Análisis de series temporales

Max Anjos

April 08, 2026

Empezando

El lcz_ts() La función le permite analizar datos de temperatura del aire asociados con zonas climáticas locales (LCZ) a lo largo del tiempo. En este tutorial, realizaremos un análisis de frecuencia horaria de la temperatura del aire en Berlín para los años 2019-2020 usando lcz_data del paquete LCZ4r.

library(LCZ4r)

# Obtén el mapa de la LCZ de tu ciudad.
lcz_map <- lcz_get_map_euro(city = "Berlin")

# Cargar datos de muestra desde LCZ4r
data("lcz_data")

Análisis básico de series de tiempo

Comencemos con un análisis básico usando lcz_ts() para observar las fluctuaciones horarias de temperatura.

# Obtenga series temporales mensuales de temperatura del aire en la LCZ
lcz_ts(lcz_map, 
       data_frame = lcz_data, 
       var = "airT", 
       station_id = "station",
       time.freq = "month",
       ylab = "Air temperature [°C]",
       xlab = "Date",
       title = "LCZ - Time Series",
       caption = "Source: LCZ4r, 2024.")

Serie temporal mensual de temperatura del aire LCZ para Berlín que muestra variaciones estacionales de temperatura en diferentes clases LCZ

Opciones de trazado con plot_type

El plot_type argumento en lcz_ts() ofrece varias visualizaciones:

• “basic_line”: diagrama de líneas simple
• “faceted_line”: Gráfico de líneas con facetas por LCZ o estación
• “mapa de calor”: Mapa de calor para visualizar patrones temporales
• “warming_stripes”: Rayas que representan variaciones de temperatura a lo largo del tiempo

A continuación se muestran ejemplos que utilizan cada tipo de trama.

1. Trazado lineal básico

# Temperatura del aire diaria para septiembre de 2019
lcz_ts(lcz_map, 
       data_frame = lcz_data, 
       var = "airT", 
       station_id = "station",
       time.freq = "day",
       year = 2019, month = 9,
       plot_type = "basic_line")

Gráfico de líneas básicas que muestra las variaciones diarias de temperatura en Berlín durante septiembre de 2019

2. Trazado de líneas facetadas por estación

# Temperatura del aire diaria de enero a marzo de 2019, desglosada por estación
lcz_ts(lcz_map, 
       data_frame = lcz_data, 
       var = "airT", 
       station_id = "station", 
       time.freq = "hour",
       year = 2019, month = 1:3,
       plot_type = "facet_line", 
       facet = "station")

Gráfico de líneas facetadas que muestra patrones de temperatura en diferentes estaciones meteorológicas en Berlín (enero-marzo de 2019)

3. Mapa de calor de temperatura a lo largo del tiempo

# Temperatura del aire por hora el 15 de enero de 2020, con facetas de la LCZ
lcz_ts(lcz_map, 
       data_frame = lcz_data, 
       var = "airT", 
       station_id = "station", 
       time.freq = "hour",
       year = 2020, month = 1, day = 15,
       plot_type = "heatmap", 
       facet = "LCZ")

Mapa de calor que muestra variaciones de temperatura horarias en diferentes clases de LCZ el 15 de enero de 2020

4. Rayas cálidas

# Temperatura del aire por hora para 2020, visualizada como franjas de calentamiento
lcz_ts(lcz_map, 
       data_frame = lcz_data, 
       var = "airT", 
       station_id = "station", 
       time.freq = "hour", 
       year = 2020, month = 1:12,
       plot_type = "warming_stripes",
       facet = "LCZ")

Visualización de franjas de calentamiento que muestra las tendencias de temperatura en diferentes clases de LCZ a lo largo de 2020

Dividir datos con el argumento “por”

Puede dividir los datos por categorías temporales o espaciales, como “año”, “mes”, “temporada”, “día laborable”, “fin de semana”, “añotemporada” y más.

# Temperatura del aire diaria por estaciones del año 2020
lcz_ts(lcz_map, 
       data_frame = lcz_data, 
       var = "airT", 
       station_id = "station", 
       time.freq = "day",
       year = 2020,
       plot_type = "basic_line", 
       by = "season")

Variaciones de temperatura durante las diferentes estaciones en Berlín durante 2020

Dividiendo el día y la noche con el argumento “por”

También puede dividir los datos por períodos diurnos y nocturnos con by = "daylight".

# Ciclo diurno de la temperatura del aire el 15 de enero de 2020
lcz_ts(lcz_map, 
       data_frame = lcz_data, 
       var = "airT", 
       station_id = "station", 
       time.freq = "hour",
       year = 2020, month = 1, day = 15,
       plot_type = "heatmap", 
       by = "daylight")

Comparación de los patrones de temperatura diurnos y nocturnos del 15 de enero de 2020

Combinando luz natural con meses

# Ciclo diurno de la temperatura del aire el 15 de enero y el 15 de julio de 2020
lcz_ts(lcz_map, 
       data_frame = lcz_data, 
       var = "airT", 
       station_id = "station", 
       time.freq = "hour",
       year = 2020, month = c(1, 7), day = 15,
       plot_type = "basic_line", 
       by = c("daylight", "monthyear"))

Comparación de los ciclos de temperatura diurnos en invierno (enero) y verano (julio) 2020

Suavizar las tendencias de temperatura

Habilite el suavizado configurando smooth = TRUE, que agrega una línea de modelo aditivo generalizado (GAM) para mostrar la tendencia de la temperatura.

# Tendencias de la temperatura del aire diaria para 2019-2020 por estación
lcz_ts(lcz_map, 
       data_frame = lcz_data, 
       var = "airT", 
       station_id = "station", 
       time.freq = "hour",
       year = 2019:2020,
       plot_type = "basic_line", 
       smooth = TRUE)

Tendencias de temperatura con GAM suavizado en todas las estaciones para 2019-2020

Guardar parcelas

Para guardar un gráfico y un marco de datos, configure isave = TRUE y especifique el tipo de archivo con save_extension (por ejemplo, “png”, “jpeg”, “svg”, “pdf”). una carpeta LCZ4r_output se crea en su PC.

# Guarda el gráfico de luz diurna y el marco de datos en el PC
lcz_ts(lcz_map, 
       data_frame = lcz_data, 
       var = "airT", 
       station_id = "station", 
       time.freq = "hour",
       year = 2020, month = 1, day = 15,
       plot_type = "basic_line", 
       by = "daylight", 
       isave = TRUE)

Consejo: Los archivos guardados se organizarán automáticamente en el LCZ4r_output carpeta con nombres de archivos con marca de tiempo para una fácil referencia.

Devolver un marco de datos como resultado

Para guardar el resultado en R, establezca iplot = FALSE y crear un objeto.

# Devuelve el dataframe de luz diurna del 15 de enero de 2020
my_output <- lcz_ts(lcz_map, 
                    data_frame = lcz_data, 
                    var = "airT", 
                    station_id = "station", 
                    time.freq = "hour",
                    year = 2020, month = 1, day = 15,
                    plot_type = "basic_line", 
                    by = "daylight", 
                    iplot = FALSE)

# Visualice la estructura del dataframe devuelto
str(my_output)

Resumen de parámetros

A continuación se ofrece una referencia rápida de los principales parámetros utilizados en lcz_ts():

Parámetro	Descripción	Opciones
time.freq	Frecuencia de agregación temporal	“hora”, “día”, “mes”, “año”
plot_type	Tipo de visualización	“basic_line”, “facet_line”, “heatmap”, “warming_stripes”
by	Método de división de datos	“temporada”, “mes”, “día laborable”, “luz del día”, “añotemporada”
smooth	Añadir línea de tendencia GAM	VERDADERO/FALSO
isave	Guardar la salida en la PC	VERDADERO/FALSO
iplot	Mostrar gráfico	VERDADERO/FALSO

---

¿Tiene comentarios o sugerencias?

¿Tiene una idea para mejorar o detectó un error? ¡Nos encantaría saber de usted! Haga clic en el botón a continuación para crear una nueva edición (GitHub) y compartir sus comentarios o sugerencias directamente con nosotros.

Abrir incidencia en GitHub