuenca$perim_km/sqrt(cuenca$area_km2))
cat("El valor de la relación de enlongación, R~e~ es", Re, "\n")
if (Re >= 0.9 & Re <= 1.0) {
cat(", por lo que consideramos que la cuenca tiene un relieve bajo.\n")
} else if (Re >= 0.6 & Re < 0.9) {
cat(", por lo que consideramos que la cuenca tiene un relieve fuerte.\n")
} else {
cat(", por lo que consideramos que la cuenca tiene un relieve fuera de rango.\n")
}
cat("\nEl valor del coeficiente de compacidad, k~c~ es", kc, "\n")
if (kc <= 1) {
cat(", por lo que consideramos que la cuenca tiene una forma circular.\n")
} else if (kc > 1 & kc <= 3) {
cat(", por lo que consideramos que la cuenca tiene una forma alargada.\n")
} else {
cat(", por lo que consideramos que la cuenca tiene una forma desconocida.\n")
}
```
El relieve influye en la velocidad del escurrimiento, la erosión del suelo y el transporte de sedimentos. Un relieve fuera de rango y una forma alargada implican una mayor concentración de los flujos de escorrentía en el cauce principal, lo que aumenta el riesgo de inundaciones repentinas.
## Red de drenaje
La red de drenaje de una cuenca hidrográfica desempeña un papel crucial en el movimiento y transporte del agua superficial, subsuperficial y subterránea, tanto de manera temporal como permanente [@campos1998]. Las características de esta red reflejan la eficiencia del sistema de drenaje de la cuenca y su capacidad para evacuar los excedentes de agua durante eventos de precipitación intensa.
```{r include=FALSE}
#sirve para determinar la cantidad de tramos a programar
print((cauce_principal$elevacion[1] - cauce_principal$elevacion[nrow(cauce_principal)])*0.04)
print((cauce_principal$cadenamiento[nrow(cauce_principal)] - cauce_principal$cadenamiento[1])*0.04)
```
### Análisis de pendiente del cauce principal de la cuenca
```{r, include=FALSE}
elev_inicial_cauce <- cauce_principal %>%
dplyr::select(elevacion) %>%
slice(1) %>%
pull()
elev_final_cauce <- cauce_principal %>%
dplyr::select(elevacion) %>%
slice(n()) %>%
pull()
```
El análisis del perfil longitudinal del cauce principal proporciona información sobre su pendiente, la cual influye en la velocidad del flujo y la capacidad de transporte de sedimentos.
```{r, echo=FALSE, figura-cauceperfil, out.width=600, fig.align='center', fig.cap="Perfil del cauce principal"}
knitr::include_graphics("perfil del cauce.png")
```
La pendiente del cauce principal se ha calculado usando tres diferentes fórmulas, las cuales se encuentran referenciadas en el manual de alcantarillado y saneamiento pluvial [@conagua2019].
- Pendiente uniforme
- Pendiente por elevaciones constantes de Taylor - Shwarz
- Pendiente por longitudes constantes de Taylor - Shwarz
#### Pendiente uniforme
Esta pendiente se calcula a partir de la longitud total del cauce y la diferencia de elevación entre su punto inicial y final. La fórmula es
$$ S_c = \frac{\Delta H}{L_{tc}} \label{eq:pendieteuniforme} $$
```{r results='asis', echo=FALSE}
cat("La pendiente media del cauce principal calculada con la fórmula de pendiente uniforme es:", pendiente_uniforme, "m/m\n\n")
```
#### Pendiente Taylor Schwarz - Elevaciones constantes
Esta fórmula considera que el río está formado de canales con pendientes uniformes, por lo que se segmenta en tramos equivalentes para poder calcular la pendiente media.
$$S_{ec} = \left[\frac{l_t}{\sum_{i=1}^n\frac{l_i}{\sqrt{s_i}}} \right]^{2} \label{eq:pendietetaylorelev} $$
```{r include=FALSE}
pendiente_ts_ec <- function(dataframe, paso_elevacion = 10) {
# Extraer el primer valor de elevación del dataframe
elevacion_inicial <- dataframe$elevacion[1]
# Calcular el número de elevaciones constantes descendentes necesarias
num_elevaciones <- ceiling((elevacion_inicial - min(dataframe$elevacion)) / paso_elevacion) + 1
# Generar el vector de elevaciones constantes descendentes
elevaciones_constantes <- seq(elevacion_inicial, by = -paso_elevacion, length.out = num_elevaciones)
# Crear una lista para almacenar los valores justo arriba y justo abajo de cada elevación constante
valores_around <- vector("list", length(elevaciones_constantes))
# Iterar sobre cada valor en elevaciones_constantes
for (i in 1:length(elevaciones_constantes)) {
# Encontrar el índice del valor justo arriba del valor actual en elevaciones_constantes
index_above <- max(which(dataframe$elevacion >= elevaciones_constantes[i]))
# Encontrar el índice del valor justo abajo del valor actual en elevaciones_constantes
index_below <- min(which(dataframe$elevacion <= elevaciones_constantes[i]))
# Almacenar los valores justo arriba y justo abajo en la lista
valor_arriba <- dataframe$elevacion[index_above]
valor_abajo <- ifelse(is.infinite(index_below), elevaciones_constantes[i], dataframe$elevacion[index_below])
valores_around[[i]] <- c(valor_arriba, valor_abajo)
}
# Crear una lista para almacenar los cadenamientos asociados a cada valor de elevación
cadenamientos_around <- vector("list", length(valores_around))
# Iterar sobre cada elemento en valores_around
for (i in 1:length(valores_around)) {
# Extraer los valores de elevación justo arriba y justo abajo
elev_arriba <- valores_around[[i]][1]
elev_abajo <- valores_around[[i]][2]
# Encontrar los índices de los valores justo arriba y justo abajo en el dataframe original
index_arriba <- which(dataframe$elevacion == elev_arriba)
index_abajo <- which(dataframe$elevacion == elev_abajo)
# Extraer los cadenamientos asociados
cadenamiento_arriba <- dataframe$cadenamiento[index_arriba]
cadenamiento_abajo <- dataframe$cadenamiento[index_abajo]
# Almacenar los cadenamientos asociados en la lista
cadenamientos_around[[i]] <- c(cadenamiento_arriba, cadenamiento_abajo)
}
# Obtener el valor de arriba y el valor de abajo de la última fila de valores_around
valor_arriba_ultima <- valores_around[[length(valores_around)]][1]
valor_abajo_ultima <- valores_around[[length(valores_around)]][2]
# Obtener el valor de cadenamiento de la última fila de cadenamientos_around
cadenamiento_ultima <- cadenamientos_around[[length(cadenamientos_around)]]
# Interpolar para obtener el valor de cadenamiento faltante
cadenamiento_interp <- approx(
x = c(valor_arriba_ultima, valor_abajo_ultima),
y = c(cadenamiento_ultima, cadenamiento_ultima),
xout = elevaciones_constantes[length(elevaciones_constantes)],
method = "linear"
)$y
# Agregar el valor interpolado a la última fila de cadenamientos_around
cadenamientos_around[[length(cadenamientos_around)]] <- c(cadenamientos_around[[length(cadenamientos_around)]], cadenamiento_interp)
# Crear un dataframe para almacenar los resultados
resultados <- data.frame(
elevacion_constante = elevaciones_constantes,
elev_arriba = numeric(length(elevaciones_constantes)),
elev_abajo = numeric(length(elevaciones_constantes)),
cadena_arriba = numeric(length(elevaciones_constantes)),
cadena_abajo = numeric(length(elevaciones_constantes))
)
# Llenar el dataframe con los valores
for (i in 1:length(valores_around)) {
resultados[i, "elev_arriba"] <- valores_around[[i]][1]
resultados[i, "elev_abajo"] <- valores_around[[i]][2]
resultados[i, "cadena_arriba"] <- cadenamientos_around[[i]][1]
resultados[i, "cadena_abajo"] <- cadenamientos_around[[i]][2]
}
# Calcular la interpolación constante para encontrar el cadenamiento asociado a cada elevación constante
cadenamientos_interp <- approx(
x = resultados$elev_abajo, # Valores de elevación justo abajo
y = resultados$cadena_abajo, # Cadenamientos asociados justo abajo
xout = resultados$elevacion_constante, # Valores de elevación constantes
method = "constant", # Usar interpolación constante
yleft = NA, # No especificar valor para puntos por debajo del rango
yright = NA, # No especificar valor para puntos por encima del rango
rule = 2 # Utilizar el valor más cercano para puntos fuera del rango
)$y
# Agregar los resultados de la interpolación al dataframe
resultados$cadena_interp <- cadenamientos_interp
# Obtener el último valor de cadenamiento del dataframe original
ultimo_cadenamiento <- tail(dataframe$cadenamiento, 1)
# Reemplazar NA en cadena_interp con el último valor de cadenamiento
resultados$cadena_interp[is.na(resultados$cadena_interp)] <- ultimo_cadenamiento
# Obtener el último valor de la columna elevacion del dataframe original
ultimo_valor_elevacion <- tail(dataframe$elevacion, n = 1)
# Asignar el último valor de elevacion del dataframe original a la última fila de elevacion_constante en resultados
resultados$elevacion_constante[nrow(resultados)] <- ultimo_valor_elevacion
# Calcular la diferencia entre los valores de cadenamiento consecutivos
resultados$diferencia <- c(diff(resultados$cadena_interp), NA)
# Calcular la diferencia de elevación entre filas consecutivas
resultados$htramo <- c(-diff(resultados$elevacion_constante), NA)
# Calcular la longitud_tramo / raíz cuadrada(htramo / longitud_tramo)
resultados$relacion <- resultados$diferencia / sqrt(resultados$htramo / resultados$diferencia)
# Calcular la sumatoria de longitud_tramo
pendiente_taylor_ec_numerador <- sum(resultados$diferencia, na.rm = TRUE)
# Calcular la sumatoria de relacion
pendiente_taylor_ec_denominador <- sum(resultados$relacion, na.rm = TRUE)
# Calcular (sum_longitud_tramo / sum_relacion)^2
pendiente_taylor_elev <- (pendiente_taylor_ec_numerador / pendiente_taylor_ec_denominador)^2
# Mostrar el resultado
cat("La pendiente media del cauce principal calculada con la fórmula de Taylor Schwarz por elevaciones constantes es:", pendiente_taylor_elev, "m/m\n\n")
}
```
```{r results='asis', echo=FALSE, warning=FALSE}
pendiente_ts_ec(cauce_principal, paso_elevacion = 50)
```
#### Pendiente Taylor Schwarz - Longitudes constantes
Esta fórmula considera que el río está formado de canales con pendientes uniformes, por lo que se segmenta en tramos equivalentes para poder calcular la pendiente media.
$$S_{lc} = \left[ \frac{n}{\sum_{i=1}^n\frac{1}{\sqrt{s_i}}} \right]^{2} \label{eq:pendietetaylorlong} $$
```{r include=FALSE}
pendiente_ts_lc <- function(dataframe, paso_cadenamiento = 500) {
# Extraer el primer valor de cadenamiento del dataframe
cadenamiento_inicial <- dataframe$cadenamiento[1]
# Calcular el número de cadenamientos constantes ascendentes necesarios
num_cadenamientos <- ceiling((max(dataframe$cadenamiento) - cadenamiento_inicial) / paso_cadenamiento) + 1
# Generar el vector de cadenamientos constantes ascendentes
cadenamientos_constantes <- seq(cadenamiento_inicial, by = paso_cadenamiento, length.out = num_cadenamientos)
# Crear una lista para almacenar los valores justo arriba y justo abajo de cada cadenamiento constante
valores_around <- vector("list", length(cadenamientos_constantes))
# Iterar sobre cada valor en cadenamientos_constantes
for (i in 1:length(cadenamientos_constantes)) {
# Encontrar el índice del valor justo arriba del valor actual en cadenamientos_constantes
index_above <- min(which(dataframe$cadenamiento >= cadenamientos_constantes[i]))
# Encontrar el índice del valor justo abajo del valor actual en cadenamientos_constantes
index_below <- max(which(dataframe$cadenamiento <= cadenamientos_constantes[i]))
# Almacenar los valores justo arriba y justo abajo en la lista
valor_arriba <- ifelse(is.infinite(index_above), cadenamientos_constantes[i], dataframe$cadenamiento[index_above])
valor_abajo <- dataframe$cadenamiento[index_below]
valores_around[[i]] <- c(valor_arriba, valor_abajo)
}
# Crear una lista para almacenar las elevaciones asociadas a cada valor de cadenamiento
elevaciones_around <- vector("list", length(valores_around))
# Iterar sobre cada elemento en valores_around
for (i in 1:length(valores_around)) {
# Extraer los valores de cadenamiento justo arriba y justo abajo
cad_arriba <- valores_around[[i]][1]
cad_abajo <- valores_around[[i]][2]
# Encontrar los índices de los valores justo arriba y justo abajo en el dataframe original
index_arriba <- which(dataframe$cadenamiento == cad_arriba)
index_abajo <- which(dataframe$cadenamiento == cad_abajo)
# Extraer las elevaciones asociadas
elevacion_arriba <- dataframe$elevacion[index_arriba]
elevacion_abajo <- dataframe$elevacion[index_abajo]
# Almacenar las elevaciones asociadas en la lista
elevaciones_around[[i]] <- c(elevacion_arriba, elevacion_abajo)
}
# Obtener el valor de arriba y el valor de abajo de la última fila de valores_around
valor_arriba_ultima <- valores_around[[length(valores_around)]][1]
valor_abajo_ultima <- valores_around[[length(valores_around)]][2]
# Obtener el valor de elevación de la última fila de elevaciones_around
elevacion_ultima <- elevaciones_around[[length(elevaciones_around)]]
# Interpolar para obtener el valor de elevación faltante
elevacion_interp <- approx(
x = c(valor_arriba_ultima, valor_abajo_ultima),
y = c(elevacion_ultima, elevacion_ultima),
xout = cadenamientos_constantes[length(cadenamientos_constantes)],
method = "linear"
)$y
# Agregar el valor interpolado a la última fila de elevaciones_around
elevaciones_around[[length(elevaciones_around)]] <- c(elevaciones_around[[length(elevaciones_around)]], elevacion_interp)
# Crear un dataframe para almacenar los resultados
resultados2 <- data.frame(
cadenamiento_constante = cadenamientos_constantes,
cad_arriba = numeric(length(cadenamientos_constantes)),
cad_abajo = numeric(length(cadenamientos_constantes)),
elev_arriba = numeric(length(cadenamientos_constantes)),
elev_abajo = numeric(length(cadenamientos_constantes))
)
# Llenar el dataframe con los valores
for (i in 1:length(valores_around)) {
resultados2[i, "cad_arriba"] <- valores_around[[i]][1]
resultados2[i, "cad_abajo"] <- valores_around[[i]][2]
resultados2[i, "elev_arriba"] <- elevaciones_around[[i]][1]
resultados2[i, "elev_abajo"] <- elevaciones_around[[i]][2]
}
# Calcular la interpolación para encontrar la elevación asociada a cada cadenamiento constante
elevaciones_interp <- splinefun(
x = resultados2$cad_abajo, # Valores de cadenamiento justo arriba
y = resultados2$elev_abajo, # Elevaciones asociadas justo arriba
method = "natural" # Utilizar el método spline natural
)(resultados2$cadenamiento_constante) # Aplicar la interpolación al vector de cadenamientos constantes
# Agregar los resultados de la interpolación al dataframe
resultados2$elevacion_interp <- elevaciones_interp
# Obtener el último valor de elevación del dataframe original
ultima_elevacion <- tail(dataframe$elevacion, 1)
# Reemplazar NA en elevacion_interp con el último valor de elevación
resultados2$elevacion_interp[is.na(resultados2$elevacion_interp)] <- ultima_elevacion
# Obtener el último valor de la columna cadenamiento del dataframe original
ultimo_valor_cadenamiento <- tail(dataframe$cadenamiento, n = 1)
# Asignar el último valor de cadenamiento del dataframe original a la última fila de cadenamiento_constante en resultados
resultados2$cadenamiento_constante[nrow(resultados2)] <- ultimo_valor_cadenamiento
# Calcular la diferencia entre los valores de cadenamiento consecutivos
resultados2$longitud_tramo <- c(diff(resultados2$cadenamiento_constante), NA)
# Calcular la diferencia de elevación entre filas consecutivas
resultados2$htramo <- c(-diff(resultados2$elevacion_interp), NA)
# Calcular la longitud_tramo / raíz cuadrada(htramo / longitud_tramo)
resultados2$relacion <- 1 / sqrt(resultados2$htramo / resultados2$longitud_tramo)
# Calcular la sumatoria de longitud_tramo
pendiente_taylor_lc_numerador <- nrow(resultados2)
# Calcular la sumatoria de relacion
pendiente_taylor_lc_denominador <- sum(resultados2$relacion, na.rm = TRUE)
# Calcular (sum_longitud_tramo / sum_relacion)^2
pendiente_taylor_long <- (pendiente_taylor_lc_numerador / pendiente_taylor_lc_denominador)^2
# Mostrar el resultado
cat("La pendiente media del cauce principal calculada con la fórmula de Taylor Schwarz por longitudes constantes es:", pendiente_taylor_long, "m/m\n\n")
}
```
```{r results='asis', echo=FALSE, warning=FALSE}
pendiente_ts_lc(cauce_principal, paso_cadenamiento = 5000)
```
Se hicieron corridas del modelo hidrológico con las pendientes de Taylor - Shwarz y uniforme, y se decidió usar la pendiente uniforme, debido a que genera resultados más conservadores.
Las memorias de cálculo que generan las pendientes Taylor - Shwarz se encuentran en el Ápéndice.
Los parámetros fisiográficos y geomorfológicos calculados se muestran en la siguiente tabla.
```{r, echo=FALSE, tabla-resumenparametrosfisio}
# Crear un dataframe con los datos
resumen_paramatros_fisiogeom <- data.frame(
Variable = c("Área de la cuenca (km^2)", "Perímetro de la cuenca (km)", "Longitud de la cuenca (km)",
"Pendiente media de la cuenca (%)", "Elevación media de la cuenca (msnm)", "Relación de elongación",
"Coeficiente de compacidad", "Elevación inicial del cauce (msnm)", "Elevación final del cauce (msnm)",
"Longitud total del cauce (km)", "Pendiente uniforme del cauce (%)"),
Valor = c(cuenca$area_km2, cuenca$perim_km, cuenca$long_cu_km, cuenca$pend_med_p, 891, Re, kc,
elev_inicial_cauce, elev_final_cauce, pendiente_uniforme_longitud_total/1000, pendiente_uniforme*100)
)
# Mostrar la tabla
knitr::kable(resumen_paramatros_fisiogeom,
digits = 4,
booktabs = TRUE,
caption = "Características de la cuenca y el cauce principal",
label = NA) %>%
kable_classic_2(bootstrap_options = "condensed",
full_width = F,
font_size = 12,
position = "center")
```
## Estimación del coeficiente de escurrimiento
Dadas las características de la cuenca en estudio, con un área de `r round(cuenca$area_km2, 2)` km^2^ y una naturaleza predominantemente urbana, se considera el uso del método racional, el cual es más adecuado para cuencas pequeñas y zonas urbanas. Por lo que en el estudio solo se usará el cálculo del **Número de Curva** para calcular el coeficiente de escurrimiento en La Granja.
## Tiempos de estudio
En el presente estudio, se han revisado y comparado diferentes fórmulas empíricas propuestas por diversos autores para el cálculo de T~c~. Si bien la fórmula de Kirpich es ampliamente aceptada a nivel internacional, es importante evaluar y comparar los resultados obtenidos con otros enfoques para garantizar la robustez y confiabilidad de los análisis.
### Tiempo de concentracion por kirpich
La fórmula para calcular el tiempo por el autor Kirpich es la más usada a nivel global, su fórmula es
$$ t_{c} = 0.0003245 \left(\frac{l_t}{\sqrt{S_{tc}}}\right)^{0.77} $$.
```{r results='asis', comment = "", echo=FALSE, warning=FALSE}
# define the constants
k = 0.0195
const1 = 0.77
const2 = -0.385
# Calculate tc
tc = set_units((k * (pendiente_uniforme_longitud_total ** const1) * (pendiente_uniforme ** const2)), "min") #tiempo de concentración por Kirpich
tc_hr <- tc %>% set_units("hour")
#0.0003245 * (((pendiente_uniforme_longitud_total)**const1) / (pendiente_uniforme **0.385)) #toc aparicio
#0.0003245 * ((pendiente_uniforme_longitud_total) / sqrt(pendiente_uniforme ))**0.77
cat("El valor del tiempo de concentración calculado por Kirpich para toda el área de estudio es: ", round(tc_hr,2), "horas"," ", "o ", round(tc,2), "minutos", ".")
```
### Tiempo de concentracion por Rowe
La fórmula para calcular el tiempo por el autor Rowe se define en [@conagua2019, pág. 41] con la siguiente expresión
$$ t_{c} = \left(\frac{0.86l_t^{2}}{\sqrt{S_{lcm}}}\right)^{0.385} $$.
```{r results='asis', comment = "", echo=FALSE, warning=FALSE}
tc_rowe = set_units(((0.86 * (pendiente_uniforme_longitud_total/1000)**2) / (pendiente_uniforme*1000))**0.385,"hr")
cat("El valor del tiempo de concentración calculado por Rowe para toda el área de estudio es: ", round(tc_rowe,2), "horas",".")
```
<!--chapter:end:02-modelo_fisiografico.Rmd-->
```{r include=FALSE, cache=FALSE}
knitr::opts_chunk$set(
echo = FALSE,
message = FALSE,
warning = FALSE
)
```
# Modelo meteorológico
En el análisis hidrológico de una cuenca, el estudio de los datos climatológicos es fundamental para dimensionar adecuadamente la precipitación que alimenta la red de drenaje. La serie temporal de interés en este caso es la de valores mensuales de la precipitación máxima en 24 horas, ya que esta variable es la más ampliamente disponible según la Comisión Nacional del Agua [@conagua1987]. Esta variable sirve como entrada en el modelo hidrológico para simular el ciclo hidrológico y predecir el suministro de agua en la región. Debido a la naturaleza aleatoria de la precipitación, es necesario abordar el ciclo hidrológico desde un enfoque probabilístico.
```{r include=FALSE}
library(tidyverse)
library(dplyr)
library(ggplot2)
library(magrittr) # %<>%
library(latexpdf)
library(tinytex)
library(climatol) #quality control, homogenization and missing data in-filling of climatological series
library(readxl)
library(writexl)
library(vegan) #prueba de independencia, Cochran-Mantel-Haenszel Chi-Squared Test
library(FAdist) #logpearson III y otras
library(nsRFA) #analisis frecuencias. talvez es el que impera.
library(fitdistrplus) #ajustar distribuciones
library(sp) #objetos espaciales
library(sf) #objetos vectoriales
library(raster)
library(rgdal) #lee shapefiles
library(units) #scales with units
library(knitr)
library(kableExtra)
```
A fin de generar un modelo probabilístico robusto, se han estudiado diferentes metodologías para el tratamiento de series temporales de datos climatológicos, con el propósito de homogeneizar los datos, identificar y tratar valores faltantes y atípicos. En este contexto, RStudio se presenta como una herramienta valiosa, ya que permite explorar las metodologías propuestas por diversos autores, aprovechando el poder computacional del software estadístico.
Para el trabajo con los datos climatológicos, se ha decidido utilizar la librería *climatol* [@guijarro2024], debido a que se basa en las guías de homogeneización establecidas por la Organización Meteorológica Mundial y ha sido referenciada en comunidades de hidrólogos.
En cuanto a la selección de las distribuciones probabilísticas de los eventos hidrológicos futuros, se utiliza principalmente la librería *nsRFA* [@nsRFA2023], ya que ofrece una colección de herramientas estadísticas para la aplicación objetiva (no supervisada) de los métodos de Análisis de Frecuencia Regional en Hidrología. En otras palabras, permite al hidrólogo ajustar funciones de distribución a las curvas de crecimiento regionales empíricas haciendo uso de modelos de aprendizaje automático.
En los últimos años, se han realizado numerosos estudios en diferentes países sobre el análisis regional de frecuencias de precipitaciones [@dominguez2018]. Por tanto, el uso de estas aplicaciones no supervisadas puede ser de gran valor para la creación de modelos probabilísticos que permitan estimar de manera confiable las tormentas de diseño, contribuyendo así a una gestión eficiente y sostenible de los recursos hídricos en la cuenca.
## Selección de estaciones climatológicas
En el proceso de modelación hidrológica, la selección adecuada de estaciones climatológicas es crucial para garantizar la calidad y representatividad de los datos de precipitación utilizados. En el presente estudio, el criterio para determinar la cantidad de estaciones a considerar se fundamenta en las recomendaciones de la librería climatol, la cual sugiere el uso de al menos seis estaciones para obtener mejores resultados en la homogeneización de los datos climatológicos.
Afortunadamente, la zona de estudio cuenta con un número suficiente de estaciones climatológicas para cumplir con este criterio. Las tablas con los datos climatológicos de las seis estaciones seleccionadas fueron descargadas del portal de CONAGUA e importadas en RStudio para ser tratadas mediante las funciones de la librería climatol.
La selección de estaciones climatológicas representativas es un paso crucial en el análisis hidrológico, ya que los datos de precipitación obtenidos servirán como entrada en el modelo hidrológico para simular el ciclo hidrológico y predecir el suministro de agua en la región. Una adecuada cobertura espacial de las estaciones garantiza que se capturen las variaciones locales en los patrones de precipitación, lo cual es esencial para obtener estimaciones precisas de los caudales y volúmenes de escorrentía.
Además de la cantidad de estaciones, es importante considerar otros factores como la distribución espacial, la longitud y calidad de los registros históricos, y la presencia de posibles fuentes de error o inconsistencias en los datos. La aplicación de técnicas de homogeneización, como las proporcionadas por la librería climatol, permiten identificar y tratar valores atípicos o faltantes, mejorando la confiabilidad de los datos utilizados en el modelo hidrológico.
Se usan los polígonos de Voronoi para determinar que estación es la que se va a usar después de que se haya homogenizado, haciendo uso de 5 estaciones adicionales para homogenizar los datos de la estación Santa Teresa, que es la que según los polígonos de Voronoi tiene influencia sobre el predio.
```{r, echo=FALSE, figura-voronoi , fig.cap="Polígonos de Voronoi para seleccionar la estación de influencia en la zona de estudio"}
knitr::include_graphics("voronoi.png")
```
```{r, include=FALSE}
#Función para importar lluvia maxima 24h de estación
importar_estacion <- function(nombre_df, ruta_archivo) {
# Lee todas las líneas del archivo
lineas <- readLines(ruta_archivo)
# Encuentra la línea que contiene el encabezado de la tabla
indice_encabezado <- grep("^LLUVIA MÁXIMA 24H", lineas)
# Encuentra la línea que contiene el último dato de la tabla
indice_fin_tabla <- grep("MÍNIMA", lineas, fixed = TRUE)[1]
# Calcula el número de filas
nrows <- indice_fin_tabla - indice_encabezado - 2 # Resta 2 para excluir las líneas finales que sobran
# Lee los datos con el número calculado de filas
df <- read.table(ruta_archivo,
header = TRUE,
sep = "\t",
skip = indice_encabezado,
nrows = nrows,
colClasses = c(rep("numeric", 13), rep("NULL", 3)))
# Asigna un nombre al dataframe
assign(nombre_df, df, envir = .GlobalEnv)
# Imprime la estructura del dataframe
str(get(nombre_df))
}
```
```{r, include=FALSE}
#Importamos lluvia maxima de 24 horas de las estaciones de interés
# estacion_elbatan
importar_estacion("estacion_elbatan", "mes22004.TXT")
# estacion_nogales
importar_estacion("estacion_nogales", "mes22046.TXT")
# estacion_santateresa
importar_estacion("estacion_santateresa", "mes22058.TXT")
# estacion_queretaro
importar_estacion("estacion_queretaro", "mes22063.TXT")
# estacion_laventa
importar_estacion("estacion_laventa", "mes22067.TXT")
# estacion_plantel7
importar_estacion("estacion_plantel7", "mes22070.TXT")
```
Se muestra una extracción de la tabla \@ref(tab:tabla-pre2001) con las precipitaciones extremas de la estación de Santa Teresa . Las 6 tablas originales se encuentran en el [Apéndice del Modelo Meteorológico][Apéndice del Modelo Meteorológico].
```{r, tabla-pre2001, echo=FALSE}
knitr::kable(estacion_santateresa%>%
head(10),
digits = 4,
booktabs = TRUE,
caption = "Previsualización de los registros mensuales de Pmax~24h~ de la estación Santa Teresa", label = NA)%>%
kable_classic_2(bootstrap_options = "condensed",
full_width = F,
font_size = 12,
position = "center")
```
```{r, eval=FALSE, include=FALSE}
#Revisar estaciones y quitar año en curso para que no se incluya en el análisis de datos faltantes.
#ejemplo
estacion_2164 %<>%
filter(AÑO != '2024')
```
## Homogenización de datos climatológicos
Se tiene que preparar la información para presentarla conforme los requerimientos de las funciones de la librería climatol.
```{r, eval=FALSE, include=FALSE}
#preparar dataframes para poder usar paquete climatol()
estacion_elbatanclima <- pivot_longer(estacion_elbatan, cols = c(2:13), names_to = "mes", values_to = "precipitacion")
estacion_elbatanclima %<>%
mutate(dia = 1, codigo = 22004) %>%
dplyr::select(codigo, year = AÑO, mes, dia, precipitacion)
# Crear un vector de nombres de meses
nombres_meses <- c("ENE", "FEB", "MAR", "ABR", "MAY", "JUN", "JUL", "AGO", "SEP", "OCT", "NOV", "DIC")
# Aplicar la correspondencia a la columna mes del dataframe
estacion_elbatanclima$mes <- match(estacion_elbatanclima$mes, nombres_meses)
library("xlsx")
# Escribir el dataframe en un archivo CSV
write.xlsx(estacion_elbatanclima, file = "D:/CIRSS/proyectos/Tilapia/clima/data_xls/dir1/estacion_elbatanclima.xls", showNA = FALSE)
estacion_laventaclima <- pivot_longer(estacion_laventa, cols = c(2:13), names_to = "mes", values_to = "precipitacion")
estacion_laventaclima %<>%
mutate(dia = 1, codigo = 22067) %>%
dplyr::select(codigo, year = AÑO, mes, dia, precipitacion)
# Aplicar la correspondencia a la columna mes del dataframe
estacion_laventaclima$mes <- match(estacion_laventaclima$mes, nombres_meses)
# Escribir el dataframe en un archivo CSV
write.xlsx(estacion_laventaclima, file = "D:/CIRSS/proyectos/Tilapia/clima/data_xls/dir1/estacion_laventaclima.xls", showNA = FALSE)
estacion_nogalesclima <- pivot_longer(estacion_nogales, cols = c(2:13), names_to = "mes", values_to = "precipitacion")
estacion_nogalesclima %<>%
mutate(dia = 1, codigo = 22046) %>%
dplyr::select(codigo, year = AÑO, mes, dia, precipitacion)
# Aplicar la correspondencia a la columna mes del dataframe
estacion_nogalesclima$mes <- match(estacion_nogalesclima$mes, nombres_meses)
# Escribir el dataframe en un archivo CSV
write.xlsx(estacion_nogalesclima, file = "D:/CIRSS/proyectos/Tilapia/clima/data_xls/dir1/estacion_nogalesclima.xls", showNA = FALSE)
estacion_plantel7clima <- pivot_longer(estacion_plantel7, cols = c(2:13), names_to = "mes", values_to = "precipitacion")
estacion_plantel7clima %<>%
mutate(dia = 1, codigo = 22070) %>%
dplyr::select(codigo, year = AÑO, mes, dia, precipitacion)
# Aplicar la correspondencia a la columna mes del dataframe
estacion_plantel7clima$mes <- match(estacion_plantel7clima$mes, nombres_meses)
# Escribir el dataframe en un archivo CSV
write.xlsx(estacion_plantel7clima, file = "D:/CIRSS/proyectos/Tilapia/clima/data_xls/dir1/estacion_plantel7clima.xls", showNA = FALSE)
estacion_queretaroclima <- pivot_longer(estacion_queretaro, cols = c(2:13), names_to = "mes", values_to = "precipitacion")
estacion_queretaroclima %<>%
mutate(dia = 1, codigo = 22063) %>%
dplyr::select(codigo, year = AÑO, mes, dia, precipitacion)
# Aplicar la correspondencia a la columna mes del dataframe
estacion_queretaroclima$mes <- match(estacion_queretaroclima$mes, nombres_meses)
# Escribir el dataframe en un archivo CSV
write.xlsx(estacion_queretaroclima, file = "D:/CIRSS/proyectos/Tilapia/clima/data_xls/dir1/estacion_queretaroclima.xls", showNA = FALSE)
estacion_santateresaclima <- pivot_longer(estacion_santateresa, cols = c(2:13), names_to = "mes", values_to = "precipitacion")
estacion_santateresaclima %<>%
mutate(dia = 1, codigo = 22058) %>%
dplyr::select(codigo, year = AÑO, mes, dia, precipitacion)
# Aplicar la correspondencia a la columna mes del dataframe
estacion_santateresaclima$mes <- match(estacion_santateresaclima$mes, nombres_meses)
# Escribir el dataframe en un archivo CSV
write.xlsx(estacion_santateresaclima, file = "D:/CIRSS/proyectos/Tilapia/clima/data_xls/dir1/estacion_santateresaclima.xls", showNA = FALSE)
```
```{r, eval=FALSE, include=FALSE}
#climatol, guardar archivos xls en un csv, ya borra los años que tienen NA
#antes de este paso hay que corregir los csv, borrar la primer columna que se genera extra
## Set a temporal working directory:
#setwd("D:/CIRSS/hidrologia/T8_Proyecto Final/clima/data_xls")
## Now run the example:
xls2csv('dir1', 'dir2', 'precipitacion', datcols = c(1:5))
```
La función **csv2climatol** ocupa un archivo con el código de las estaciones, sus coordenadas geográficas en decimales y su nombre; y otro archivo con los datos climatológicos.
Para este segundo archivo, el algoritmo toma los archivos de cada estación en formato csv, borra los años que tengan al menos una NA y genera un archivo único.
```{r, eval=FALSE, include=FALSE}
# Generar csv con la geodata de las estaciones
datos <- data.frame(
x = c(-115.852, -116.234, -116.681, -116.454),
y = c(32.1064, 31.9189, 32.0492, 32.1075),
z = c(330, 721, 340, 400),
codigo = c(2164, 2118, 2036, 2001),
nombre = c("EJIDO_EL_PORVENIR", "VALLE_DE_SAN_RAFAEL", "OLIVARES_MEXICANOS", "AGUACALIENTE")
)
# Guardar en un archivo CSV
write.csv(datos, file = "estaciones.csv", row.names = FALSE)
getwd()
```
La metodología estadística usada para la homogenización de datos es la *Standard Normal Homogeneity Test (SNHT)* que usa la siguiente expresión para calcular la prueba estadística.
$$ T_k = k z_1^2 + \left(n - k\right) z_2^2 \qquad (1 \le k < n) $$
donde
$$ \begin{array}{l l} z_1 = \frac{1}{k} \sum_{i=1}^k \frac{x_i - \bar{x}}{\sigma} & z_2 = \frac{1}{n-k} \sum_{i=k+1}^n \frac{x_i - \bar{x}}{\sigma}. \\ \end{array} $$
El valor crítico es:
$$T = \max T_k$$
```{r, include=FALSE}
# Utilizar la función csv2climatol con el dataframe corregido
csv2climatol("xls_precipitacion_data.csv",
datacol = 2:6,
stnfile = "estaciones.csv",
stncol = 1:5,
varcli = "precipitacion",
anyi = 1983,
anyf = 2019,
mindat = 60,
sep = ",",
dec = ".",
na.strings = 'NA',
cf = 1,
ndec = 1,
header = TRUE)
```
El algoritmo realiza una serie de pasos y presenta parámetros estadigráficos de la prueba, el error cuadrático medio del valor estimado, el porcentaje de los datos originales, las anomalías presentes en los diferentes intervalos de confianza y el rango derecho del intervalo de confianza para la prueba estadística.
El algoritmo también genera archivos que se pueden usar para cálculos posteriores, así como un reporte de los diferentes resultados que genera el proceso de homogenización de datos como el control de calidad de las series, el resumen de los datos disponibles, gráficos de detección y corrección de anomalías, etc.
De las estaciones climatológicas se usan los años de 1983 a 2019, pues en casi todas las estaciones incluyen este rango de años.
```{r, collapse=TRUE, comment = "", echo=FALSE, warning=FALSE}
#results='hide'
#obtener estaciones homogenizadas
homogen(varcli = "precipitacion", # Nombre corto de la variable climática
anyi = 1983, # Año inicial de los datos
anyf = 2019, # Año final de los datos
test = "snht", # Prueba de homogeneidad a aplicar
nref = NULL, # Número máximo de referencias para la estimación de datos
std = NA, # Tipo de normalización
swa = NA, # Tamaño del paso adelante para la aplicación de la ventana de solapamiento
ndec = 1, # Número de dígitos decimales para redondear los datos homogeneizados
niqd = c(4, 1), # Número de distancias intercuartílicas para eliminar valores atípicos grandes y corridas demasiado largas de valores idénticos
dz.max = 0.01, # Umbral de tolerancia para valores atípicos
dz.min = -0.01, # Umbral inferior de tolerancia para valores atípicos
cumc = NA, # Código de datos faltantes acumulados
wd = NULL, # Distancia (en km) en la que los datos de referencia ponderarán la mitad de los ubicados a distancia cero
inht = 25, # Umbrales para los cambios en las pruebas de detección de la media
sts = 5, # Tamaño de la cola de la serie que no se prueba para inhomogeneidades
maxdif = NA, # Diferencia máxima de datos de la iteración anterior
maxite = 999, # Número máximo de iteraciones para calcular las medias de la serie
force = FALSE, # Forzar homogeneización directa de series diarias o sub-diarias
wz = 0.001, # Parámetro de escala de la coordenada vertical Z
mindat = NA, # Número mínimo de datos para que un fragmento dividido se convierta en una nueva serie
onlyQC = FALSE, # Establecer en TRUE si solo se solicitan controles de calidad iniciales
annual = c("mean", "sum", "total"), # Valor anual en ejecución para graficar en la salida PDF
x = NULL, # Vector de tiempo
ini = NA, # Fecha inicial si la serie no comienza el 1 de enero
na.strings = "NA", # Cadenas de caracteres que se tratarán como datos faltantes
vmin = NA, # Valor mínimo posible de la variable estudiada
vmax = NA, # Valor máximo posible de la variable estudiada
hc.method = "ward.D2", # Método de agrupamiento jerárquico
nclust = 300, # Número máximo de series para el análisis de agrupamiento
cutlev = NA, # Nivel para cortar el dendrograma para definir grupos
grdcol = grey(0.4), # Color de las cuadrículas de fondo del gráfico
mapcol = grey(0.4), # Color de las líneas costeras y fronteras en el mapa de estaciones
expl = FALSE, # Realizar un análisis exploratorio
metad = FALSE, # Usar el archivo de puntos de quiebre como metadatos
sufbrk = "m", # Sufijo para agregar a varcli para formar el nombre del archivo de metadatos