Tutorial 8: Datos Climáticos y Ambientales en Malla

Objetivo

Al final de este tutorial usted será capaz de integrar datos climáticos y ambientales en malla (teledetección y reanálisis) a su serie de salud: importar el ERA5-Land (~10 km) con sus_grid_era5() y agregarlo a polígonos municipales; conocer la familia completa sus_grid_* (precipitación CHIRPS, focos de incendio, sequías PDSI/SMVI, deforestación PRODES y contaminación CAMS/GHAP/MERRA-2); y derivar indicadores climáticos para epidemiología: anomalías (sus_climate_anomaly()), índices bioclimáticos (sus_climate_compute_indicators()), olas de calor (sus_climate_compute_heatwaves() + sus_climate_plot_heatwaves()) y los índices de sequía SPI (sus_climate_compute_spi()) y SPEI (sus_climate_compute_spei()).

Esta es la octava etapa del pipeline: mientras que el Tutorial 7 construyó la exposición climática a partir de estaciones INMET (mediciones puntuales), aquí construimos una exposición alternativa y complementaria en malla — cobertura espacial continua, sin lagunas de observación — que alimentará el modelo DLNM del Tutorial 9.

Contexto científico

Estación vs. píxel: dos formas de medir la exposición

Una estación meteorológica mide el clima en un punto; un producto en malla representa el valor promedio de un píxel (una celda de área fija). El ERA5-Land (Muñoz-Sabater et al., 2021) es un reanálisis: un modelo físico de superficie terrestre alimentado por observaciones, que produce campos horarios continuos desde 1950 con resolución de ~0,1° (~10 km en el ecuador). Para Brasil, el proyecto ERA5-Land Daily Aggregates for Latin America (Saldanha, Zenodo, CC-BY 4.0) ofrece agregados diarios listos, sin clave de API — esa es la fuente usada por sus_grid_era5().

Tres cuidados de quien trabaja con teledetección/reanálisis:

Resolución y representatividad. Un píxel de ~10 km es un promedio areal: suaviza extremos locales (islas de calor urbanas, microclimas de valle) que una estación puntual capta. En contrapartida, cubre municipios sin estación y no tiene datos faltantes. Para un municipio extenso como São Paulo (~1.500 km²), decenas de píxeles se agregan al polígono — el climasus4r hace esto con un promedio ponderado por área de intersección (vía exactextractr), lo que evita sesgo de borde.
Unidades físicas. Los archivos NetCDF originales vienen en unidades del sistema internacional: temperatura en Kelvin (conversión K → °C: restar 273,15), precipitación en metros (m → mm: multiplicar por 1.000) y presión en Pa (Pa → hPa: dividir por 100). sus_grid_era5() aplica estas conversiones automáticamente y entrega columnas canónicas (tair_dry_bulb_c, rainfall_mm, …).
Validación cruzada. El reanálisis no sustituye la observación: lo recomendado es comparar la serie de malla con la estación INMET más cercana (Tutorial 7) antes de elegir la exposición del modelo — diferencias sistemáticas (sesgo) son esperables y documentables.

De los campos brutos a los indicadores epidemiológicos

La literatura de clima-salud rara vez usa la temperatura bruta directamente:

Las anomalías (OMM, 2017) hacen comparables ciudades con climas distintos y señalan los días extremos a correlacionar con picos de mortalidad (Gasparrini et al., 2017);
Las olas de calor definidas por percentiles y duración (Perkins & Alexander, 2013; Geirinhas et al., 2018) y por el Excess Heat Factor — EHF (Nairn & Fawcett, 2015) capturan el efecto agudo del calor sostenido;
SPI (McKee et al., 1993) y SPEI (Vicente-Serrano et al., 2010) estandarizan sequía/humedad en múltiples escalas temporales — relevantes para enfermedades diarreicas, leptospirosis y arbovirosis;
Los índices bioclimáticos (UTCI, Bröde et al., 2012; WBGT, Liljegren et al., 2008; HI, Rothfusz, 1990) combinan temperatura, humedad, viento y radiación en una única medida de estrés térmico humano.

Caso conductor. Continuamos con temperatura y desenlaces de salud en adultos mayores (60+) en la RM de São Paulo, 2014–2019. En este tutorial importamos el ERA5-Land para el municipio de São Paulo y derivamos anomalías, olas de calor y SPI/SPEI. El resultado (caso_clima_grade.rds) entra en el Tutorial 9 como exposición alternativa/complementaria a la de estación (caso_clima_estacao.rds, Tutorial 7).

Datos utilizados

Fuente	Función	Resolución	Variables	Papel en el caso
ERA5-Land (Zenodo)	`sus_grid_era5()`	~10 km, diaria	Tmedia, Tmáx, Tmín, precipitación	Exposición de malla principal
Serie de salud (T4)	`dados/caso_serie.rds`	Municipio × día	Defunciones J00–J99/I00–I99, 60+	Esqueleto temporal/espacial

Entrada encadenada: dados/caso_serie.rds (Tutorial 4). Salida: dados/caso_clima_grade.rds (lista con la serie diaria ERA5-Land, la serie salud+clima alineada, SPI/SPEI mensuales y los eventos de ola de calor).

La familia sus_grid_* cubre otras fuentes ambientales con la misma gramática (años/meses, municipalities como objeto sf, agregación por píxel→polígono, caché):

Función	Fuente	Tema
`sus_grid_chirps()`	CHIRPS (0,05°)	Precipitación (Funk et al., 2015)
`sus_grid_fires()`	INPE/Queimadas	Focos de calor
`sus_grid_pdsi()`	PDSI	Sequía (índice de Palmer)
`sus_grid_smvi()`	SMVI	Sequía relámpago (humedad del suelo)
`sus_grid_prodes()`	PRODES/TerraBrasilis	Deforestación
`sus_grid_pollution_cams()`	CAMS/Copernicus	Contaminación del aire (reanálisis)
`sus_grid_pollution_ghap()`	GHAP	PM2.5 en alta resolución
`sus_grid_pollution_merra2()`	MERRA-2/NASA	Aerosoles y contaminantes
`sus_grid_join()`	—	Une las mallas a la base de salud por `code_muni` × `date`

Pipeline completo

Los bloques de abajo reproducen lo que ejecuta scripts/tutorial_08_clima_grade.R. Comience cargando el paquete y la serie de salud encadenada:

library(climasus4r)

caso_serie <- readRDS("dados/caso_serie.rds")  # série diária de saúde (T4)

Importar ERA5-Land para el municipio de São Paulo

Primero obtenemos el polígono municipal (objeto sf vía geobr) y luego llamamos a sus_grid_era5(). La función descarga los NetCDF de Zenodo (sin clave de API), convierte unidades (K → °C; m → mm) y agrega cada píxel al polígono con promedio ponderado por área:

library(geobr)

sp_geom <- read_municipality(code_muni = "SP", year = 2020)
sp_geom <- sp_geom[as.character(sp_geom$code_muni) == "3550308", ]  # São Paulo

era5_sp <- sus_grid_era5(
  years          = 2014:2019,
  months         = 1:12,
  vars           = c("t2m", "t2m_max", "t2m_min", "tp"),
  municipalities = sp_geom,    # sf -> agrega raster ao polígono
  agg_fun        = "mean",     # média areal (ponderada) do município
  use_cache      = TRUE,       # NetCDF reaproveitados em ~/.climasus4r_cache/era5
  parallel       = FALSE,
  lang           = "pt",
  verbose        = TRUE
)

sus_meta(era5_sp, "stage")  # "climate"
sus_meta(era5_sp, "type")   # "era5_land"

El retorno es un climasus_df con code_muni, date y una columna por variable: tair_dry_bulb_c (t2m), tair_max_c (t2m_max), tair_min_c (t2m_min) y rainfall_mm (tp).

Artefato indisponível — rode Rscript scripts/tutorial_08_clima_grade.R (a partir da raiz do pacote) para gerá-lo.

Anomalías climáticas

sus_climate_anomaly() compara observaciones con las normales climatológicas del INMET (de sus_climate_normals()), con tres métodos — absoluto, relativo y estandarizado:

normais <- sus_climate_normals(
  period     = "1991-2020",
  target_var = c("t_max", "t_min", "t_mean_comp", "precipitation")
)

anom <- sus_climate_anomaly(
  observed   = clima_estacao,        # climasus_df do T7 (estações INMET)
  normals    = normais,
  method     = "standardized",       # z-score: comparável entre cidades
  time_scale = "monthly",
  lang       = "pt"
)

Como la serie ERA5-Land usa code_muni (y no station_code emparejado a las normales INMET), el script de generación ilustra la misma matemática con la climatología mensual derivada de la propia serie — observado − media del mes y el z-score correspondiente (ver fórmulas más adelante).

Indicadores bioclimáticos (demostrativo)

sus_climate_compute_indicators() calcula WBGT, HI, THI, UTCI, PET, grados-día (CDD/HDD/GDD) y otros, a partir de datos horarios con temperatura, humedad (rh_mean_porc), radiación (sr_kj_m2) y viento (ws_2_m_s):

clima_ind <- sus_climate_compute_indicators(
  df         = clima_horario,                  # T7 (INMET horário) ou ERA5 com td2m/u10/v10/sp
  indicators = c("wbgt", "hi", "utci"),
  region     = "atlantic_forest",              # limiares adaptados ao bioma
  lang       = "pt"
)

La serie ERA5-Land mínima de este tutorial (solo temperatura y lluvia) no trae humedad/viento/radiación; en un flujo real, aplique la función sobre el INMET horario (T7) o pida vars = "all" en sus_grid_era5() (incluye td2m, u10, v10, sp).

Olas de calor

sus_climate_compute_heatwaves() espera un climasus_df en stage = "climate" con date, station_code y columnas de temperatura. Adaptamos la serie de malla a ese contrato (station_code = code_muni) y aplicamos tres métodos:

hw <- sus_climate_compute_heatwaves(
  df             = era5_hw,                   # ERA5 adaptado ao contrato de estação
  method         = c("WHO", "WMO", "INMET"),  # ou "all" (inclui EHF, UTCI, WBGT, HI)
  baseline_start = "2014-01-01",              # período de referência dos percentis
  baseline_end   = "2019-12-31",
  percentile     = 90,                        # P90 para WHO/WMO
  lang           = "pt"
)

hw$events    # um evento por linha: início, fim, duração, pico, intensidade
hw$daily     # flags diárias hw_who, hw_wmo, hw_inmet, hw_any
hw$summary   # resumo anual por estação e método

La visualización lista viene de sus_climate_plot_heatwaves():

sus_climate_plot_heatwaves(
  hw,
  type        = "trend",     # ou "timeline", "calendar", "intensity"
  interactive = FALSE,       # TRUE -> plotly
  lang        = "pt"
)

SPI y SPEI: sequías y periodos húmedos

Ambas funciones exigen datos mensuales (una fila por municipio × mes, con date en el 1º día del mes). Agregamos la serie diaria: precipitación por suma, temperatura por promedio:

mensal <- era5_sp |>
  dplyr::mutate(date_m = as.Date(format(date, "%Y-%m-01"))) |>
  dplyr::summarise(
    rainfall_mm     = sum(rainfall_mm, na.rm = TRUE),
    tair_dry_bulb_c = mean(tair_dry_bulb_c, na.rm = TRUE),
    .by = c("code_muni", "date_m")
  ) |>
  dplyr::rename(date = date_m)

# SPI: apenas precipitação (gamma + zeros)
spi <- sus_climate_compute_spi(
  df     = mensal,
  var    = "rainfall_mm",        # padrão é "rainfall_chirps_mm" (sus_grid_chirps)
  scales = c(1L, 3L, 6L),        # série de 6 anos: escalas curtas
  min_n  = 24L,                  # mínimo de 24 meses para ajustar a distribuição
  lang   = "pt"
)

# SPEI: balanço hídrico P - PET (PET de Thornthwaite, só temperatura)
spei <- sus_climate_compute_spei(
  df         = spi,
  rain_var   = "rainfall_mm",
  pet_method = "thornthwaite",   # ou "column" com pet_var = "pet_mm"
  temp_var   = "tair_dry_bulb_c",
  scales     = c(1L, 3L, 6L),
  min_n      = 24L,
  lang       = "pt"
)

names(spei)  # ..., spi_1mo, spi_3mo, spi_6mo, spei_1mo, spei_3mo, spei_6mo

Nota metodológica. La OMM recomienda ≥ 30 años de calibración para SPI/SPEI (ref_start/ref_end). Con 6 años (72 meses) los índices de este caso son ilustrativos: en investigación real, calibre con CHIRPS 1981–2010 (sus_grid_chirps()) o ERA5-Land desde 1950.

Encadenamiento: alinear el clima de malla a la salud y guardar para el T9

Por último, unimos la temperatura ERA5-Land diaria a la serie de salud por date y guardamos el paquete de exposición de malla que usará el Tutorial 9:

saude_clima <- dplyr::left_join(
  caso_serie,
  era5_sp |> dplyr::select(date, tair_dry_bulb_c, tair_max_c,
                           tair_min_c, rainfall_mm),
  by = "date"
)

caso_clima_grade <- list(
  era5_diario = era5_sp,
  saude_clima = saude_clima,
  spi_spei    = spei,
  ondas_calor = hw$events
)
saveRDS(caso_clima_grade, "dados/caso_clima_grade.rds")

Características de las funciones

`sus_grid_era5()`

Puerta de entrada del ERA5-Land: descarga agregados diarios de Zenodo (Saldanha, 1950–2025) y agrega píxeles a polígonos municipales.

Argumento	¿Esencial?	Descripción
`years`	sí	Años (1950–2025), ej.: `2014:2019`
`months`	opcional	Meses 1–12 (por defecto: todos)
`vars`	opcional	Alias ERA5: `"t2m"`, `"t2m_max"`, `"t2m_min"`, `"td2m"`, `"u10"`, `"v10"`, `"sp"`, `"tp"` o `"all"` (por defecto `c("t2m","tp")`)
`municipalities`	recomendado	Objeto `sf` con los polígonos (detecta `code_muni`/`CD_MUN`); `NULL` devuelve solo las rutas NetCDF
`agg_fun`	opcional	Agregación píxel→polígono vía `exactextractr`: `"mean"` (por defecto, ponderada por área), `"sum"`, `"median"`, `"min"`, `"max"`
`use_cache` / `cache_dir`	recomendado	Reutiliza NetCDF descargados (`~/.climasus4r_cache/era5`)
`parallel` / `workers`	opcional	Descargas en paralelo; respeta el `future::plan()` del usuario
`lang` / `verbose`	opcional	Idioma (`"pt"`, `"en"`, `"es"`) y mensajes

Retorno: climasus_df [stage = "climate", type = "era5_land"] con code_muni, date y columnas canónicas ya en unidades prácticas (tair_dry_bulb_c en °C, rainfall_mm en mm, patm_hpa en hPa).

`sus_climate_anomaly()`

Argumento	Descripción
`observed`	`climasus_df` de `sus_climate_inmet()` o `sus_climate_aggregate()`
`normals`	`climasus_df` de `sus_climate_normals()` (columnas `codigo`, `mes`, `decada`, `var_code`, `valor`)
`vars`	Mapa columna observada → `var_code` de las normales, ej.: `c(tair_max_c = "t_max")`; `NULL` autodetecta
`method`	`"absolute"` (por defecto), `"relative"`, `"standardized"` o `"all"`
`time_scale`	`"monthly"` (por defecto) o `"decadal"` (decenas de 10 días)
`station_col` / `date_col`	Nombres de las columnas de estación y fecha (`"station_code"`, `"date"`)

Retorno: climasus_df [stage = "climate", type = "anomaly"], una fila por estación × año × mes, con {v}_obs, {v}_normal, {v}_anomaly y, según el método, {v}_anomaly_pct y {v}_anomaly_std.

`sus_climate_compute_indicators()`

Argumento	Descripción
`df`	Datos horarios de `sus_climate_inmet()`/`sus_climate_fill_inmet()`
`indicators`	`"all"` (por defecto) o códigos: `"wbgt"`, `"hi"`, `"thi"`, `"wcet"`, `"wct"`, `"et"`, `"utci"`, `"pet"`, `"cdd"`, `"hdd"`, `"gdd"`, `"diurnal_range"`, `"vapor_pressure"`, `"heat_stress_risk"`, `"koppen_humidity"`
`region`	`"auto"` (por defecto) o bioma: `"amazon"`, `"cerrado"`, `"caatinga"`, `"atlantic_forest"`, `"pampa"`, `"pantanal"`, `"southeast"`, `"south"`
`confidence_flags`	Indicadores `_flag_extreme`/`_flag_high`/`_flag_low` por indicador
`verify_physics`	Verifica la radiación solar contra límites extraterrestres
`compute_uncertainty`	IC 95% por Monte Carlo (200 simulaciones)

Retorno: climasus_df con columnas como wbgt_c, hi_c, utci_c — prerrequisito de los métodos UTCI/WBGT/HI de olas de calor.

`sus_climate_compute_heatwaves()`

Argumento	Descripción
`df`	`climasus_df` [`stage="climate"`, type `inmet`/`filled`/`indicators`] con `date`, `station_code` y temperaturas
`method`	`"WHO"`, `"WMO"`, `"INMET"`, `"EHF"`, `"UTCI"`, `"WBGT"`, `"HI"` o `"all"` (métodos sin columna requerida se omiten con aviso)
`baseline_start` / `baseline_end`	Periodo de referencia de los umbrales; `NULL` usa toda la serie
`percentile`	Percentil de los umbrales (por defecto 90)
`min_duration`	Días consecutivos mínimos; `NULL` usa el valor por defecto de cada método (WHO=3, WMO=5, INMET=5, EHF=3…)

Retorno: lista climasus_hw con events (eventos discretos), daily (indicadores diarios hw_<método>, hw_any) y summary (resumen anual). Visualización con sus_climate_plot_heatwaves(hw_result, type = "timeline" | "calendar" | "intensity" | "trend", interactive, lang).

`sus_climate_compute_spi()` y `sus_climate_compute_spei()`

Argumento	SPI	SPEI
`df`	mensual, con `code_muni` + `date`	ídem
variable de lluvia	`var` (por defecto `"rainfall_chirps_mm"`)	`rain_var`
PET	—	`pet_method = "column"` (`pet_var`) o `"thornthwaite"` (`temp_var`)
`scales`	escalas en meses (por defecto `c(1,3,6,12)`)	ídem
`ref_start` / `ref_end`	periodo de calibración (OMM: ≥ 30 años)	ídem
`min_n`	mínimo de meses válidos por municipio (por defecto 24)	ídem

Retorno: el climasus_df de entrada con columnas spi_{s}mo / spei_{s}mo (type = "spi" / "spei"). Distribuciones: gamma con mezcla para ceros (SPI); log-logística de 3 parámetros vía L-momentos (SPEI).

Fórmulas

Anomalía (OMM, 2017). Para la variable $x$ en el mes $m$ del año $t$ , con normal climatológica $\bar{x}_m$ y desviación estándar interanual $\sigma_m$ :

$A_{t,m} = x_{t,m} - \bar{x}_m \qquad\text{(absoluta, °C)}$

$Z_{t,m} = \frac{x_{t,m} - \bar{x}_m}{\sigma_m} \qquad\text{(estandarizada, z-score)}$

El método "relative" divide por $|\bar{x}_m|$ y multiplica por 100 (%, usual para la precipitación).

SPI (McKee et al., 1993). La precipitación acumulada en $s$ meses, $P_s$ , se ajusta a una distribución gamma (con probabilidad $p_0$ de meses secos) y se transforma a la normal estándar:

$\mathrm{SPI}_s = \Phi^{-1}\!\big[\, p_0 + (1 - p_0)\, F_\gamma(P_s)\,\big]$

donde $F_\gamma$ es la CDF gamma y $\Phi^{-1}$ la inversa de la normal estándar. Valores $\le -1$ indican sequía moderada; $\le -1{,}5$ severa; $\le -2$ extrema.

SPEI (Vicente-Serrano et al., 2010). Sustituye $P$ por el balance hídrico climático acumulado, sensible al calentamiento:

$D = P - \mathrm{PET}, \qquad \mathrm{SPEI}_s = \Phi^{-1}\!\big[\, F_{LL}\!\big(\textstyle\sum_s D\big)\,\big]$

con $F_{LL}$ la CDF log-logística de 3 parámetros y PET estimada por Thornthwaite (1948) cuando solo hay temperatura.

EHF — Excess Heat Factor (Nairn & Fawcett, 2015). Combina la anomalía contra el clima ( $\mathrm{EHI}_{sig}$ ) y contra los 30 días recientes (aclimatación, $\mathrm{EHI}_{acc}$ ):

$\mathrm{EHI}_{sig} = \bar{T}_3 - T_{95}, \qquad \mathrm{EHI}_{acc} = \bar{T}_3 - \bar{T}_{30}$

$\mathrm{EHF} = \mathrm{EHI}_{sig} \times \max(1,\ \mathrm{EHI}_{acc})$

donde $\bar{T}_3$ y $\bar{T}_{30}$ son los promedios de $T_{mean}$ en los últimos 3 y 30 días y $T_{95}$ es el percentil 95 del baseline. Los métodos WHO/WMO, a su vez, exigen $T_{max} > P_{90}(T_{max})$ (WMO también $T_{min} > P_{90}(T_{min})$ ) durante un número mínimo de días consecutivos.

Resultados ilustrados

Artefato indisponível — rode Rscript scripts/tutorial_08_clima_grade.R (a partir da raiz do pacote) para gerá-lo.

Figura 1. Temperatura media diaria del ERA5-Land (~10 km) agregada al municipio de São Paulo, 2014–2019. Note la suavidad típica del valor areal: el promedio de decenas de píxeles atenúa extremos puntuales que una estación registraría — es la contrapartida de la cobertura espacial completa.

Artefato indisponível — rode Rscript scripts/tutorial_08_clima_grade.R (a partir da raiz do pacote) para gerá-lo.

Figura 2. Anomalía mensual de temperatura (observado − normal mensual), São Paulo, 2014–2019. Barras naranjas (positivas) marcan meses más cálidos que la climatología local; es exactamente esta señal — y no la temperatura absoluta — la que viaja entre ciudades en análisis multicéntricos.

Artefato indisponível — rode Rscript scripts/tutorial_08_clima_grade.R (a partir da raiz do pacote) para gerá-lo.

Figura 3. Olas de calor detectadas por año y método (WHO/WMO/INMET) en la serie ERA5-Land de São Paulo, 2014–2019. Métodos más exigentes (WMO: umbral doble Tmáx y Tmín por ≥ 5 días) detectan menos eventos que el criterio WHO (P90 de Tmáx por ≥ 3 días) — la elección debe reflejar el mecanismo fisiológico de interés (calor diurno vs. noches cálidas sin alivio).

Artefato indisponível — rode Rscript scripts/tutorial_08_clima_grade.R (a partir da raiz do pacote) para gerá-lo.

Figura 4. SPI-3 vs. SPEI-3 mensuales (líneas discontinuas: ±1 = umbral moderado). Cuando la temperatura sube sin cambio en la lluvia, el SPEI cae más que el SPI — la evapotranspiración potencial amplía el déficit hídrico. La crisis hídrica de São Paulo de 2014–2015 es el tipo de episodio que estos índices señalan con antelación para desenlaces como enfermedades diarreicas.

Referencias

Bröde, P., et al. (2012). Deriving the operational procedure for the Universal Thermal Climate Index (UTCI). International Journal of Biometeorology, 56(3), 481–494.
Funk, C., et al. (2015). The climate hazards infrared precipitation with stations — a new environmental record for monitoring extremes. Scientific Data, 2, 150066.
Gasparrini, A., et al. (2017). Projections of temperature-related excess mortality under climate change scenarios. The Lancet Planetary Health, 1(9), e360–e367.
Geirinhas, J. L., et al. (2018). Climatic and synoptic characterization of heat waves in Brazil. International Journal of Climatology, 38(4), 1760–1776.
Liljegren, J. C., et al. (2008). Modeling the wet bulb globe temperature using standard meteorological measurements. Journal of Occupational and Environmental Hygiene, 5(10), 645–655.
McKee, T. B., Doesken, N. J., & Kleist, J. (1993). The relationship of drought frequency and duration to time scales. Proceedings of the 8th Conference on Applied Climatology, AMS, 179–184.
Muñoz-Sabater, J., et al. (2021). ERA5-Land: a state-of-the-art global reanalysis dataset for land applications. Earth System Science Data, 13(9), 4349–4383.
Nairn, J. R., & Fawcett, R. J. B. (2015). The Excess Heat Factor: a metric for heatwave intensity and its use in classifying heatwave severity. International Journal of Environmental Research and Public Health, 12(1), 227–253.
Perkins, S. E., & Alexander, L. V. (2013). On the measurement of heat waves. Journal of Climate, 26(13), 4500–4517.
Rothfusz, L. P. (1990). The heat index “equation”. NWS Technical Attachment SR/SSD 90-23.
Saldanha, R. ERA5-Land Daily Aggregates for Latin America (1950–2025). Zenodo. https://zenodo.org/doi/10.5281/zenodo.10013254. CC-BY 4.0.
Thornthwaite, C. W. (1948). An approach toward a rational classification of climate. Geographical Review, 38(1), 55–94.
Vicente-Serrano, S. M., Beguería, S., & López-Moreno, J. I. (2010). A multiscalar drought index sensitive to global warming: the Standardized Precipitation Evapotranspiration Index. Journal of Climate, 23(7), 1696–1718.
WMO (2017). WMO Guidelines on the Calculation of Climate Normals (WMO-No. 1203). Ginebra.

Navegación

Volver al hub de tutoriales
Anterior: Tutorial 7 — Clima por Estaciones (INMET)
Siguiente: Tutorial 9 — Modelado Epidemiológico (DLNM)

Equipo climasus4r

17/10/2026

Objetivo

Contexto científico

Estación vs. píxel: dos formas de medir la exposición

De los campos brutos a los indicadores epidemiológicos

Datos utilizados

Pipeline completo

Importar ERA5-Land para el municipio de São Paulo

Anomalías climáticas

Indicadores bioclimáticos (demostrativo)

Olas de calor

SPI y SPEI: sequías y periodos húmedos

Encadenamiento: alinear el clima de malla a la salud y guardar para el T9

Características de las funciones

`sus_grid_era5()`

`sus_climate_anomaly()`

`sus_climate_compute_indicators()`

`sus_climate_compute_heatwaves()`

`sus_climate_compute_spi()` y `sus_climate_compute_spei()`

Fórmulas

Resultados ilustrados

Referencias

Navegación

Tutorial 8: Datos Climáticos y Ambientales en Malla

Equipo climasus4r

17/10/2026

Objetivo

Contexto científico

Estación vs. píxel: dos formas de medir la exposición

De los campos brutos a los indicadores epidemiológicos

Datos utilizados

Pipeline completo

Importar ERA5-Land para el municipio de São Paulo

Anomalías climáticas

Indicadores bioclimáticos (demostrativo)

Olas de calor

SPI y SPEI: sequías y periodos húmedos

Encadenamiento: alinear el clima de malla a la salud y guardar para el T9

Características de las funciones

sus_grid_era5()

sus_climate_anomaly()

sus_climate_compute_indicators()

sus_climate_compute_heatwaves()

sus_climate_compute_spi() y sus_climate_compute_spei()

Fórmulas

Resultados ilustrados

Referencias

Navegación

`sus_grid_era5()`

`sus_climate_anomaly()`

`sus_climate_compute_indicators()`

`sus_climate_compute_heatwaves()`

`sus_climate_compute_spi()` y `sus_climate_compute_spei()`