SWAT: Tratamento e algumas aplicações da base de dados.

Luis Miguel da Costa

(Costa, L.M., 2021. SWAT: Tratamento e algumas aplicações da base de dados.)

---

1) Introdução

Este é um exemplo de como tratar e fazer algumas estatísticas basicas com os dados do swat.

    Sobre os dados

Os dados do swat vêm com a coluna de datas com problemas, como pode se ver na figura, por isso nosso primeiro trabalho será arrumar este problema!

Para isso iremos utilizar a função correction_fun que está na pasta R.

source("r/correction_fun.R")

2) Criando os arquivos corrigidos

Primeiro iremos criar os arquivos corrigidos, eles serão salvos na pasta data.

lista <- list.files("data-raw/", pattern = "weather")
correction(lista)

Agora que eles estão criados, iremos testar e ver como nossos dados estão.

file_name <- list.files("data/",pattern = ".csv")
tabela_exemplo <- readr::read_csv(paste0("data/",file_name[1]))
head(tabela_exemplo)

## # A tibble: 6 x 13
##    ...1 dates       jday longitude latitude elevation    tm max_temperature
##   <dbl> <date>     <dbl>     <dbl>    <dbl>     <dbl> <dbl>           <dbl>
## 1     1 1979-01-01     1     -44.7    -22.3      1784  20.6            24.4
## 2     2 1979-01-02     2     -44.7    -22.3      1784  20.6            24.5
## 3     3 1979-01-03     3     -44.7    -22.3      1784  20.7            23.9
## 4     4 1979-01-04     4     -44.7    -22.3      1784  18.2            20.6
## 5     5 1979-01-05     5     -44.7    -22.3      1784  15.5            16.8
## 6     6 1979-01-06     6     -44.7    -22.3      1784  14.7            16.2
## # ... with 5 more variables: min_temperature <dbl>, precipitation <dbl>,
## #   rh <dbl>, solar <dbl>, wind <dbl>

    BASE GERAL

Agora vamos criar uma base geral para todas as estações! Valor utilizar a funçao geral_data para criar essa base.

# chamando função
source("r/geral_data_fun.R")

# criando a base

db <- purrr::map_df(file_name,geral_data)

write.csv(db, "data-raw/database.csv")

3) Estatísticas Descritiva

Nossas estatiticas se concentram nas descritivas, portanto as tabelas criadas a a partir desse script serão: Media (mean), Desvio padrão (sd), Minimo (min), Máximo (max), Mediana (med) e Moda (mod).

    Estatísticas para a base geral de dados

Iremos fazer as climaticas em dias julianos e em meses, com as geral_fun, os arquivos gerais estarão salvos em data/geral.

## utilizar as funções criadas 
source("r/geral_julian_fun.R")
source("r/geral_month_fun.R")
## chamando os dados gerais

basegeral <- list.files("data-raw/", pattern = "database")

## criando as tabelas climaticas gerais 

geral_julian(basegeral)
geral_month(basegeral)

   Estatísticas para a cada estação

Agora iremos fazer as climaticas em dias julianos e em meses para cada estação, com as ind_fun, o objeto com os arquivos já está criado (file_name).

Os arquivos mensais para estação indivudual serão salvos em data/individual/month, já os arquivos para a climática em dias julianos estarão salvos em data/individual/julian.

# chamando funções

source("r/ind_julian_fun.R")
source("r/ind_month_fun.R")

# criando as climaticas para cada estação 

ind_julian(file_name)
ind_month(file_name)

Visualização

julianbase <- readr::read_csv("data/geral/julianclimat.csv")

julianbase |> 
  ggplot2::ggplot(ggplot2::aes(x=JDAY, y=P_mean))+
  ggplot2::geom_line()+
  ggplot2::geom_point()+
  ggplot2::xlab("Julian Days")+
  ggplot2::ylab("Daily mean of Precipitation (mm)")+
  ggplot2::theme_classic()

list_esta <- list.files("data/individual/julian/", pattern = "csv")
tab <- readr::read_csv(paste0("data/individual/julian/",list_esta[1]))

tab |> 
  ggplot2::ggplot(ggplot2::aes(x=JDAY, y=P_mean))+
  ggplot2::geom_line()+
  ggplot2::geom_point()+
  ggplot2::xlab("Julian Days")+
  ggplot2::ylab("Daily mean of Precipitation (mm)")+
  ggplot2::theme_classic()

---

AGORA É SÓ CONTINUAR SEU PROJETO