import pandas as pd import numpy as np from numpy import pi, cos, sin, tan

import pandas as pd df=pd.read_csv("/work/data_temp_rad.csv") df

# Convertir la columna 'Fecha_Hora' a objetos datetime df['TIMESTAMP'] = pd.to_datetime(df['TIMESTAMP'], format="%m/%d/%Y %H:%M") # Crear nuevas columnas 'Fecha' y 'Hora' df['Fecha'] = df['TIMESTAMP'].dt.date df['Hora'] = df['TIMESTAMP'].dt.time # Mostrar el DataFrame resultante df

df.dtypes

temperatura_maxima_por_dia=df.groupby(df['TIMESTAMP'].dt.date)['T_Avg'].max() temperatura_min_por_dia=df.groupby(df['TIMESTAMP'].dt.date)['T_Avg'].min() # temperatura_mean_por_dia=df.groupby(df['TIMESTAMP'].dt.date)['T_Avg'].mean() Slr_wm=df.groupby(df['TIMESTAMP'].dt.date)['SlrRad_Wm2_Avg'].sum()

df['T_Avg'] = pd.to_numeric(df['T_Avg'], errors='coerce') temperatura_mean_por_dia=df.groupby(df['TIMESTAMP'].dt.date)['T_Avg'].mean()

temperatura_mean_por_dia

temperatura_min_por_dia

Slr_wm

df_2=pd.DataFrame({'Fecha': temperatura_maxima_por_dia.index, 'TMax': temperatura_maxima_por_dia.values, "Tmin":temperatura_min_por_dia,"Tmedia":temperatura_mean_por_dia,"Rad_inc_acc_w_m2":Slr_wm})

df_2

# Crea un rango de fechas fecha_inicio = "2023-09-21" fecha_fin = "2023-12-22" # Convierte las columnas de fechas a tipo datetime si no lo están df_2['Fecha'] = pd.to_datetime(df_2['Fecha']) # Realiza el subconjunto de las fechas en el rango especificado df_3 = df_2.loc[(df_2['Fecha'] >= fecha_inicio) & (df_2['Fecha'] <= fecha_fin)]

df_3

# Convierte la columna 'TMax' a tipo numérico df_3['TMax'] = pd.to_numeric(df_3['TMax'], errors='coerce') df_3['Tmin'] = pd.to_numeric(df_3['Tmin'], errors='coerce') # df_3['Rad_inc_mean'] = pd.to_numeric(df_3['Rad_inc_mean'], errors='coerce')

df_3["tmean"]=(df_3["TMax"]+df_3["Tmin"])/2

df_3

#Hallando Theta Na = df_3['Fecha'].dt.strftime('%j').astype(float) theta = Na*2*np.pi/365 #Hallando angulo de declinacion solar decl = (0.00692-3999.12*np.cos(theta)+702.57*np.sin(theta)-67.58*np.cos(2*theta)+9.08*np.sin(2*theta))*10**-4 #Hallando la relación de distancia media (dm) e instantanea (d) entre el Sol y la Tierra dist = 1.00011+0.033523*np.cos(theta)+0.00128*np.sin(theta)+0.000739*np.cos(2*theta)+0.000099*np.sin(2*theta) #Hallando angulo horario a la salida del sol #La latitud del OVH se encuentra en el sur, por ello negativo L= -12.01 H = np.arccos(-np.tan(L*np.pi/180)*np.tan(decl*np.pi/180)) H = H*180/(np.pi) #calculando fotoperiodo del sol N = (2*H)/15 #Calculando ángulo zenital Z = np.arccos(sin(L*pi/180)*sin(decl)+cos(L*pi/180)*cos(decl)*cos(H*pi/180)) Z = Z*180/pi #dQs S = 1395 dQs = S*(dist)*cos(Z*pi/180) ###Temperaturas### #TEMPERATURA MINIMA Tmin=df_3['Tmin'] #TEMPERATURA MAXIMA Tmax=df_3['TMax'] # Rango térmico (°C) dT=Tmax-Tmin ### Radiación incidente ### Qi = dQs*(0.06 + 0.64*dT/N) # En mm/día

df_3["Qi_garcia"]=Qi

Sv=0.858 Qsv=458.37*Sv*dist*(((H*np.pi/180)*np.sin(L*(np.pi)/180)*np.sin(decl)) + (np.cos(L*(np.pi)/180)*np.cos(decl)*np.sin(H*np.pi/180))) df_3['Qsv'] = Qsv df_3

df_3['qi_ly_day'] = df_3["Rad_inc_acc_w_m2"]*0.484583/24

df_3

#UTILIZANDO TEMPERATURAS PARA TEMPERATURA PROMEDIO EN EL DIA Tavg = df_3['Tmedia'] #hallando to to = 12 - 0.5*N to #TEMPERATURA PROMEDIO DIURNO Tmd = Tavg + ((((Tmax-Tmin)*(11+to))/(12.56*(12-to)))*np.sin((np.pi/180)*((11-to)/(11+to)))) df_3 = df_3.assign(Tmd = Tmd) #Parametro que indica el grado de cobertura nubosa del cielo F= (df_3["Qsv"] - 0.5*df_3["Qi_garcia"])/(0.8*df_3["Qsv"]) df_3["F"]=F df_3

df_3["n_dias"]=[*range(1,len(df_3.Fecha)+1)]

bo=[] bc=[] #Para el bo y bc según la tabla for i in np.arange(0,len(df_3.Fecha),1): if df_3.Fecha.dt.month.iloc[i] ==9: bc_m = 418 bo_m = 223 bo.append(bo_m) bc.append(bc_m) elif df_3.Fecha.dt.month.iloc[i] ==10: bc_m = 437 bo_m = 234 bo.append(bo_m) bc.append(bc_m) elif df_3.Fecha.dt.month.iloc[i] ==11: bc_m = 440 bo_m = 238 bo.append(bo_m) bc.append(bc_m) elif df_3.Fecha.dt.month.iloc[i] ==12: bc_m = 446 bo_m = 238 bo.append(bo_m) bc.append(bc_m)

df_3["bo"]=bo df_3["bc"]=bc

import numpy as np import matplotlib.pyplot as plt # Tus listas de datos tmd_x_datos = [4,5, 7.5, 10, 15, 15.5,16,20,22.5,25,27.5,30,35] pm_datos = [4,5, 10, 15, 20, 20.5,21,20,19,18,15,10,5] # Crear la función de interpolación polinómica polinomio_interpolacion = np.polyfit(tmd_x_datos, pm_datos, deg=3) p = np.poly1d(polinomio_interpolacion) # Generar nuevos datos para la curva interpolada x_interpolacion = np.linspace(min(tmd_x_datos), max(tmd_x_datos), 1000) y_interpolacion = p(x_interpolacion) # Graficar los datos originales y la curva interpolada plt.scatter(tmd_x_datos, pm_datos, label='Datos originales') plt.plot(x_interpolacion, y_interpolacion, label='Curva interpolada', color='red') plt.legend() plt.xlabel('Temperatura media (Tmd)') plt.ylabel('velocidad fotosintetica (pm)') plt.title('Curva de Interpolación') plt.grid() plt.show() # Grado del polinomio de interpolación grado_polinomio = 3 # Crear la función polinómica a partir de los coeficientes polinomio_funcion = np.poly1d(polinomio_interpolacion) # Imprimir la ecuación del polinomio print(f'Ecuación del polinomio de interpolación (grado {grado_polinomio}):') print("y= ",polinomio_funcion)

#Para el Pm: Pm = a(Tmd**2) +b*Tmd + c Ec=polinomio_funcion #Funcion parabolica de Pm Pm=Ec[3]*df_3['Tmd']**3++Ec[2]*(df_3['Tmd']**2) + Ec[1]*df_3['Tmd'] + Ec[0] df_3['Pm']=Pm

df_3

#Hallando la velocidad máxima de producción de biomasa bruta (bmg) #Se utiliza IAF = 5 for i in np.arange(0,len(df_3.Pm),1): if df_3.Pm.iloc[i] <20: bmg = (df_3.F*df_3.bo*(1-0.025*(20-df_3.Pm))+df_3.bc*((1-df_3.F)*(1-0.005*(20-df_3.Pm)))) elif df_3.Pm.iloc[i] >20: bmg = (df_3.F*df_3.bo*(1+0.025*(df_3.Pm-20))+df_3.bc*((1-df_3.F)*(1-0.001*(df_3.Pm-20)))) df_3['bmg'] = bmg

df_3.Pm

df_3

import seaborn as sns import matplotlib.pyplot as plt sns.set_style("darkgrid") f, ax = plt.subplots(figsize=(7, 5)) sns.lineplot(x=df_3.index,y="bmg",data=df_3,marker="o", label="bmg") ax.set_title("Variacion temporal del bgm") ax.set_ylabel("produción de biomasa bgm") ax.set_xlabel("Fechas") ax.legend() # Rota las etiquetas del eje x 90 grados hacia arriba #ha= center, para que se alinien hacia el centro plt.xticks(rotation=90, ha='center') # # Agrega los valores de cada dato # for index, value in enumerate(iaf["IAF"]): # plt.text(index, value, str(value), ha='center', va='bottom') # # plt.text() plt.tight_layout() plt.savefig("iaf.png")

Ct=0.0108*(0.044+0.0019*df_3["Tmedia"]+0.001*(df_3["Tmedia"]**2))

#CALCULANDO LA BIOMASA NETA (Bn) Bn = (0.36*bmg*df_3["n_dias"])/(1+0.25*Ct*df_3["n_dias"]) df_3['Bn']= Bn df_3["Ct"]= Ct df_3

df_3

bn_exp=pd.read_csv("/work/bn_experimental1.csv")

import pandas as pd # Tus nuevos datos data = { 'fecha': ['13/10/2023', '17/10/2023', '23/10/2023', '28/10/2023', '29/10/2023', '3/11/2023', '7/11/2023', '20/11/2023', '12/12/2023'], 'dias': [22, 26, 32, 38, 39, 43, 47, 60, 82], 'Masa seca': [0.0425, 0.045, 0.101287554, 0.4, 0.41, 0.645, 0.56, 0.759, 0.69689505], 'bn': [283.3333333, 300, 675.2503573, 2666.666667, 2733.333333, 4300, 3733.333333, 5060, 4645.966997] } # Crear un DataFrame df = pd.DataFrame(data) # Mostrar el DataFrame df

df["fecha"]=pd.to_datetime(df["fecha"],format="%d/%m/%Y") df["bn"]=df["bn"]/2 #para pasar a 30 cm2 como area por planta

import matplotlib.pyplot as plt

fig,ax=plt.subplots(1,1,figsize=(10,6)) ax.set_ylabel("Produción de biomasa bgm $kg/ha.día") ax.set_xlabel("Fechas") ax.plot(df_3["Fecha"],df_3["Bn"],label="Biomasa neta (Bn) modelo") ax.plot(df["fecha"],df["bn"],marker="o",label="Biomasa neta (Bn) muestreo \n semanal") ax.legend() # Ajustar el formato de las fechas en el eje x plt.xticks(df_3['Fecha'][::7], rotation=90, ha='right') # Muestra una fecha cada 7 días # plt.xticks(df['fecha'][::7], rotation=90, ha='right') plt.suptitle("Variacion temporal del productividad neta acumulada",weight="bold") plt.savefig("bn_exp.png")