# ANÁLISIS ESTADÍSTICOS DE LOS CAUDALES DEL RÍO TORDERÁ.


if(!require("readxl")) install.packages("readxl")
library(readxl)

## ANÁLISIS DE SERIES ANUALES

# Descarga del fichero con los datos 

download.file("https://personales.unican.es/rasillad/docencia/g171/Litoral/series_temporales.xlsx", 
              destfile = "series_temporales.xlsx",
              mode="wb")
caudales <- read_excel("series_temporales.xlsx", sheet = "Caudales_Tordera")
caudales

#Transformación en una serie temporal

tordera.ts <- ts(caudales$Tordera, 
              frequency=1, 
              start=1954) 


# Representación gráfica con la media móvil

if (!require("zoo")) install.packages("zoo")
library(zoo)

tordera_media_movil <- rollmean(tordera.ts, 
                        k = 7, 
                        fill = NA)
ts.plot(tordera.ts,
        xlab="Años hidrológicos",
        ylab="Caudal (m3s)",
        main= "Evolución del caudal de los ríos Ebro y Tordera")

points(tordera.ts)

lines(tordera_media_movil,
      col="black",
      lwd=4)

# Verificación de la tendencia a largo plazo.

if(!require("Kendall")) install.packages("Kendall")
library(Kendall)

mk.tordera.ts <- MannKendall(tordera.ts)
summary(mk.tordera.ts)


# Cuantificación de la tendencia con el método de regresión de mínimos cuadrados

modelo.regresion.tordera.ts <- lm(tordera.ts~time(tordera.ts))


# La pendiente (término a) equivale a la tendencia (valor/unidad de tiempo). Los valores ajustados (predichos) corresponden a la evolución a largo plazo de la tendencia (línea recta).

modelo.regresion.tordera.ts$coefficients                                         
modelo.regresion.tordera.ts$fitted.values                                        


# Representación gráfica de la tendencia a largo plazo.

ts.plot(tordera.ts,
        xlab="Años",
        ylab="Caudal m3/s",
        main= "Evolución del caudal medio anual del río Torderá")
points(tordera.ts)                                                                 
abline(modelo.regresion.tordera.ts) 

# Cálculo de la tendencia mediante el método de Sen

if(!require("trend")) install.packages("trend")
library(trend)
sens.slope(tordera.ts,conf.level = 0.95)

# Al igual que en los otros procedimientos, se puede solicitar la impresión en pantalla del valor de la tendencia ($estimate) y el p-valuede esa tendencia.

sens.slope(tordera.ts)$estimate
sens.slope(tordera.ts)$p.value

# A continuación, el alumnado deberá repetir esta misma actividad, pero analizando el caudal del río Ebro en Tortosa.

# ANÁLISIS ESTADÍSTICO DEL NIVEL DEL MAR.

# Descarga del fichero 

download.file("https://personales.unican.es/rasillad/docencia/g171/Litoral/series_temporales.xlsx", 
              destfile = "series_temporales.xlsx",
              mode="wb")

# La primera serie aparece en la hoja de cálculo “ejemplo1”

barcelona <- read_excel("series_temporales", sheet = "Nivel_mar_Barcelona")
barcelona

#Conversión en serie temporal

barcelona.ts <- ts(barcelona$Barcelona,                             
                   frequency=12,                                  
                   start=c(1993,1)) 

# Representación del régimen mensual del nivel del mar

boxplot(barcelona.ts ~ cycle(barcelona.ts)) 

# Serie aditiva o multiplicativa

varianza.barcelona.ts <- aggregate(barcelona.ts, FUN = var)
plot(varianza.barcelona.ts)

# Descomposición de la serie en sus componentes

barcelona.ts.descompuesta <- decompose(barcelona.ts, "additive")               

# Conversión de las componentes en series temporales

tendencia.barcelona.ts <- ts(barcelona.ts.descompuesta$trend)      # Tendencia
componente.estacional.barcelona.ts <- ts(barcelona.ts.descompuesta$seasonal)    # Comportamiento estacional
componente.aleatoria.barcelona.ts <- ts(barcelona.ts.descompuesta$random)       # Residuos (sin tendencia ni comportamiento estacional

# Es posible obtener en un único panel los gráficos correspondientes a esos componentes de la serie original

plot(barcelona.ts.descompuesta)                                    # Dibuja la serie estacional y los 3 componentes

# También es posible dibujar cada componente de manera aislada.

plot(as.ts(barcelona.ts.descompuesta$trend))                                     # Dibuja sólo la tendencia

#Los datos obtenidos de la función decompose() pueden ser sometidos a procedimientos adicionales, como los vistos anteriormente. 

mk.barcelona.ts <- MannKendall(barcelona.ts.descompuesta$trend)
summary(mk.barcelona.ts)

# Cuantificación de la tendencia con el método de regresión de mínimos cuadrados

modelo.regresion.barcelona.ts <- lm(barcelona.ts~time(barcelona.ts))

# La pendiente (término a) equivale a la tendencia (valor/unidad de tiempo). Los valores ajustados (predichos) corresponden a la evolución a largo plazo de la tendencia (línea recta).

modelo.regresion.barcelona.ts$coefficients                                         
modelo.regresion.barcelona.ts$fitted.values                                        

#Esta tendencia a largo plazo puede representarse gráficamente

ts.plot(barcelona.ts.descompuesta$trend,
        xlab="Periodo temporal ",
        ylab="Altura nivel mar (m)",
        main= "Evolución del nivel del mar mareógrafo de Barcelona")
points(tordera.ts)                                                                 
abline(modelo.regresion.barcelona.ts) 



if(!require("trend")) install.packages("trend")
library(trend)
sens.slope(tordera.ts,conf.level = 0.95)


# Al igual que en los otros procedimientos, se puede solicitar la impresión en pantalla del valor de la tendencia ($estimate) y el p-valuede esa tendencia.

sens.slope(tordera.ts)$estimate
sens.slope(tordera.ts)$p.value


**TRABAJO AUTÓNOMO** 
A continuación, el alumnado deberá repetir esta misma actividad, pero analizando el nivel del mar en el mareógrafo de Tarragona.

:::