--- title: "Curso-Taller: Análisis Hidrológico de Cuencas con R - 2026" subtitle: "Clase 2: Procesamiento de Datos Climáticos Grillados (parte 1)" author: "Harold Llauca" date: "`r Sys.Date()`" output: html_document: toc: true toc_depth: 3 toc_float: collapsed: false smooth_scroll: true theme: cosmo highlight: tango knitr: opts_chunk: echo: true warning: false message: false --- ## 📦 1. Preparación del entorno de trabajo Se configura el entorno en R, definiendo el directorio de trabajo y cargando los paquetes necesarios para asegurar un flujo de trabajo ordenado y reproducible. ### Directorio de trabajo ```{r setup, include=FALSE} # Configuración inicial del documento knitr::opts_chunk$set(echo = TRUE) # Cambiar esta ruta según la ubicación del proyecto en su equipo. # Se recomienda usar rutas relativas para mayor portabilidad. knitr::opts_knit$set( root.dir = "C:/Users/hllauca/Desktop/Analisis_Hidrologico_Cuencas_R_2026" ) ``` ### Instalar y cargar paquetes ```{r} # Establecer mirror de CRAN options(repos = c(CRAN = "https://cloud.r-project.org")) # Lista de paquetes necesarios packages <- c( "terra", # manejo de datos raster y vectoriales "sf", # datos vectoriales espaciales "exactextractr", # extracción de valores por polígonos "zoo", # manejo de series de tiempo "hydroTSM", # agregación temporal (diario, mensual, anual) "openxlsx", # lectura y escritura de archivos Excel "ggplot2", # visualización de datos "tidyr" # transformación a formato largo ) # Instalar paquetes si no están instalados for (pkg in packages) { if (!requireNamespace(pkg, quietly = TRUE)) { install.packages(pkg) } } # Cargar paquetes invisible(lapply(packages, function(pkg) { suppressPackageStartupMessages(library(pkg, character.only = TRUE)) })) ``` ## 🗺️ 2. Datos espaciales y visualización Se visualiza la zona de estudio para identificar la ubicación y extensión de las subcuencas. ```{r} # Lectura de datos espaciales cat <- vect('./Data/SIG/subbasins.shp') # subcuencas (polígonos) dem <- rast('./Data/SIG/dem.tif') # elevación (raster) ``` ```{r} # Exploración básica cat dem # Verificar sistema de coordenadas (muy importante) crs(cat) crs(dem) ``` ```{r} # Visualización plot(dem, main = "Subcuencas sobre el DEM", col = terrain.colors(50)) plot(cat, add = TRUE, border = 'black', lwd = 1) text(cat, cat$COMID) # Nota: # - vect() lee datos vectoriales (polígonos, líneas, puntos) # - rast() lee datos raster (grillas continuas) # - Ambas capas deben estar en el mismo sistema de coordenadas ``` ## 🌧️ 3. Datos climáticos grillados ### 3.1 Exploración de datos PISCOp v3 PISCO (Peruvian Interpolated data of SENAMHI’s Climatological and Hydrological Observations) es un producto climático grillado que combina datos de estaciones con interpolación espacial, proporcionando información continua de precipitación a escala diaria y alta resolución (\~0.1°). Descarga archivo NetCDF en: . Nota: El archivo se encuentra en formato NetCDF, que permite almacenar datos multidimensionales organizados en dimensiones como tiempo, latitud y longitud. ```{r} # Secuencia de fechas del producto (diario) dates <- seq(as.Date('1981-01-01'), as.Date('2024-12-31'), by = 'day') ``` ```{r} # Leer archivo NetCDF como raster multicapa (cada capa = 1 día) pisco <- rast('./Data/PISCO/PISCOp_v3.nc') ``` ```{r} # Explorar estructura básica del raster pisco nlyr(pisco) dim(pisco) # Verificar que el número de capas coincida con el número de fechas nlyr(pisco) == length(dates) ``` Explorar raster multicapa ```{r} # Visualizar una capa específica (ejemplo: día 100) plot(pisco[[100]], alpha=0.9, main = "Precipitación diaria (capa 100)") ``` Recortar el raster a la zona de estudio (subcuencas) ```{r} # Se usa un factor 1.1 para ampliar ligeramente la extensión para evitar que el recorte quede muy ajustado al borde pisco_cat <- crop(pisco, 1.1 * ext(cat)) # Comparar tamaño del raster antes y después del recorte dim(pisco) dim(pisco_cat) # Comparar extensiones ext(pisco) ext(pisco_cat) ``` ```{r} # Visualizar una capa del raster recortado plot(pisco_cat[[100]], alpha=0.9, main = "Precipitación recortada (capa 100)") # Superponer las subcuencas plot(cat, add = TRUE, border = 'magenta', lwd = 2) # Nota: crop() reduce el tamaño del raster para trabajar más rápido ``` ## 🧮 4. Procesamiento espacio-temporal ### 4.1 Extracción por subcuenca A partir del raster multicapa se calcula la precipitación media en cada subcuenca, obteniendo datos espacio-temporales. ```{r} # Convertir a formato compatible y extraer promedio por polígono pr_cat <- t(exact_extract(pisco_cat, as(cat, 'Spatial'), fun = 'mean', weights ='area')) row.names(pr_cat) <- NULL ``` ```{r} # Extraer ID de cada subcuenca (ej. COMID) cat_id <- cat$COMID # Asignar nombres de columnas a la matriz de precipitación colnames(pr_cat) <- cat_id # Nota: # Cada columna ahora representa una subcuenca identificada por su COMID ``` ```{r} # Visualizar primeras filas head(pr_cat) dim(pr_cat) # Nota: # - exact_extract() calcula estadísticas del raster dentro de cada polígono # - fun = "mean" → promedio areal de precipitación # - El resultado se transpone (t) para tener: # filas = tiempo (días) # columnas = subcuencas ``` Organización en formato de serie temporales. head(dpr_cat) ```{r} # Asociar los datos de precipitación con las fechas dpr_cat <- zoo(pr_cat, dates) # Ver primeras filas head(dpr_cat) # Visualizar series (todas las subcuencas) plot(dpr_cat, type = 'h', col = 'dodgerblue', main = "Precipitación diaria por subcuenca (mm/d)") # Nota: # zoo permite manejar series temporales con fechas reales # filas = tiempo, columnas = subcuencas ``` ```{r} # Convertir objeto zoo a data.frame df <- data.frame( Date = index(dpr_cat), # Fechas de la serie temporal coredata(dpr_cat), # Valores de precipitación por subcuenca check.names = FALSE # Mantener nombres originales de subcuencas ) # Convertir a formato largo (una fila por fecha y subcuenca) df_long <- pivot_longer( df, cols = -Date, # Todas las columnas excepto la fecha names_to = "subbasin", # Identificador de subcuenca values_to = "precip" # Valores de precipitación ) # Obtener valor máximo global para usar una misma escala en todos los paneles ymax_global <- max(df_long$precip, na.rm = TRUE) # Construir gráfico con ggplot2 plt <- ggplot(df_long, aes(x = Date, y = precip)) + # Serie temporal como línea geom_line( color = "dodgerblue", # Color de la serie linewidth = 0.35 # Línea delgada para series largas ) + # Un panel por subcuenca facet_wrap( ~ subbasin, # Variable de agrupación scales = "fixed", # Misma escala en todos los paneles ncol = 3 # Número de columnas en la grilla ) + # Limitar eje Y usando el máximo global coord_cartesian( ylim = c(0, ymax_global) ) + # Etiquetas del gráfico labs( title = "Precipitación diaria por subcuenca", subtitle = "Series extraídas desde PISCO v3 (1981-2024)", x = "Fecha", y = "Precipitación (mm/día)" ) + # Tema base theme_bw() + # Ajustes estéticos theme( strip.text = element_text(face = "bold", size = 9), # Títulos de cada subcuenca axis.text.x = element_text(size = 7), # Texto eje X axis.text.y = element_text(size = 7), # Texto eje Y axis.title = element_text(size = 10), # Títulos de ejes plot.title = element_text(size = 13, face = "bold"), # Título principal plot.subtitle = element_text(size = 10), # Subtítulo panel.grid.minor = element_blank(), # Quitar grilla menor legend.position = "none" # Sin leyenda ) # Mostrar gráfico plt ``` Agregación de datos diarios a mensuales ```{r} # Convertir precipitación diaria a mensual (acumulado) mpr_cat <- daily2monthly(dpr_cat, FUN = 'sum') # Visualizar series mensuales plot(mpr_cat, type = 'h', col = 'dodgerblue', main = "Precipitación mensual acumulada (mm/mes)") # Nota: # FUN = "sum" se usa porque la precipitación es acumulativa # (a diferencia de temperatura, donde se usaría "mean") ``` Agregación de datos mensuales a anuales ```{r} # Convertir precipitación mensual a anual (acumulado) ypr_cat <- monthly2annual(mpr_cat, FUN = 'sum') # Visualizar series anuales plot(ypr_cat, type = 'h', col = 'dodgerblue', main = "Precipitación anual acumulada (mm/año)") # Nota: # Se mantiene FUN = "sum" porque la precipitación sigue siendo acumulativa # El resultado representa el total de lluvia por año en cada subcuenca ``` ```{r} # Exportar datos en formato xlsx write.xlsx(x = list( Diario = data.frame(Fecha = index(dpr_cat), coredata(dpr_cat)), Mensual = data.frame(Fecha = index(mpr_cat), coredata(mpr_cat)), Anual = data.frame(Fecha = index(ypr_cat), coredata(ypr_cat)) ), rowNames = FALSE, file = './Modules/Clase_2/outputs/precip_pisco_subcuencas.xlsx') ``` ### 4.1 Extracción por estación ```{r} # Definir coordenadas (longitud, latitud) xy <- data.frame( x = c(-75.5, -75.2), y = c(-13.6, -13.1) ) # Convertir a objeto espacial (puntos) pts <- vect(xy, geom = c("x", "y"), crs = "EPSG:4326") plot(cat) plot(pts, col='red', add=TRUE) ``` ```{r} # Extraer valores del raster en esos puntos pr_pts <- t(terra::extract(pisco_cat, pts)) rownames(pr_pts) <- NULL # Nota: # - Cada punto obtiene una serie temporal completa del raster # - El resultado se transpone para tener: # filas = tiempo # columnas = puntos ``` ```{r} # Asociar los datos de precipitación con las fechas dpr_pts <- zoo(pr_pts, dates) # Ver primeras filas head(dpr_pts) # Visualizar series (todas las subcuencas) plot(dpr_pts, type = 'h', col = 'dodgerblue', main = "Precipitación diaria por estación (mm/d)") # Nota: # zoo permite manejar series temporales con fechas reales # filas = tiempo, columnas = subcuencas ``` ```{r} # Convertir precipitación diaria a mensual (acumulado) mpr_pts <- daily2monthly(dpr_pts, FUN = 'sum') # Visualizar series mensuales plot(mpr_pts, type = 'h', col = 'dodgerblue', main = "Precipitación mensual acumulada (mm/mes)") # Nota: # FUN = "sum" se usa porque la precipitación es acumulativa # (a diferencia de temperatura, donde se usaría "mean") ``` ```{r} # Convertir precipitación mensual a anual (acumulado) ypr_pts <- monthly2annual(mpr_pts, FUN = 'sum') # Visualizar series anuales plot(ypr_pts, type = 'h', col = 'dodgerblue', main = "Precipitación anual acumulada (mm/año)") # Nota: # Se mantiene FUN = "sum" porque la precipitación sigue siendo acumulativa # El resultado representa el total de lluvia por año en cada subcuenca ``` ```{r} # Exportar datos en formato xlsx write.xlsx(x = list( Diario = data.frame(Fecha = index(dpr_pts), coredata(dpr_pts)), Mensual = data.frame(Fecha = index(mpr_pts), coredata(mpr_pts)), Anual = data.frame(Fecha = index(ypr_pts), coredata(ypr_pts)) ), rowNames = FALSE, file = './Modules/Clase_2/outputs/precip_pisco_estaciones.xlsx') ```