Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 12 vistas

    Análisis de Datos de Temperatura A Largo Plazo

    Cargado por

    hector tineo godoy

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Análisis de Datos de Temperatura A Largo Plazo

    Cargado por

    hector tineo godoy
    12 vistas15 páginas

    Título original

    Análisis de datos de temperatura a largo plazo

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    12 vistas15 páginas

    Análisis de Datos de Temperatura A Largo Plazo

    Cargado por

    hector tineo godoy

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 15

    |Gestion Sostenible Del Agua

    Curso de Python en Hidrologia – Parte II


    Sesión 4 – Análisis de datos de temperatura a largo plazo

    Objetivos:

    Análisis de datos de estaciones meteorológicas como precipitación, nieve y temperatura


    durante un período de 150 años. Exploración de datos, generación de métricas y
    diagnóstico del desarrollo de los parámetros meteorológicos.

    Exploración de datos climáticos con Python y Pandas

    Se va crear una carpeta notebook con el nombre de está session. Luego se va importar
    las librerías necesarias.

    import pandas as pd

    import matplotlib.pyplot as plt

    Ahora abra directamente el archivo de datos climáticos. El archivo se encuentra en el


    directorio "Datos" de esta sesión.

    #open the csv

    climateData =
    pd.read_csv('../Data/2368871.csv',parse_dates=True,index_col=2)

    #check the data types

    print(climateData.dtypes)

    Luego verifique el tipo de índice.

    print(climateData.index)

    Después de eso, verifique la descripción de los valores.


    |Gestion Sostenible Del Agua

    climateData.describe()

    Luego vamos a mostrar algunas columnas:

    climateData =
    climateData.drop(['STATION','NAME','ACSH','AWND','EVAP','PSUN','TAVG',
    'TOBS'],axis=1)

    climateData.describe()

    Luego se va explorer las variables de precipitación, nieve Then explore precipitation,


    snowfall y profundidad de nieve para un año determinado.
    |Gestion Sostenible Del Agua

    for station in stationNames:

    #filter dataframe for the station

    stationDf = dataDf.loc[dataDf.STATION==station]

    # apply date as index

    stationDf.index = stationDf.DATE

    # create new column on compiled dataframe

    compDf[station] = stationDf.PRCP

    Luego crearemos un gráfico.

    fig = plt.figure(figsize=(12,8))

    climateData['2009-10':'2010-09'].PRCP.plot()

    climateData['2009-10':'2010-09'].SNOW.plot()

    climateData['2009-10':'2010-09'].SNWD.plot()

    plt.ylim(0)

    plt.legend()
    |Gestion Sostenible Del Agua

    plt.ylabel('Height (in)')

    plt.show()

    Distribución temporal de los datos climáticos

    Ahora que estamos trabajando con la temperatura, en el siguiente código mostraremos


    un gráfico de temperatura mínima y máxima mensualmente.

    averageData = climateData.groupby([lambda x:x.month]).mean()

    averageData[['TMIN','TMAX']].plot()
    |Gestion Sostenible Del Agua

    Luego cambie la unidad de temperatura.

    climateData['tMaxC'] = (climateData.TMAX - 32)*5/9

    climateData['tMinC'] = (climateData.TMIN - 32)*5/9

    Luego crea un dataframe con valores de temperatura.

    tempData = climateData.loc[:,['tMaxC','tMinC']]

    tempData.head()
    |Gestion Sostenible Del Agua

    Luego obtenga datos mensuales por año:

    monthlyData =
    tempData.groupby(climateData.index.to_period('M')).median()

    monthlyData.tMaxC.plot()

    Ahora obtenga una revisión de los datos de febrero:

    febData = monthlyData[monthlyData.index.month==2]

    febData.tMaxC.plot()

    febData.tMinC.plot()
    |Gestion Sostenible Del Agua

    Luego se va realizar diferencia entre tmax y tmin, pero primero hacemos una copia:

    febData = febData.copy()

    febData['deltaT'] = febData.tMaxC - febData.tMinC

    febData['deltaT'].plot()
    |Gestion Sostenible Del Agua

    Análisis de datos de temperatura mínima y máxima

    Luego se va realizar una revision de los datos de septiembre.

    sepData = monthlyData[monthlyData.index.month==7]

    sepData.tMaxC.plot()

    sepData.tMinC.plot()
    |Gestion Sostenible Del Agua

    Implementación de modelo de regresión lineal para diagnosticar la


    evolución de los parámetros meteorológicos en relación con el
    cambio climáticom

    Luego importar las siguiente librerias.

    from sklearn import datasets, linear_model

    from sklearn.metrics import mean_squared_error, r2_score

    import numpy as np

    Luego se va crear un objeto de regression linear.

    sepRegr = linear_model.LinearRegression()

    Luega se va entrenar al modelo usando los conjuntos de entrenamiento.


    |Gestion Sostenible Del Agua

    sepTrain = np.array([[i] for i in range(sepData.shape[0])])

    sepRegr.fit(sepTrain, sepData.tMaxC)

    #sepTest = np.arange(0,sepData.shape[0])[np.newaxis].T

    sepPred = sepRegr.predict(sepTrain)

    sepData = sepData.copy()

    sepData['tMaxPredict'] = sepPred

    #sepTrain

    Luego creamos una gráfica de regresión lineal.

    fig, ax = plt.subplots(figsize=(12,4))

    sepData.tMaxC.plot()

    sepData.tMaxPredict.plot()

    ax.grid()

    ax.set_title('September')

    ax.legend()

    ax.text(0.7,0.1,'Slope = %.5f'%sepRegr.coef_[0],
    transform=ax.transAxes)

    ax.text(0.7,0.2,'Mean squared error =


    %.2f'%mean_squared_error(sepData.tMaxC, sepPred),
    transform=ax.transAxes)

    ax.text(0.7,0.3,'Determination coeff = %.2f'%r2_score(sepData.tMaxC,


    sepPred), transform=ax.transAxes)

    plt.show()
    |Gestion Sostenible Del Agua

    Luego se va realizar un grafico compuesto.

    fig, ax = plt.subplots(figsize=(12,10))

    sepData.tMaxC.plot(c='deeppink')

    sepData.tMaxPredict.plot(c='deeppink', ls='--')

    febData.tMaxC.plot(c='royalblue')

    febData.tMaxPredict.plot(c='royalblue', ls='--')

    ax.grid()

    ax.legend()

    plt.show()
    |Gestion Sostenible Del Agua

    Comprobando la variabilidad durante décadas

    Ahora, analizamos la desviación estándar usando los siguientes scripts:

    stdData = climateData.groupby(climateData.index.to_period('M')).std()

    stdData.tMaxC.plot()

    febStd = stdData[stdData.index.month==2]

    sepStd = stdData[stdData.index.month==7]

    fig, ax = plt.subplots(figsize=(12,6))

    febStd.tMaxC.plot(c='gold')

    sepStd.tMaxC.plot()

    ax.grid()

    ax.legend()

    plt.show()
    |Gestion Sostenible Del Agua

    Luego analizamos la variabilidad en decadas.

    import scipy.stats as st

    dec1900 = climateData['1900':'1910']

    per10List = []

    medianList = []

    per90List = []

    for m in range(12):

    monthData = dec1900[dec1900.index.month==m]

    per10 = st.scoreatpercentile(monthData.tMaxC,10)

    per50 = st.scoreatpercentile(monthData.tMaxC,50)

    per90 = st.scoreatpercentile(monthData.tMaxC,90)

    per10List.append(per10)
    |Gestion Sostenible Del Agua

    medianList.append(per50)

    per90List.append(per90)

    fig = plt.figure(figsize=(16,4))

    plt.plot(range(12),per10List,alpha=0.5,c='crimson')

    plt.plot(range(12),medianList,c='crimson',label='dec1900')

    plt.plot(range(12),per90List,alpha=0.5,c='crimson')

    plt.legend()

    Finalmente, agregamos el siguiente script:

    def plotPeriod(start,stop,color):

    periodData = climateData[start:stop]

    per10List = []

    medianList = []

    per90List = []

    for m in range(12):

    monthData = periodData[periodData.index.month==m]

    per10 = st.scoreatpercentile(monthData.tMaxC,10)

    per50 = st.scoreatpercentile(monthData.tMaxC,50)

    per90 = st.scoreatpercentile(monthData.tMaxC,90)

    per10List.append(per10)

    medianList.append(per50)

    per90List.append(per90)

    plt.plot(range(12),per10List,alpha=0.5,ls='--',c=color)
    |Gestion Sostenible Del Agua

    plt.plot(range(12),medianList,lw=2,c=color,label='From %s to
    %s'%(start,stop))

    plt.plot(range(12),per90List,alpha=0.5,ls='--',c=color)

    fig = plt.figure(figsize=(18,6))

    plotPeriod('1900','1940','royalblue')

    plotPeriod('1940','1980','crimson')

    plotPeriod('1980','2020','gold')

    plt.legend()

    plt.grid()

    plt.show()

    fig = plt.figure(figsize=(18,12))

    plotPeriod('1855','1955','aqua')

    plotPeriod('1955','1985','lightskyblue')

    plotPeriod('1985','2005','dodgerblue')

    plotPeriod('2005','2015','royalblue')

    plotPeriod('2015','2020','gold')

    plt.legend()

    plt.grid()

    plt.show()

    También podría gustarte