1 Introducción

En esta práctica aprenderemos a descargar, limpiar y visualizar datos climáticos históricos utilizando el conjunto de datos CRU TS 4.09 (Climatic Research Unit gridded Time Series), que cubre el período 1901–2024 con resolución mensual para más de 190 países.

Trabajaremos con cuatro variables principales:

Código Variable Unidad
pre Precipitación mm
tmp Temperatura media °C
tmn Temperatura mínima °C
tmx Temperatura máxima °C

Fuente de los datos: University of East Anglia, Climatic Research Unit.
URL base: https://crudata.uea.ac.uk/cru/data/hrg/cru_ts_4.09/

2 Configuración del Entorno

2.1 Librerías necesarias

# Instalar si no está disponible:
# install.packages("readr")

library(readr)

2.2 Directorio de trabajo

setwd("~/Documents/Cursos-R/Tarea-0")

3 Descarga de Datos

3.1 Definir variables y países

Seleccionamos las cuatro variables climáticas y un conjunto amplio de países del G20 más la Unión Europea.

variables <- c("pre", "tmn", "tmp", "tmx")

g20_countries <- unique(c(
  "Argentina", "Australia", "Brazil", "Canada", "China",
  "France", "Germany", "India", "Indonesia", "Italy",
  "Japan", "Mexico", "Russia", "Saudi_Arabia", "South_Africa",
  "South_Korea", "Turkey", "United_Kingdom", "USA",
  "Austria", "Belgium", "Bulgaria", "Croatia", "Cyprus",
  "Czech_Republic", "Denmark", "Estonia", "Finland", "Greece",
  "Hungary", "Ireland", "Latvia", "Lithuania", "Luxembourg",
  "Malta", "Netherlands", "Poland", "Portugal", "Romania",
  "Slovakia", "Slovenia", "Spain", "Sweden"
))

cat("Total de países:", length(g20_countries), "\n")
## Total de países: 43
cat("Variables:", paste(variables, collapse = ", "), "\n")
## Variables: pre, tmn, tmp, tmx

3.2 Descargar archivos .per

El loop descarga cada archivo solo si no existe ya en el directorio de trabajo, por lo que es seguro volver a correr el bloque sin re-descargar todo. Los errores 404 se capturan e imprimen sin detener la ejecución.

⚠️ Antes de hacer Knit: asegúrate de que tu directorio de trabajo es correcto (setwd) y que tienes conexión a internet. La descarga completa puede tardar varios minutos.

base_url <- "https://crudata.uea.ac.uk/cru/data/hrg/cru_ts_4.09/crucy.2503061057.v4.09/countries"

total    <- length(g20_countries) * length(variables)
contador <- 0

for (country in g20_countries) {
  for (var in variables) {
    contador <- contador + 1
    file     <- paste0("crucy.v4.09.1901.2024.", country, ".", var, ".per")

    if (!file.exists(file)) {
      tryCatch(
        {
          download.file(
            url      = paste0(base_url, "/", var, "/", file),
            destfile = file,
            mode     = "wb",
            quiet    = TRUE
          )
          message(sprintf("[%d/%d] Descargado: %s", contador, total, file))
        },
        error = function(e) message(sprintf("[%d/%d] 404 – no encontrado: %s", contador, total, file))
      )
    } else {
      message(sprintf("[%d/%d] Ya existe, omitido: %s", contador, total, file))
    }
  }
}

message("✔ Descarga completada.")

4 Carga de Datos

4.1 Estructura de los archivos .per

Cada archivo .per tiene 18 columnas: año, doce meses, cuatro estaciones (MAM, JJA, SON, DJF) y el valor anual (ANN). Las primeras 4 líneas son encabezado y se omiten con skip = 4.

col_names <- c("Year", "Jan", "Feb", "Mar", "Apr", "May", "Jun",
               "Jul", "Aug", "Sep", "Oct", "Nov", "Dec",
               "MAM", "JJA", "SON", "DJF", "ANN")

Nota sobre estaciones: - DJF (Dec–Feb): Invierno
- MAM (Mar–May): Primavera
- JJA (Jun–Ago): Verano
- SON (Sep–Nov): Otoño

4.2 Leer archivos y construir la lista de datos

Cada archivo .per se lee con read_table(), saltando las 4 primeras líneas de encabezado. El valor -999.0 indica dato faltante y se convierte automáticamente a NA. El resultado es una lista nombrada con la clave "Pais_variable" (ej. "Mexico_tmp").

climate_data   <- list()
no_encontrados <- c()

for (country in g20_countries) {
  for (var in variables) {
    file <- paste0("crucy.v4.09.1901.2024.", country, ".", var, ".per")
    if (file.exists(file)) {
      df <- read_table(file, skip = 4, col_names = col_names,
                       na = "-999.0", show_col_types = FALSE)
      df$Country  <- country
      df$Variable <- var
      climate_data[[paste0(country, "_", var)]] <- df
    } else {
      no_encontrados <- c(no_encontrados, file)
    }
  }
}

cat(sprintf("Entradas cargadas en climate_data: %d de %d esperadas\n",
            length(climate_data),
            length(g20_countries) * length(variables)))
## Entradas cargadas en climate_data: 172 de 172 esperadas
if (length(no_encontrados) > 0) {
  cat(sprintf("Archivos no encontrados (%d):\n", length(no_encontrados)))
  cat(paste(" -", no_encontrados, collapse = "\n"), "\n")
}

# Vista rapida de la estructura de un dataframe de ejemplo
cat("\nEstructura de Mexico_tmp:\n")
## 
## Estructura de Mexico_tmp:
str(climate_data[["Mexico_tmp"]])
## spc_tbl_ [124 × 20] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
##  $ Year    : num [1:124] 1901 1902 1903 1904 1905 ...
##  $ Jan     : num [1:124] 16.1 15.3 15.5 14.6 15.4 15.1 17.1 16.1 16.9 15.5 ...
##  $ Feb     : num [1:124] 16.3 16.1 15.3 17.5 14.7 16.3 17.7 16.4 16.7 15.4 ...
##  $ Mar     : num [1:124] 18.6 18.4 18.1 20.1 19 18 20.2 20 18.9 19.5 ...
##  $ Apr     : num [1:124] 20.5 22.1 21 21.6 20.8 21.1 21.2 21.8 21.1 21.1 ...
##  $ May     : num [1:124] 23.2 24.1 22.7 23.1 23.6 23.3 22.3 23.3 23.2 23.5 ...
##  $ Jun     : num [1:124] 24.7 25.6 24 24.6 24.9 25.4 24.5 25.1 25.1 24.8 ...
##  $ Jul     : num [1:124] 25.2 24.8 24.8 24.5 24.6 24.8 24.8 24.7 25.1 25 ...
##  $ Aug     : num [1:124] 25.2 25 24.6 24.5 25.4 24.2 24.8 24.7 24.6 25.1 ...
##  $ Sep     : num [1:124] 23.9 24 23.4 23.8 24.3 24 24.2 23.5 23.3 24.2 ...
##  $ Oct     : num [1:124] 21.9 21.7 20.8 21.2 21.4 20.7 21.7 20.4 21.2 21 ...
##  $ Nov     : num [1:124] 18.9 18.9 18.2 17.9 18.6 17.8 17.2 17.9 19.2 18.4 ...
##  $ Dec     : num [1:124] 15.7 16 15.5 15.9 14.2 16.8 16.4 16.1 14 16.1 ...
##  $ MAM     : num [1:124] 20.8 21.6 20.6 21.6 21.1 20.8 21.3 21.7 21.1 21.4 ...
##  $ JJA     : num [1:124] 25 25.1 24.5 24.5 25 24.8 24.7 24.8 24.9 25 ...
##  $ SON     : num [1:124] 21.6 21.5 20.8 21 21.4 20.8 21 20.6 21.3 21.2 ...
##  $ DJF     : num [1:124] 15.7 15.6 15.9 15.3 15.2 17.2 16.3 16.6 14.9 16.8 ...
##  $ ANN     : num [1:124] 20.9 21 20.3 20.8 20.6 20.6 21 20.8 20.8 20.8 ...
##  $ Country : chr [1:124] "Mexico" "Mexico" "Mexico" "Mexico" ...
##  $ Variable: chr [1:124] "tmp" "tmp" "tmp" "tmp" ...
##  - attr(*, "spec")=
##   .. cols(
##   ..   Year = col_double(),
##   ..   Jan = col_double(),
##   ..   Feb = col_double(),
##   ..   Mar = col_double(),
##   ..   Apr = col_double(),
##   ..   May = col_double(),
##   ..   Jun = col_double(),
##   ..   Jul = col_double(),
##   ..   Aug = col_double(),
##   ..   Sep = col_double(),
##   ..   Oct = col_double(),
##   ..   Nov = col_double(),
##   ..   Dec = col_double(),
##   ..   MAM = col_double(),
##   ..   JJA = col_double(),
##   ..   SON = col_double(),
##   ..   DJF = col_double(),
##   ..   ANN = col_double()
##   .. )

5 Sección 1: Precipitación Mensual Promedio para México

5.1 Estadísticas descriptivas

mexico_pre <- climate_data[["Mexico_pre"]]

months <- c("Jan", "Feb", "Mar", "Apr", "May", "Jun",
            "Jul", "Aug", "Sep", "Oct", "Nov", "Dec")

mean_monthly <- as.integer(round(sapply(months, function(m) mean(mexico_pre[[m]], na.rm = TRUE))))
sd_monthly   <- as.integer(round(sapply(months, function(m) sd(mexico_pre[[m]], na.rm = TRUE))))
min_monthly  <- as.integer(round(sapply(months, function(m) min(mexico_pre[[m]], na.rm = TRUE))))
max_monthly  <- as.integer(round(sapply(months, function(m) max(mexico_pre[[m]], na.rm = TRUE))))

stats_mexico <- data.frame(
  Mes    = months,
  Media  = mean_monthly,
  DE     = sd_monthly,
  Mínimo = min_monthly,
  Máximo = max_monthly
)

knitr::kable(stats_mexico,
             caption = "Estadísticas de precipitación mensual para México (1901–2024)",
             align   = "lrrrr")
Estadísticas de precipitación mensual para México (1901–2024)
Mes Media DE Mínimo Máximo
Jan 22 9 3 52
Feb 16 7 5 40
Mar 14 6 4 42
Apr 17 7 5 40
May 41 13 15 80
Jun 100 21 57 149
Jul 124 24 70 217
Aug 125 24 79 192
Sep 139 27 76 218
Oct 79 24 18 135
Nov 30 13 7 66
Dec 26 12 5 66

5.2 Gráfico de barras

bp_mexico <- barplot(
  mean_monthly,
  names.arg = months,
  col       = "deepskyblue4",
  main      = "Precipitación Mensual Promedio en México (1901–2024)",
  ylab      = "Precipitación (mm)",
  xlab      = "Mes",
  ylim      = c(0, max(mean_monthly) * 1.15),
  cex.names = 0.9,
  cex.axis  = 0.9,
  las       = 1,
  font.lab  = 2
)

text(x      = bp_mexico[, 1],
     y      = mean_monthly + 2,
     labels = mean_monthly,
     cex    = 0.8,
     col    = "black",
     adj    = c(0.5, 0))

abline(h   = mean(mean_monthly),
       col = "red", lwd = 2, lty = 2)

legend("topleft",
       legend = paste("Media anual:", round(mean(mean_monthly)), "mm"),
       col    = "red", lty = 2, lwd = 2, bty = "n")
Precipitación mensual promedio en México (1901–2024)

Precipitación mensual promedio en México (1901–2024)

Interpretación: La precipitación en México es claramente estacional, con un pico marcado en los meses de verano (junio–septiembre) asociado a la temporada de lluvias. Los meses de invierno presentan valores muy bajos.

6 Sección 2: Precipitación Anual Promedio por País (G20)

6.1 Calcular medias anuales

annual_pre <- data.frame(Country = character(), Mean_ANN = numeric())

for (country in g20_countries) {
  key <- paste0(country, "_pre")
  if (key %in% names(climate_data)) {
    mean_ann   <- mean(climate_data[[key]]$ANN, na.rm = TRUE)
    annual_pre <- rbind(annual_pre,
                        data.frame(Country = country, Mean_ANN = mean_ann))
  }
}

# Ordenar de mayor a menor
annual_pre <- annual_pre[order(annual_pre$Mean_ANN, decreasing = TRUE), ]

knitr::kable(head(annual_pre, 10),
             caption = "Top 10 países con mayor precipitación anual promedio",
             digits  = 1,
             col.names = c("País", "Precipitación media anual (mm)"))
Top 10 países con mayor precipitación anual promedio
País Precipitación media anual (mm)
9 Indonesia 2644.7
3 Brazil 1774.1
11 Japan 1698.8
16 South_Korea 1338.2
41 Slovenia 1236.2
18 United_Kingdom 1176.9
31 Ireland 1163.2
23 Croatia 1149.2
8 India 1129.0
20 Austria 1086.9

6.2 Gráfico comparativo

blues_palette <- colorRampPalette(c("#97FFFF", "#8DEEEE", "#79CDCD", "#528B8B", "#2F4F4F"))
colors        <- blues_palette(nrow(annual_pre))[rank(annual_pre$Mean_ANN)]

bp_g20 <- barplot(
  annual_pre$Mean_ANN,
  names.arg = annual_pre$Country,
  las       = 2,
  col       = colors,
  main      = "Precipitación anual promedio por país",
  ylab      = "Precipitación (mm)",
  ylim      = c(0, max(annual_pre$Mean_ANN) * 1.15),
  cex.names = 0.6,
  cex.axis  = 0.9,
  font.lab  = 2
)

text(x      = bp_g20[, 1],
     y      = annual_pre$Mean_ANN + 5,
     labels = round(annual_pre$Mean_ANN),
     cex    = 0.55,
     col    = "black",
     adj    = c(0.5, 0))

abline(h   = mean(annual_pre$Mean_ANN),
       col = "red", lwd = 2, lty = 2)

legend("topright",
       legend = paste("Media G20:", round(mean(annual_pre$Mean_ANN)), "mm"),
       col    = "red", lty = 2, lwd = 2, bty = "n")
Precipitación anual promedio — países G20 y UE

Precipitación anual promedio — países G20 y UE

7 Sección 3: Temperatura Anual Promedio por País (G20)

7.1 Calcular medias anuales de temperatura

annual_tmp <- data.frame(Country = character(), Mean_ANN = numeric())

for (country in g20_countries) {
  key <- paste0(country, "_tmp")
  if (key %in% names(climate_data)) {
    mean_ann   <- mean(climate_data[[key]]$ANN, na.rm = TRUE)
    annual_tmp <- rbind(annual_tmp,
                        data.frame(Country = country, Mean_ANN = mean_ann))
  }
}

annual_tmp <- annual_tmp[order(annual_tmp$Mean_ANN, decreasing = TRUE), ]

knitr::kable(head(annual_tmp, 10),
             caption = "Top 10 países más cálidos (temperatura anual promedio)",
             digits  = 1,
             col.names = c("País", "Temperatura media anual (°C)"))
Top 10 países más cálidos (temperatura anual promedio)
País Temperatura media anual (°C)
9 Indonesia 25.9
14 Saudi_Arabia 25.2
3 Brazil 24.9
8 India 23.7
2 Australia 21.6
12 Mexico 21.2
35 Malta 19.5
24 Cyprus 18.2
15 South_Africa 17.8
38 Portugal 15.4

7.2 Gráfico comparativo

dark_palette <- colorRampPalette(c("brown4", "brown", "brown3", "brown2", "brown1"))
colors       <- dark_palette(nrow(annual_tmp))[rank(annual_tmp$Mean_ANN)]

bp_tmp_g20 <- barplot(
  annual_tmp$Mean_ANN,
  names.arg = annual_tmp$Country,
  las       = 2,
  col       = colors,
  main      = "Temperatura anual promedio por país",
  ylab      = "Temperatura (°C)",
  ylim      = c(0, max(annual_tmp$Mean_ANN) * 1.15),
  cex.names = 0.6,
  cex.axis  = 0.9,
  font.lab  = 2
)

text(x      = bp_tmp_g20[, 1],
     y      = annual_tmp$Mean_ANN + 0.3,
     labels = round(annual_tmp$Mean_ANN, 1),
     cex    = 0.55,
     col    = "black",
     adj    = c(0.5, 0))

abline(h   = mean(annual_tmp$Mean_ANN),
       col = "red", lwd = 2, lty = 2)

legend("topright",
       legend = paste("Media G20:", round(mean(annual_tmp$Mean_ANN), 1), "°C"),
       col    = "red", lty = 2, lwd = 2, bty = "n")
Temperatura anual promedio — países G20 y UE

Temperatura anual promedio — países G20 y UE

8 Sección 4: Series de Tiempo con Tendencia

La temperatura promedio anual de un país puede analizarse como una serie de tiempo. Ajustar una regresión lineal (lm) nos permite visualizar la tendencia a largo plazo.

8.1 México — Temperatura

country_ts <- climate_data[["Mexico_tmp"]]
trend      <- lm(ANN ~ Year, data = country_ts)

plot(country_ts$Year, country_ts$ANN,
     type = "l", col = "tomato", lwd = 2,
     main = "Temperatura Promedio Anual de México (1901–2024)",
     xlab = "Año", ylab = "Temperatura (°C)")

abline(trend, col = "black", lwd = 2, lty = 2)

legend("topleft",
       legend = c("Temperatura anual", "Tendencia lineal"),
       col    = c("tomato", "black"),
       lty    = c(1, 2), lwd = 2, bty = "n")
Serie de tiempo de temperatura anual en México con tendencia lineal

Serie de tiempo de temperatura anual en México con tendencia lineal 

cat(sprintf("Pendiente estimada: %.4f °C/año\n", coef(trend)["Year"]))
## Pendiente estimada: 0.0119 °C/año
cat(sprintf("Calentamiento total estimado (1901-2024): %.2f °C\n",
            coef(trend)["Year"] * (2024 - 1901)))
## Calentamiento total estimado (1901-2024): 1.47 °C

Interpretación económica: El calentamiento observado tiene implicaciones para la productividad agrícola, el consumo energético y los patrones de migración, temas centrales en la economía del desarrollo y la economía ambiental.

8.2 México — Precipitación

country_ts <- climate_data[["Mexico_pre"]]
trend      <- lm(ANN ~ Year, data = country_ts)

plot(country_ts$Year, country_ts$ANN,
     type = "l", col = "slateblue1", lwd = 2,
     main = "Precipitación Promedio Anual de México (1901–2024)",
     xlab = "Año", ylab = "Precipitación (mm)")

abline(trend, col = "black", lwd = 2, lty = 2)

legend("topleft",
       legend = c("Precipitación anual", "Tendencia lineal"),
       col    = c("slateblue1", "black"),
       lty    = c(1, 2), lwd = 2, bty = "n")
Serie de tiempo de precipitación anual en México con tendencia lineal

Serie de tiempo de precipitación anual en México con tendencia lineal

9 Sección 5: Tasa de Crecimiento Anual (YoY)

La tasa de crecimiento año a año (Year-over-Year, YoY) mide el cambio porcentual entre años consecutivos:

\[\text{YoY}_t = \frac{X_t - X_{t-1}}{X_{t-1}} \times 100\]

country_ts <- climate_data[["Mexico_tmp"]]
country_ts$YoY_growth <- c(NA, diff(country_ts$ANN) / head(country_ts$ANN, -1) * 100)

plot(country_ts$Year[-1], country_ts$YoY_growth[-1],
     type = "l", col = "tomato", lwd = 2,
     main = "Tasa de Crecimiento YoY de Temperatura en México (1901–2024)",
     xlab = "Año", ylab = "(%)")

abline(h = 0, col = "black", lty = 2)
Tasa de crecimiento YoY de la temperatura anual en México

Tasa de crecimiento YoY de la temperatura anual en México

9.1 México — Precipitación YoY

country_ts <- climate_data[["Mexico_pre"]]
country_ts$YoY_growth <- c(NA, diff(country_ts$ANN) / head(country_ts$ANN, -1) * 100)

plot(country_ts$Year[-1], country_ts$YoY_growth[-1],
     type = "l", col = "slateblue", lwd = 2,
     main = "Tasa de Crecimiento YoY de Precipitación en México (1901–2024)",
     xlab = "Año", ylab = "(%)")

abline(h = 0, col = "black", lty = 2)
Tasa de crecimiento YoY de la precipitación anual en México

Tasa de crecimiento YoY de la precipitación anual en México

10 Sección 6: Bubble Plot — Años Extremos de Temperatura

10.1 Construir el data frame de años extremos

extreme_years <- data.frame(
  Country   = character(),
  Hottest   = numeric(),
  Coldest   = numeric(),
  Year_Hot  = numeric(),
  Year_Cold = numeric()
)

for (country in g20_countries) {
  key <- paste0(country, "_tmp")
  if (key %in% names(climate_data)) {
    df <- climate_data[[key]]
    extreme_years <- rbind(extreme_years, data.frame(
      Country   = country,
      Hottest   = round(max(df$ANN, na.rm = TRUE), 2),
      Coldest   = round(min(df$ANN, na.rm = TRUE), 2),
      Year_Hot  = df$Year[which.max(df$ANN)],
      Year_Cold = df$Year[which.min(df$ANN)]
    ))
  }
}

knitr::kable(extreme_years,
             caption = "Anos extremos de temperatura por pais",
             digits  = 2,
             col.names = c("Pais", "Temp. maxima (C)", "Temp. minima (C)",
                           "Ano mas calido", "Ano mas frio"))
Anos extremos de temperatura por pais
Pais Temp. maxima (C) Temp. minima (C) Ano mas calido Ano mas frio
Argentina 16.2 14.2 2023 1956
Australia 22.8 20.7 2019 1917
Brazil 26.0 24.3 2015 1917
Canada -3.0 -7.2 2010 1972
China 8.8 6.5 2024 1956
France 13.2 9.5 2022 1963
Germany 11.2 6.8 2024 1940
India 24.8 22.8 2009 1917
Indonesia 26.5 25.5 2024 1956
Italy 16.0 12.5 2024 1940
Japan 13.6 10.0 2024 1913
Mexico 23.1 20.3 2024 1903
Russia -1.7 -6.6 2020 1969
Saudi_Arabia 26.9 24.2 2010 1911
South_Africa 19.4 16.7 2019 1907
South_Korea 14.3 10.5 2024 1917
Turkey 13.3 9.8 2024 1911
United_Kingdom 10.1 7.7 2022 1919
USA 10.5 7.4 2016 1917
Austria 9.4 4.6 2024 1940
Belgium 12.0 8.1 2022 1963
Bulgaria 13.4 9.2 2024 1933
Croatia 14.2 9.3 2024 1940
Cyprus 20.2 16.7 2024 1903
Czech_Republic 10.6 5.4 2024 1940
Denmark 10.0 5.9 2020 1942
Estonia 8.2 2.8 2020 1941
Finland 4.4 -0.9 2020 1902
Greece 17.6 14.1 2024 1933
Hungary 13.3 8.2 2024 1940
Ireland 10.8 8.5 2023 1963
Latvia 8.6 3.4 2020 1941
Lithuania 9.1 3.9 2024 1941
Luxembourg 11.0 7.0 2022 1963
Malta 21.3 18.4 2024 1906
Netherlands 11.7 7.8 2024 1963
Poland 10.9 5.7 2024 1940
Portugal 17.3 14.1 2022 1917
Romania 12.2 7.3 2024 1940
Slovakia 10.5 5.2 2024 1940
Slovenia 11.7 6.7 2024 1940
Spain 15.3 12.1 2022 1917
Sweden 4.8 0.4 2020 1902

10.2 Función plot_bubble_panel

La función dibuja un panel por cada año extremo. Cuando se llama desde un chunk de RMarkdown sin png()/dev.off(), el gráfico se renderiza directamente en el HTML.

plot_bubble_panel <- function(data, temp_col, year_col, title, ramp, unit) {

  years      <- sort(unique(data[[year_col]]))
  chunks     <- split(years, ceiling(seq_along(years) / 6))
  global_min <- min(data[[temp_col]])
  global_max <- max(data[[temp_col]])

  for (i in seq_along(chunks)) {

    chunk_years <- chunks[[i]]
    n_panels    <- length(chunk_years)
    n_cols      <- 3
    n_rows      <- ceiling(n_panels / n_cols)

    par(mfrow = c(n_rows, n_cols),
        mar   = c(5.5, 4.5, 3.5, 1.5),
        oma   = c(2, 2.5, 4, 1),
        bg    = "white")

    for (yr in chunk_years) {

      sub <- data[data[[year_col]] == yr, ]
      sub <- sub[order(sub[[temp_col]]), ]
      n   <- nrow(sub)
      x   <- seq_len(n)

      cex_vals <- 1.2 + (sub[[temp_col]] - global_min) / (global_max - global_min) * 4.5

      pal      <- colorRampPalette(ramp)(100)
      idx      <- round((sub[[temp_col]] - global_min) / (global_max - global_min) * 99) + 1
      col_vals <- pal[pmax(1, pmin(100, idx))]

      local_min <- min(sub[[temp_col]])
      local_max <- max(sub[[temp_col]])
      y_pad     <- max((local_max - local_min) * 0.45, abs(local_min) * 0.20)
      ylim      <- c(local_min - y_pad, local_max + y_pad)

      plot(x, sub[[temp_col]],
           type = "n", xlim = c(0.5, n + 0.5), ylim = ylim,
           xaxt = "n", yaxt = "n", xlab = "", ylab = "",
           main = yr, font.main = 2, cex.main = 1.1)

      abline(h = pretty(ylim, n = 4), col = "grey88", lty = 1, lwd = 0.6)
      abline(h = 0, col = "grey60", lty = 2, lwd = 0.8)

      points(x, sub[[temp_col]],
             pch = 21, bg = col_vals,
             col = "white", cex = cex_vals, lwd = 0.6)

      text(x, sub[[temp_col]] + (local_max - local_min + y_pad) * 0.14,
           labels = paste0(round(sub[[temp_col]]), unit),
           cex = 0.65, col = "grey20", font = 2)

      axis(1, at = x, labels = sub$Country, las = 2,
           cex.axis = 0.65, tick = FALSE, line = 0)

      axis(2, at = pretty(ylim, n = 4),
           labels = paste0(pretty(ylim, n = 4), unit),
           las = 1, cex.axis = 0.65, col.axis = "grey40",
           tick = TRUE, col = "grey80")

      box(col = "grey80")
    }

    if (n_panels %% n_cols != 0) {
      for (k in seq_len(n_cols - n_panels %% n_cols)) plot.new()
    }

    mtext(paste0(title, "  [", min(chunk_years), "-", max(chunk_years), "]"),
          outer = TRUE, side = 3, line = 2.2, font = 2, cex = 0.85)
    mtext(paste0("Part ", i, " of ", length(chunks)),
          outer = TRUE, side = 3, line = 0.8, font = 3, cex = 0.7, col = "grey50")
    mtext(paste0("Annual temperature (", unit, ")"),
          outer = TRUE, side = 2, line = 0.8, cex = 0.75, col = "grey30")
  }
}

10.3 Años más cálidos

plot_bubble_panel(
  data     = extreme_years,
  temp_col = "Hottest",
  year_col = "Year_Hot",
  title    = "Hottest annual temperature on record by country, grouped by peak year",
  ramp     = c("steelblue", "gold", "firebrick"),
  unit     = "C"
)

10.4 Años más fríos

plot_bubble_panel(
  data     = extreme_years,
  temp_col = "Coldest",
  year_col = "Year_Cold",
  title    = "Coldest annual temperature on record by country, grouped by peak cold year",
  ramp     = c("firebrick", "gold", "steelblue"),
  unit     = "C"
)

11 Sección 8: Temperatura Estacional — 7 Países

Comparamos la temperatura media por estación para países de diferentes zonas climáticas.

selected <- c("Germany", "Mexico", "Brazil", "India",
              "China", "Indonesia", "South_Africa")
seasons  <- c("DJF", "MAM", "JJA", "SON")
season_labels <- c("DJF (Invierno)", "MAM (Primavera)",
                   "JJA (Verano)",   "SON (Otoño)")
country_colors <- c("#B0E0E6", "#FFF68F", "#9ACD32", "#191970",
                    "#C71585", "#48D1CC", "#F4A460")

par(mfrow = c(2, 2), mar = c(6, 4, 3, 1))

for (i in seq_along(seasons)) {
  s <- seasons[i]
  seasonal_means <- sapply(selected, function(country) {
    key <- paste0(country, "_tmp")
    if (key %in% names(climate_data)) {
      mean(climate_data[[key]][[s]], na.rm = TRUE)
    } else NA
  })

  barplot(seasonal_means,
          names.arg = selected,
          col       = country_colors,
          main      = season_labels[i],
          ylab      = "Temperatura (°C)",
          ylim      = c(-10, 35),
          las       = 2,
          cex.names = 0.75,
          font.lab  = 2)

  abline(h = 0, col = "gray50", lty = 2)
}
Temperatura media estacional para 7 países de distintas zonas climáticas

Temperatura media estacional para 7 países de distintas zonas climáticas 

par(mfrow = c(1, 1))

Nota: La estacionalidad de DJF e JJA está invertida entre hemisferios: cuando es invierno en Alemania (DJF), es verano en Brasil y Sudáfrica.

12 Sección 9: Dispersión Precipitación vs. Temperatura

Exploramos la relación entre temperatura y precipitación para México a lo largo del tiempo.

par(mar = c(5, 4.5, 4, 4.5))

pre_mx <- climate_data[["Mexico_pre"]][, c("Year", "ANN")]
tmp_mx <- climate_data[["Mexico_tmp"]][, c("Year", "ANN")]

colnames(pre_mx) <- c("Year", "Precipitation")
colnames(tmp_mx) <- c("Year", "Temperature")

merged_mx <- merge(pre_mx, tmp_mx, by = "Year")

cor_val <- cor(merged_mx$Temperature, merged_mx$Precipitation,
               use = "complete.obs")

# ── Eje izquierdo: Precipitación ──────────────────────────────────────────────
plot(merged_mx$Year, merged_mx$Precipitation,
     type = "l",
     col  = "steelblue",
     lwd  = 2,
     main = "Precipitación y Temperatura Anual — México (1901–2024)",
     xlab = "Año",
     ylab = "Precipitación (mm)",
     ylim = c(min(merged_mx$Precipitation, na.rm = TRUE) * 0.9,
              max(merged_mx$Precipitation, na.rm = TRUE) * 1.1),
     las  = 1)

# ── Eje derecho: Temperatura ──────────────────────────────────────────────────
par(new = TRUE)

plot(merged_mx$Year, merged_mx$Temperature,
     type = "l",
     col  = "tomato",
     lwd  = 2,
     axes = FALSE,
     xlab = "",
     ylab = "",
     ylim = c(min(merged_mx$Temperature, na.rm = TRUE) * 0.97,
              max(merged_mx$Temperature, na.rm = TRUE) * 1.03))

axis(side = 4, las = 1, col.axis = "tomato", col = "tomato")
mtext("Temperatura (°C)", side = 4, line = 3.5, col = "tomato", font = 2)

# ── Leyenda ───────────────────────────────────────────────────────────────────
legend("topleft",
       legend = c("Precipitación (mm)", "Temperatura (°C)",
                  paste0("r = ", round(cor_val, 3))),
       col    = c("steelblue", "tomato", NA),
       lty    = c(1, 1, NA),
       lwd    = c(2, 2, NA),
       bty    = "n",
       cex    = 0.85)
Temperatura y precipitación anual en México (1901–2024) — doble eje

Temperatura y precipitación anual en México (1901–2024) — doble eje 

par(mar = c(5, 4, 4, 2))

13 Resumen

En esta práctica aprendimos a:

  1. Descargar datos climáticos desde una URL externa de forma automatizada, con manejo de errores y verificación de archivos existentes.
  2. Leer y estructurar archivos .per en una lista de data frames con claves "Pais_variable".
  3. Calcular estadísticas descriptivas (media, desviación estándar, mínimo, máximo) por mes y por país.
  4. Visualizar patrones de precipitación y temperatura con gráficos de barras comparativos.
  5. Analizar series de tiempo con tendencia lineal para México y Brasil (temperatura y precipitación).
  6. Calcular la tasa de crecimiento YoY para detectar cambios interanuales abruptos.
  7. Identificar años extremos por país y visualizarlos con bubble plots de alta resolución.
  8. Comparar estacionalidad entre países de distintas zonas climáticas (hemisferio norte y sur).
  9. Explorar la relación entre temperatura y precipitación mediante diagramas de dispersión y correlación.

14 Información de sesión

sessionInfo()
## R version 4.3.3 (2024-02-29)
## Platform: x86_64-pc-linux-gnu (64-bit)
## Running under: Linux Mint 22.3
## 
## Matrix products: default
## BLAS:   /usr/lib/x86_64-linux-gnu/blas/libblas.so.3.12.0 
## LAPACK: /usr/lib/x86_64-linux-gnu/lapack/liblapack.so.3.12.0
## 
## locale:
##  [1] LC_CTYPE=en_US.UTF-8       LC_NUMERIC=C              
##  [3] LC_TIME=en_US.UTF-8        LC_COLLATE=en_US.UTF-8    
##  [5] LC_MONETARY=es_MX.UTF-8    LC_MESSAGES=en_US.UTF-8   
##  [7] LC_PAPER=es_MX.UTF-8       LC_NAME=C                 
##  [9] LC_ADDRESS=C               LC_TELEPHONE=C            
## [11] LC_MEASUREMENT=es_MX.UTF-8 LC_IDENTIFICATION=C       
## 
## time zone: America/Mexico_City
## tzcode source: system (glibc)
## 
## attached base packages:
## [1] stats     graphics  grDevices utils     datasets  methods   base     
## 
## other attached packages:
## [1] readr_2.2.0
## 
## loaded via a namespace (and not attached):
##  [1] digest_0.6.39     R6_2.6.1          fastmap_1.2.0     xfun_0.55        
##  [5] tzdb_0.5.0        magrittr_2.0.4    glue_1.8.0        cachem_1.1.0     
##  [9] tibble_3.3.1      knitr_1.51        pkgconfig_2.0.3   htmltools_0.5.9  
## [13] rmarkdown_2.30    lifecycle_1.0.5   cli_3.6.5         vctrs_0.7.1      
## [17] sass_0.4.10       jquerylib_0.1.4   compiler_4.3.3    rstudioapi_0.17.1
## [21] tools_4.3.3       hms_1.1.4         pillar_1.11.1     evaluate_1.0.5   
## [25] bslib_0.9.0       yaml_2.3.12       crayon_1.5.3      rlang_1.1.7      
## [29] jsonlite_2.0.0