agroclimatico

El paquete {agroclimatico} incluye una serie de funciones para calcular índices y estadísticos climáticos e hidrológicos a partir de datos tidy. Por ejemplo umbrales() permite contar la cantidad de observaciones que cumplen una determinada condición y dias_promedio() devuelve el primer y último día del año promedio de ocurrencia de un evento.

Otras funciones como spi_indice() funcionan como wrappers de funciones de otros paquetes y buscan ser compatibles con el manejo de datos tidy usando por ejemplo los verbos de dplyr.

Finalmente el paquete incluye una función de graficado de datos georeferenciados mapear() con el estilo y logo propios de Instituto Nacional de Tecnología Agropecuaria (INTA). Como complementos el paquete también provee mapas de Argentina a nivel nacional, provincial y por departamentos que se pueden usar en el contexto de ggplot para graficar variables meteorológicas e índices agroclimáticos.

Instalación

Para instalar la versión de desarrollo desde GitHub, usá:

# install.packages("remotes")
remotes::install_github("AgRoMeteorologiaINTA/agroclimatico", build_vignettes = TRUE)

Ejemplos

A continuación se muestra el uso de algunas funciones. Podés encontrar más ejemplos y usos en la viñeta, con

vignette("estadisticas-e-indices-climaticos", "agroclimatico")

Si se quieren utilizar los datos con formato NH (archivos con columnas de ancho fijo usado por el INTA para distribuir los datos de las estaciones meteorológicas de su red) se puede utilizar la función leer_nh() y opcionalmente acceder a sus metadatos con metadatos_nh().

library(agroclimatico)
library(dplyr)

archivo <- system.file("extdata", "NH0358.DAT", package = "agroclimatico")

datos <- leer_nh(archivo)

Días promedio

Si por ejemplo se quiere obtener el día de la primera y última helada en promedio, asumiendo que la ocurrencia de helada corresponde a temperatura mínima menor a 0°C, se puede utilizar la función dias_promedio() en el contexto de reframe().

datos %>% 
  filter(t_min <= 0) %>% 
  reframe(dias_promedio(fecha))
#>     variable dia mes dia_juliano
#> 1 primer_dia  16   5         136
#> 2 ultimo_dia  14   9         257

Mapear

La función mapear() grafica una variable dada en puntos discretos e irregulares (en general observaciones o datos derivados de estaciones meteorológicas) utilizando kriging. Se puede definir el título y epígrafe y opcionamente se puede incluir la cordillera para enmascarar la variable a graficar.

abril <- datos_nh_mensual %>%
  filter(mes == unique(mes)[4]) #datos del cuarto mes en la base, abril.

abril %>% 
  mapear(precipitacion_mensual, lon, lat, cordillera = TRUE,
              escala = escala_pp_mensual,
              titulo = "Precipitación en abril de 2019", 
              fuente = "Fuente: INTA",
              variable = "pp")

Cómo contribuir

Para contribuir con este paquete podés leer la siguiente guía para contribuir. Te pedimos también que revises nuestro Código de Conducta.