trabajo realizado en el ciclo 2023-II. Profesor: Jeronimo Garcia
import pandas as pd
import numpy as np
from numpy import pi, cos, sin, tan
Run to view results
import pandas as pd
df=pd.read_csv("/work/data_temp_rad.csv")
df
Run to view results
# 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
Run to view results
df.dtypes
Run to view results
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()
Run to view results
df['T_Avg'] = pd.to_numeric(df['T_Avg'], errors='coerce')
temperatura_mean_por_dia=df.groupby(df['TIMESTAMP'].dt.date)['T_Avg'].mean()
Run to view results
temperatura_mean_por_dia
Run to view results
temperatura_min_por_dia
Run to view results
Slr_wm
Run to view results
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})
Run to view results
df_2
Run to view results
# 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)]
Run to view results
df_3
Run to view results
# 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')
Run to view results
df_3["tmean"]=(df_3["TMax"]+df_3["Tmin"])/2
Run to view results
df_3
Run to view results
Calculo de la qi (segun Formula Garcia)
#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
Run to view results
Run to view results
df_3["Qi_garcia"]=Qi
Run to view results
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
Run to view results
df_3['qi_ly_day'] = df_3["Rad_inc_acc_w_m2"]*0.484583/24
Run to view results
df_3
Run to view results
#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
Run to view results
df_3["n_dias"]=[*range(1,len(df_3.Fecha)+1)]
Run to view results
interpolación de PM
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)
Run to view results
df_3["bo"]=bo
df_3["bc"]=bc
Run to view results
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)
Run to view results
#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
Run to view results
df_3
Run to view results
#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
Run to view results
df_3.Pm
Run to view results
df_3
Run to view results
Run to view results
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")
Run to view results
Ct=0.0108*(0.044+0.0019*df_3["Tmedia"]+0.001*(df_3["Tmedia"]**2))
Run to view results
#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
Run to view results
Run to view results
df_3
Run to view results
Run to view results
Run to view results
Run to view results
Run to view results
se puede mejorar la Tmedia del aire
bn_exp=pd.read_csv("/work/bn_experimental1.csv")
Run to view results
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
Run to view results
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
Run to view results
import matplotlib.pyplot as plt
Run to view results
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")
Run to view results
Run to view results
Run to view results