En este vídeo tutorial de YouTube explico como geo-procesar datos de producción agrícola (>48 cultivos) con el uso de R, esto con la finalidad de al final computar los datos a nivel departamental, pudiendo vislumbrar al final un mapa como el que se ilustra a continuación.
EDGAR – Emission Database for Global Atmospheric Research
Está es una base de datos global que proporciona información detallada sobre las emisiones de Gases de Efecto Invernadero (GEI) y contaminantes atmosféricos antropogénicos en todo el mundo. Esta base de datos es utilizada por investigadores, científicos del clima, políticos y formuladores de políticas para comprender mejor la contribución de diversas fuentes a las emisiones globales y regionales.
EDGAR recopila y procesa datos de múltiples fuentes, como estadísticas energéticas, datos de uso de la tierra, datos industriales y otros, para estimar las emisiones de gases de efecto invernadero y contaminantes atmosféricos. Estos datos se presentan en varios formatos y niveles de desglose, lo que permite un análisis detallado de las emisiones por país, región, sector económico y tipo de gas.
Está base de datos está disponible para descarga desde la Comisión Europea para todo el mundo desde el año 1970 hasta el 2022, esto en formato raster.
Aquí os presento un tutorial tipo vídeo en el que realizamos la descarga automática de la información raster y el procesamiento del mismo con la finalidad de ilustrar los datos al final en una imagen GIF, aquí aprenderás a realizar diversos análisis espaciales:
Descarga de información zip desde R, de forma automatizada para diferentes año
Unzip de los datos desde R
Extracción por máscara para el área continental
Cálculo de estadísticas zonales a nivel de país (suma de GEI en ton por unidad político – administrativa)
Escritura y lectura de archivos raster
Mapeo de los resultados
Compilación de las figuras finales dentro de un GIF
Aquí el vídeo tutorial:
Sí deseas replicar el ejercicio de aquí podrás descargar el código en R:
En el marco de análisis climático surgen algunas dudas en relación a la disponibilidad de datos, entre tanto, para muchos países de América Latina el acceso a información climática es limitada y muchas veces con muchos datos faltantes.
Aquí un breve listado de las fuentes que conozco y con las que he hecho diversos análisis.
Es una base de datos que corresponde a la climatología a nivel mundial entre el periodo de 1970 y 2000, estos con temporalidad mensual; disponibles a distintas resoluciones espaciales a 1, 5, 10 y 25 km apróximadamente.
Variables: precipitación, temperatura mínima, temperatura promedio y temperatura máxima.
Datos climáticos también en formato raster a resolución de 5 kilómetros para todo el globo, bajo la temporalidad 1958 – 2023.
Variables: precipitación, temperatura mínima – promedio – máxima, evapotranspiración potencial, escorrentía, déficit de vapor de agua, radiación solar, entre otras.
Datos climáticos en raster a resolución de 5 kilómetros, también a nivel mundial.
Esta base de datos tiene gran cantidad de tipos de temporalidad
Anual
Climatologías
Diarios
Normales idarias
Mensual
Decir que para el caso de las climatologías se tienen datos de cambio climático para los periodos 2011 – 2040, 2041 – 2070 y 2071 – 2100, precisamente para los GCMs:
Esta información climática corresponde a datos de precipitación a nivel mundial a resolución de 5 km aproximadamente, a resolución temporal diaria. El periodo disponible para descarga va desde 1981 hasta la actualidad (constantemente lo están actualizando).
7. Datos climáticos a futuro (IPCC – CMIP6) – Climatologías
Además de los datos climáticos que podemos descargar por chelsa, también es posible bajar datos de otros GCMs, tales como: 125, 245, 370 y 585, y de más de 20 GCMs a los periodos 2021-2040; 2041-2060 y 2061-2080.
Decir además que se pueden bajar datos a distintas resoluciones espaciales, tales como: 1 km, 5 km, 10 km y 20 km. Como comentario final estos datos vienen a nivel mensual multi-anual para variables como precipitación, temperatura máxima y temperatura mínima.
8. Datos climáticos a nivel diario (NEX-GDDP-CMIP6)
Son datos diarios a resolución aproximada de 50 kilómetros, en otras palabras son los datos bruto (conocido en inglés como <<raw>>) de todos los modelos climáticos, tanto SSPs como GCMs.
Algunas de las variables para descarga son:
Precipitación
Temperatura máxima
Temperatura promedio
Temperatura mínima
Radiación solar
Velocidad del viento
Decir que estos datos es posible llevarlos a resolución de hasta 1 km con el apoyo del método delta y la corrección de sesgo (Navarro et al., 2020)[visitar aquí]
Sí te interesa aprender a aplicar tal método visita mi vídeo en YouTube donde abordo la temática (aquí)
Global Human Settlement Layer, es un proyecto desarrollado por el Centro Común de Investigación de la Comisión Europea (JRC) que tiene como objetivo proporcionar datos de alta resolución y análisis sobre los patrones de asentamiento humano en todo el mundo.
El GHSL utiliza datos de teledetección, imágenes satelitales y otras fuentes para generar mapas detallados y capas de información sobre diversos aspectos de los asentamientos humanos, como la distribución de población, la densidad urbana, las áreas construidas, entre otros. Estos datos son valiosos para una variedad de aplicaciones, incluyendo la planificación urbana, la gestión de desastres, la evaluación de riesgos y la investigación socioeconómica.
El GHSL se actualiza periódicamente y proporciona acceso a conjuntos de datos geoespaciales que son útiles para una amplia gama de usuarios, desde gobiernos hasta investigadores y organizaciones internacionales, que buscan comprender mejor la dinámica y la distribución de los asentamientos humanos a nivel global.
Estos datos geoespaciales pueden ser valiosos para la planificación urbana, la gestión de recursos, la respuesta a emergencias, la salud pública, la conservación ambiental y otras aplicaciones que requieran comprender dónde se encuentra y dónde no se encuentra la población.
Por lo tanto, sí, la fuente de datos GHSL puede ser relevante y proporcionar información valiosa sobre la presencia y ausencia de gente para los propósitos mencionados anteriormente y más allá.
Aquí te explico sobre cómo realizar un mapa de zonas habitadas e inhabitadas con R para el país de Colombia, este tutorial es posible replicarlo para el uso de R.
El cambio climático es uno de los mayores desafíos que enfrenta la humanidad en la actualidad. El IPCC, una entidad científica de renombre mundial, ha lanzado su sexto informe, el cual nos brinda información detallada sobre el estado actual del clima global, sus proyecciones futuras y las posibles implicaciones para nuestro planeta.
Una de las herramientas más poderosas que utilizan los científicos para comprender y comunicar el cambio climático son los modelos climáticos. Estos modelos son complejos sistemas informáticos que simulan cómo interactúan diferentes variables climáticas, como la concentración de gases de efecto invernadero, la radiación solar y los patrones atmosféricos.
Los modelos de cambio climático son fundamentales para proyectar posibles escenarios futuros. Han mejorado significativamente en precisión y resolución a lo largo de los años gracias al avance tecnológico y a la recopilación de datos más precisos.
Uno de los aspectos esenciales que estos modelos nos muestran es el comportamiento de la temperatura máxima. La temperatura máxima es crucial, ya que puede tener efectos profundos en los ecosistemas, la salud humana y la viabilidad de la agricultura.
Los gráficos que representan el comportamiento de la temperatura máxima a lo largo del tiempo son herramientas poderosas para comunicar la magnitud y la velocidad del cambio climático. Estos gráficos pueden mostrar tendencias a largo plazo, patrones estacionales y variaciones regionales en la temperatura máxima.
Por ejemplo, un gráfico que ilustra el aumento de la temperatura máxima en diferentes regiones del mundo a lo largo de las décadas puede ayudarnos a comprender mejor cómo el cambio climático está afectando diferentes áreas geográficas de manera desigual.
Es esencial que estos gráficos sean claros, precisos y accesibles para que el público en general pueda entender fácilmente la gravedad del cambio climático y las acciones necesarias para abordarlo.
La importancia de estos modelos y gráficos radica en su capacidad para informar a los responsables de la toma de decisiones, a las comunidades y a cada individuo sobre la urgencia de reducir las emisiones de gases de efecto invernadero, adaptarse a los cambios climáticos inevitables y proteger nuestro precioso planeta.
En resumen, los modelos de cambio climático y los gráficos que ilustran el comportamiento de la temperatura máxima son herramientas cruciales para comprender, comunicar y abordar el cambio climático. Todos tenemos un papel que desempeñar para enfrentar este desafío global.
En ese orden de ideas quiero presentarles el siguiente vídeo tutorial en donde explico cómo realizar el gráfico ilustrado al inicio del vídeo.
Para asesorías personalizadas me puedes contactar al whatsapp.
En este tutorial realizamos la estimación de las geoformas del paisaje a partir de la altitud, todo esto a partir del uso del lenguaje de programación R en junte con el SIG (Sistemas de Información Geográfico) llamado SAGA, ambos software de orden gratuito y disponibles en la web para descarga.
Las geoformas del paisaje se refieren a las distintas características físicas y naturales de la superficie de la Tierra que pueden ser observadas y estudiadas en un área geográfica específica. Estas geoformas incluyen características como montañas, colinas, valles, mesetas, llanuras, cañones, ríos, entre otros. Por su parte, el Topographic Position Index (TPI) es una función que se utiliza en el análisis topográfico y en SIG para evaluar la posición relativa de un punto en el paisaje en función de su entorno del terreno. El TPI es una medida que se calcula comparando la elevación de un punto en particular con la elevación promedio de su entorno circundante, aquí una figura que ilustra un poco el proceso:
El cálculo del TPI generalmente implica los siguientes pasos:
Definición del tamaño de la vecindad: se selecciona un radio o una ventana alrededor del punto de interés, y se calcula la elevación promedio de los puntos dentro de esa ventana, decir aquí, que entre más detallado (mayor resolución) sea mayor cantidad de categorías del terreno son posibles identificar.
Raster de altitud, se resta la elevación del punto de interés a la elevación promedio de la vecindad. Esta diferencia representa la posición relativa del punto en comparación con su entorno inmediato. Si el resultado es positivo, el punto se encuentra en una posición más elevada que su entorno; sí el valor es negativo, está es una posición más baja.
El TPI se utiliza en diversas aplicaciones, como la cartografía, la geomorfología, la ecología y la gestión del paisaje. Puede ayudar a identificar áreas de interés, como depresiones, picos, cuencas, o lugares donde los cambios en la topografía son significativos.
Al final del tutorial en YouTube aprenderemos a realizar este gráfico para el país de Panamá.
El Índice de Thornthwaite es una herramienta importante en la climatología y la geografía que se utiliza para medir y evaluar la disponibilidad de agua en una región. Fue desarrollado por el climatólogo estadounidense Charles W. Thornthwaite en la década de 1940, propiamente en 1948. Este índice se centra en calcular el balance hídrico de un lugar, lo que significa que analiza la relación entre la precipitación y la evaporación potencial.
El índice se basa en la idea de que la cantidad de agua disponible en un área depende en gran medida de la diferencia entre las precipitaciones que recibe y la cantidad de agua que se evapora debido a las condiciones climáticas. Thornthwaite desarrolló ecuaciones que tienen en cuenta factores como la temperatura, la latitud, la altitud y la duración del día para estimar la evaporación potencial. Luego, se compara esta evaporación potencial con la precipitación real para determinar si un área es húmeda, semiárida o árida, lo que es esencial para la planificación del uso de la tierra y la gestión de los recursos hídricos.
En resumen, el Índice de Thornthwaite es una valiosa herramienta que ayuda a los científicos y planificadores a comprender las condiciones climáticas y la disponibilidad de agua en una región. Ayuda a tomar decisiones informadas sobre la agricultura, la gestión de recursos naturales y la planificación urbana, al evaluar si un área es adecuada para ciertas actividades en función de su balance hídrico. Este índice es esencial en un mundo donde la gestión sostenible de los recursos hídricos es cada vez más importante debido al cambio climático y la creciente demanda de agua.
Siguiendo con esto, les quiero presentar el tutorial que he realizado para el cálculo de está variable a partir del uso del lenguaje de programación de R, esto a nivel espacial.
Un índice climático es una medida numérica utilizada para resumir y cuantificar características específicas del clima en una región determinada. Estos índices son útiles para comprender y evaluar las condiciones climáticas y sus variaciones a lo largo del tiempo. Los índices climáticos se basan en datos observacionales, como temperaturas, precipitaciones, humedad, viento, entre otros, y se utilizan para describir fenómenos climáticos particulares.
CHIRPS es un producto de datos de precipitación a nivel global que combina observaciones de satélite y estaciones meteorológicas terrestres para generar un conjunto de datos de alta resolución espacial y temporal. Este producto es ampliamente utilizado en estudios climáticos y de hidrología.
El índice de días secos basado en datos de precipitación de CHIRPS es una métrica que se utiliza para cuantificar la cantidad de días en una determinada área o región en los que no se ha registrado o ha sido muy baja la precipitación. En otras palabras, mide la cantidad de días en los que no se ha producido una cantidad significativa de lluvia.
Para calcular este índice, primero se establece un umbral de precipitación por debajo del cual un día se considera seco. Por ejemplo, si se establece un umbral de 1 mm de precipitación, cualquier día en el que la precipitación sea igual o inferior a 1 mm se consideraría un día seco. Luego, se cuentan el número de días en un período específico, como un mes o un año, que cumplen con este criterio y se calcula el porcentaje de días secos en ese período.
Este índice puede ser útil en áreas donde la disponibilidad de agua es un factor crítico para la agricultura, la gestión de recursos hídricos y otros sectores. Ayuda a cuantificar y monitorear la sequía y sus impactos en una región dada.
Aquí hemos realizado un ejemplo para el cálculo de este índice para la región de la Orinoquía de Colombia.
El NDVI (Normalized Difference Vegetation Index), que en español se traduce como Índice de Vegetación de Diferencia Normalizada, es un parámetro utilizado en teledetección para evaluar la salud y la densidad de la vegetación en un área determinada. Se basa en la medición de la reflectancia de la radiación solar en dos rangos espectrales: el infrarrojo cercano (NIR) y el rojo (RED) del espectro electromagnético.
Donde:
NIR es la reflectancia en el rango del infrarrojo cercano.
RED es la reflectancia en el rango del rojo.
El resultado del cálculo del NDVI proporciona un valor que oscila entre -1 y 1. Los valores del NDVI tienen las siguientes interpretaciones generales:
Valores bajos (cerca de -1): Indican áreas de agua o superficies no vegetales, como rocas, suelos desnudos o nubes.
Valores medios (cercanos a 0): Representan áreas de suelo expuesto o vegetación escasa.
Valores altos (cercanos a 1): Reflejan una vegetación densa y saludable.
El NDVI es especialmente útil para monitorear la salud de los cultivos, evaluar la cobertura vegetal, identificar áreas de sequía, seguimiento de la desertificación, estudios de cambio climático, análisis de incendios forestales y muchos otros campos relacionados con la gestión del medio ambiente y la agricultura
Aquí un breve tutorial sobre la descarga de datos NDVI desde R, esto a partir de una colección de datos de MODIS.
Parámetros a tener presente para el análisis de modelos de distribución de especies.
Parámetro de regularización (reg): El parámetro de regularización, a menudo denotado como «reg», es un valor utilizado en el modelo de máxima entropía para controlar el ajuste del modelo y evitar el sobreajuste. El sobreajuste ocurre cuando el modelo se adapta demasiado a los datos de entrenamiento y pierde generalización en nuevos datos. Un valor más alto de «reg» tiende a penalizar soluciones complejas y puede ayudar a evitar el sobreajuste.
Frecuencia mínima de características (fc): El parámetro «fc» (frecuencia mínima de características) es un valor que establece un umbral para la frecuencia mínima con la que una característica debe aparecer en los datos de entrenamiento para ser considerada en el modelo. Si una característica aparece menos veces que el valor «fc», entonces se omitirá durante el proceso de entrenamiento. Este parámetro se utiliza para filtrar características poco frecuentes que podrían no ser relevantes para la estimación del nicho ecológico.
Número de iteraciones (iter): El parámetro «iter» se refiere al número de iteraciones o pasos que el algoritmo de entrenamiento realizará para ajustar el modelo. Cada iteración implica calcular el gradiente y actualizar los parámetros del modelo para mejorar su rendimiento. Un valor más alto de «iter» puede permitir un ajuste más fino del modelo, pero también puede aumentar el tiempo de entrenamiento y el riesgo de sobreajuste si no se controla adecuadamente.
En resumen, estos parámetros juegan un papel importante en el proceso de entrenamiento del modelo de máxima entropía para la estimación del nicho ecológico, ayudando a regularizar el modelo, filtrar características poco frecuentes y controlar el número de iteraciones para un equilibrio óptimo entre ajuste y generalización. La elección adecuada de estos parámetros es esencial para obtener un modelo eficaz y preciso.
SIG con R 