Análisis y validación, como dataset para el proyecto personal de AEDV, de las variables climáticas de España por provincia, generadas en CLIMA_SPAIN_TableDatasetGeneration.Rmd. Los datasets a evaluar son las variables climáticas: cada variable es un atributo medido por provincia y mes. La fuente es el histórico observado observaciones_spain.rds. También se analiza proyecciones_spain.rds y se incluyen mapas coropléticos.

Igual que el resto de documentos de selección de datasets de la asignatura, este tiene dos partes independientes:

  1. Selección de variables y guardado de metadatos — elige las variables a analizar y deja en disco su ficha (CLIMA_SPAIN_metadatos.xlsx). Los datos en sí (los dos .rds) los genera CLIMA_SPAIN_TableDatasetGeneration.Rmd, que es el que descarga los NetCDF de AdapteCCa.
  2. Análisis del dataset — parte de esos ficheros del disco y no usa nada de la sección anterior, de modo que se puede copiar tal cual en la memoria del proyecto.
# nombre base de los ficheros de metadatos y ficheros de datos ya generados
filename <- "CLIMA_SPAIN"
f_obs    <- "observaciones_spain.rds"
f_proy   <- "proyecciones_spain.rds"

1 Selección de variables y guardado de metadatos

Las variables a analizar se seleccionan por su código (variable):

VARS <- c("tasmax", "tasmin", "tmean", "tasmaxmax", "tasminmin",
          "tasminNa20", "tasminNb0", "tasmaxNap90", "tasminNap90",
          "tasmaxhwdmax", "pr", "prNa1", "prmax24", "prmax5days")

A diferencia del INE, el ISTAC, EUROSTAT o el Banco Mundial, AdapteCCa no tiene un catálogo previo del que extraer la ficha del dataset: aquí los metadatos se construyen en este mismo documento y se guardan en CLIMA_SPAIN_metadatos.xlsx, con cuatro hojas:

  • dataset — la ficha general (fuente, rejillas, cobertura, tamaño de los dos ficheros).
  • variables — el significado de cada variable climática, con su categoría y su unidad.
  • horizontes — el periodo de 30 años que representa cada horizonte de las proyecciones.
  • escenarios — las 4 trayectorias de emisión SSP, con su forzamiento y su calentamiento estimado.

Las tres últimas son las explicaciones de los indicadores, que es lo que en las otras fuentes viene ya dado en el catálogo (Indicator_desc en el Banco Mundial, Descripcion del topic en EUROSTAT).

Nota: las descripciones han sido redactadas a partir de la documentación de AdapteCCa (variables/índices del visor) y del 6º Informe del IPCC. No provienen literalmente de la API. Si se cambian las variables seleccionadas, habrá que revisar/ampliar las descripciones.

# DESCRIPCIÓN DE CADA VARIABLE CLIMÁTICA (columna `variable` de los dos rds)
desc_var <- tibble::tribble(
  ~variable,       ~categoria,       ~description,
  "tasmax",        "Temperatura",    "Media mensual de la temperatura máxima diaria a 2 m.",
  "tasmin",        "Temperatura",    "Media mensual de la temperatura mínima diaria a 2 m.",
  "tmean",         "Temperatura",    "Media mensual de la temperatura media diaria a 2 m.",
  "tasmaxmax",     "Temperatura",    "Máximo mensual de la temperatura máxima diaria (extremo cálido del mes).",
  "tasminmin",     "Temperatura",    "Mínimo mensual de la temperatura mínima diaria (extremo frío del mes).",
  "tasminNa20",    "Temperatura",    "Nº de días al mes con temperatura mínima > 20 °C (noches tropicales).",
  "tasminNb0",     "Temperatura",    "Nº de días al mes con temperatura mínima < 0 °C (días de helada).",
  "tasmaxNap90",   "Temperatura",    "Nº de días al mes con temperatura máxima por encima del percentil 90 (días cálidos).",
  "tasminNap90",   "Temperatura",    "Nº de días al mes con temperatura mínima por encima del percentil 90 (noches cálidas).",
  "tasmaxhwdmax",  "Temperatura",    "Duración máxima de ola de calor: días consecutivos con Tmáx > percentil 90.",
  "pr",            "Precipitación",  "Media mensual de la precipitación diaria acumulada.",
  "prNa1",         "Precipitación",  "Nº de días al mes con precipitación > 1 mm (días de lluvia).",
  "prmax24",       "Precipitación",  "Máxima precipitación mensual acumulada en 1 día (RX1day).",
  "prmax5days",    "Precipitación",  "Máxima precipitación mensual acumulada en 5 días (RX5day)."
)
# PERIODO DE 30 AÑOS QUE REPRESENTA CADA HORIZONTE (AdapteCCa / Escenarios-PNACC)
desc_horizonte <- tibble::tribble(
  ~horizonte,      ~periodo,     ~denominacion,
  "reference",     "1971-2000",  "base histórica",
  "near_future",   "2011-2040",  "futuro cercano",
  "medium_future", "2041-2070",  "futuro medio",
  "far_future",    "2071-2100",  "futuro lejano"
)
# LAS 4 TRAYECTORIAS DE EMISIÓN SSP (CMIP6 / IPCC-AR6).
# Nombres de columna sin espacios ni tildes para que sobrevivan al viaje por el
# xlsx; las etiquetas legibles se ponen al imprimir la tabla, más abajo.
desc_escenario <- tibble::tribble(
  ~escenario, ~SSP,       ~relato,                              ~forzamiento_2100, ~emisiones,  ~calentamiento_2100_AR6, ~description,
  "ssp126",   "SSP1-2.6", "Sostenibilidad",                     "~2,6 W/m²",       "Bajas",     "~1,8 °C (1,3–2,4)",     "CO₂ neto cero hacia ~2050. Compatible con limitar el calentamiento bien por debajo de 2 °C (Acuerdo de París).",
  "ssp245",   "SSP2-4.5", "Camino intermedio",                  "~4,5 W/m²",       "Medias",    "~2,7 °C (2,1–3,5)",     "Emisiones intermedias; políticas climáticas a ritmo moderado. Escenario 'central' de referencia.",
  "ssp370",   "SSP3-7.0", "Rivalidad regional",                 "~7,0 W/m²",       "Altas",     "~3,6 °C (2,8–4,6)",     "Mundo fragmentado, poca cooperación; las emisiones casi se duplican hacia 2100.",
  "ssp585",   "SSP5-8.5", "Desarrollo por combustibles fósiles","~8,5 W/m²",       "Muy altas", "~4,4 °C (3,3–5,7)",     "Crecimiento intensivo en fósiles. Límite superior plausible de emisiones."
)

La ficha general y la unidad de cada variable se calculan a partir de los .rds ya guardados en disco, para que describan exactamente lo que hay en ellos y no lo que se esperaba generar.

hist_all <- readRDS(f_obs) |> as_tibble()
proy_all <- readRDS(f_proy) |> as_tibble()

# la unidad no se escribe a mano: se lee de los propios datos
unidades <- hist_all |> distinct(variable, unidad)

variables_sel <- desc_var |>
  filter(variable %in% VARS) |>
  left_join(unidades, by = "variable") |>
  mutate(area = "PROV", frecuencia = "Mensual") |>
  relocate(unidad, area, frecuencia, .after = categoria)

ficha <- tibble(
  Campo = c("Fuente", "Coleccion", "Ambito", "Rejillas", "Metodos.downscaling", "URL",
            "Fecha.de.generacion",
            "Fichero.observaciones", "Obs.N.filas", "Obs.N.variables",
            "Obs.N.provincias", "Obs.Freq", "Obs.Ini", "Obs.Fin", "Obs.N.periodos",
            "Fichero.proyecciones", "Proy.N.filas", "Proy.N.escenarios",
            "Proy.N.modelos", "Proy.N.horizontes", "Proy.N.meses"),
  Valor = c(
    "Visor AdapteCCa (OECC/MITECO, AEMET, CSIC y Fundación Biodiversidad)",
    "Escenarios-PNACC 2024",
    "España, provincias",
    paste("ROCIO_IBEB (~5 km) para Península, Baleares, Ceuta y Melilla;",
          "ROCIO+_CAN (~2,5 km) para Canarias"),
    "ESD-RegBA (temperatura) y deepESD (precipitación)",
    "https://escenarios.adaptecca.es/",
    as.character(Sys.Date()),
    f_obs,
    as.character(nrow(hist_all)),
    as.character(n_distinct(hist_all$variable)),
    as.character(n_distinct(hist_all$cpro)),
    "M (mensual)",
    as.character(min(hist_all$fecha)),
    as.character(max(hist_all$fecha)),
    as.character(n_distinct(hist_all$fecha)),
    f_proy,
    as.character(nrow(proy_all)),
    as.character(n_distinct(proy_all$escenario)),
    as.character(n_distinct(proy_all$modelo)),
    as.character(n_distinct(proy_all$horizonte)),
    as.character(n_distinct(proy_all$mes))
  )
)

# comprobación: toda variable seleccionada tiene que existir en los datos y tener
# descripción, y todo horizonte/escenario de las proyecciones estar documentado
faltan_desc <- setdiff(VARS, desc_var$variable)
faltan_dato <- setdiff(VARS, unique(hist_all$variable))
faltan_hor  <- setdiff(unique(proy_all$horizonte), desc_horizonte$horizonte)
faltan_esc  <- setdiff(unique(proy_all$escenario), desc_escenario$escenario)
if(length(faltan_desc) > 0) warning("Variables sin descripción: ", paste(faltan_desc, collapse = ", "))
if(length(faltan_dato) > 0) warning("Variables que no están en el rds: ", paste(faltan_dato, collapse = ", "))
if(length(faltan_hor)  > 0) warning("Horizontes sin descripción: ", paste(faltan_hor, collapse = ", "))
if(length(faltan_esc)  > 0) warning("Escenarios sin descripción: ", paste(faltan_esc, collapse = ", "))

# las cuatro hojas en un solo xlsx: openxlsx toma el nombre de cada hoja del
# nombre del elemento de la lista
write.xlsx(list(dataset    = ficha,
                variables  = variables_sel,
                horizontes = desc_horizonte,
                escenarios = desc_escenario),
           file = paste0(filename, "_metadatos.xlsx"), overwrite = TRUE)

cat("Fichero guardado:", paste0(filename, "_metadatos.xlsx"),
    "- hojas: dataset, variables, horizontes, escenarios\n")
## Fichero guardado: CLIMA_SPAIN_metadatos.xlsx - hojas: dataset, variables, horizontes, escenarios
cat("Variables seleccionadas:", nrow(variables_sel), "de", length(VARS), "\n")
## Variables seleccionadas: 14 de 14
cat("Elementos sin descripción:", length(faltan_desc), "variables,",
    length(faltan_hor), "horizontes,", length(faltan_esc), "escenarios\n")
## Elementos sin descripción: 0 variables, 0 horizontes, 0 escenarios

Una vez guardados en disco los metadatos (fichero xlsx) y estando ya los datos (los dos ficheros RDS), iniciamos el proceso de análisis. A partir de aquí el documento se compila solo con los ficheros ya guardados en disco; no se usa ningún objeto de la sección anterior. Es a propósito: es la parte que se incorpora a la memoria del proyecto personal (ver la última sección, Incorporación del dataset a la memoria), así que tiene que poder ejecutarse sola (lo único que se repite de lo definido antes son los nombres de fichero).

2 Análisis del dataset

metadatos

Campo Valor
Fuente Visor AdapteCCa (OECC/MITECO, AEMET, CSIC y Fundación Biodiversidad)
Coleccion Escenarios-PNACC 2024
Ambito España, provincias
Rejillas ROCIO_IBEB (~5 km) para Península, Baleares, Ceuta y Melilla; ROCIO+_CAN (~2,5 km) para Canarias
Metodos.downscaling ESD-RegBA (temperatura) y deepESD (precipitación)
URL https://escenarios.adaptecca.es/
Fecha.de.generacion 2026-10-08
Fichero.observaciones observaciones_spain.rds
Obs.N.filas 603192
Obs.N.variables 14
Obs.N.provincias 52
Obs.Freq M (mensual)
Obs.Ini 1951-01
Obs.Fin 2022-12
Obs.N.periodos 864
Fichero.proyecciones proyecciones_spain.rds
Proy.N.filas 1677312
Proy.N.escenarios 4
Proy.N.modelos 12
Proy.N.horizontes 4
Proy.N.meses 12

2.1 Origen de los datos: AdapteCCa

Todos los datos provienen del Visor de Escenarios de Cambio Climático de AdapteCCa, la plataforma oficial sobre adaptación al cambio climático en España (colección Escenarios-PNACC: OECC/MITECO, AEMET, CSIC y Fundación Biodiversidad; desarrollo IFCA-UC y Predictia). Se distribuyen en NetCDF vía THREDDS.

España se cubre con dos rejillas observacionales de AEMET que aquí se combinan por provincia:

  • ROCIO_IBEB (~5 km) → Península, Baleares, Ceuta y Melilla.
  • ROCIO+_CAN (~2,5 km) → Canarias.

Cada provincia toma su valor de la rejilla que la cubre. Hay dos productos:

2.1.1 Observaciones: el clima registrado

Clima realmente medido: observaciones diarias de las estaciones de AEMET, interpoladas a rejilla y agregadas a valores mensuales (medias, conteos de días, máximos…). La cobertura temporal difiere por dominio: Península/Baleares 1951–2022 (2022 incompleto) y Canarias 1990–2022. Es la línea base real.

2.1.2 Proyecciones: el clima simulado (siglo XXI)

Clima simulado: se parte de los modelos globales CMIP6 (IPCC-AR6, ~100 km) y se regionaliza (downscaling) estadísticamente con machine learning a la rejilla de AEMET, con dos métodos según la variable: ESD-RegBA (AEMET, temperatura) y deepESD (CSIC, precipitación). El resultado son climatologías (medias de 30 años) para los 4 escenarios SSP × 4 horizontes: la base histórica de referencia (1971–2000) y 3 horizontes futuros (2011–2040, 2041–2070, 2071–2100). Detalle de escenarios al final.

2.2 Variables (datasets) seleccionadas

variable categoría unidad área frecuencia descripción
tasmax Temperatura °C PROV Mensual Media mensual de la temperatura máxima diaria a 2 m.
tasmin Temperatura °C PROV Mensual Media mensual de la temperatura mínima diaria a 2 m.
tmean Temperatura °C PROV Mensual Media mensual de la temperatura media diaria a 2 m.
tasmaxmax Temperatura °C PROV Mensual Máximo mensual de la temperatura máxima diaria (extremo cálido del mes).
tasminmin Temperatura °C PROV Mensual Mínimo mensual de la temperatura mínima diaria (extremo frío del mes).
tasminNa20 Temperatura días PROV Mensual Nº de días al mes con temperatura mínima > 20 °C (noches tropicales).
tasminNb0 Temperatura días PROV Mensual Nº de días al mes con temperatura mínima < 0 °C (días de helada).
tasmaxNap90 Temperatura días PROV Mensual Nº de días al mes con temperatura máxima por encima del percentil 90 (días cálidos).
tasminNap90 Temperatura días PROV Mensual Nº de días al mes con temperatura mínima por encima del percentil 90 (noches cálidas).
tasmaxhwdmax Temperatura días PROV Mensual Duración máxima de ola de calor: días consecutivos con Tmáx > percentil 90.
pr Precipitación mm PROV Mensual Media mensual de la precipitación diaria acumulada.
prNa1 Precipitación días PROV Mensual Nº de días al mes con precipitación > 1 mm (días de lluvia).
prmax24 Precipitación mm PROV Mensual Máxima precipitación mensual acumulada en 1 día (RX1day).
prmax5days Precipitación mm PROV Mensual Máxima precipitación mensual acumulada en 5 días (RX5day).

2.3 Datos: serie histórica observada

data

## # A tibble: 603,192 × 6
##   VARIABLE REGION   CPRO  UNIDAD TIME    VALUE
##   <chr>    <chr>    <chr> <chr>  <chr>   <dbl>
## 1 pr       Albacete 02    mm     1952-01  0.81
## 2 pr       Albacete 02    mm     1952-02  0.46
## 3 pr       Albacete 02    mm     1952-03  1.25
## 4 pr       Albacete 02    mm     1952-04  2.83
## 5 pr       Albacete 02    mm     1952-05  1.43
## # ℹ 603,187 more rows

Muestra de las primeras 20 filas del histórico observado por provincia, variable y mes:

VARIABLE REGION CPRO UNIDAD TIME VALUE
pr Albacete 02 mm 1952-01 0.81
pr Albacete 02 mm 1952-02 0.46
pr Albacete 02 mm 1952-03 1.25
pr Albacete 02 mm 1952-04 2.83
pr Albacete 02 mm 1952-05 1.43
pr Albacete 02 mm 1952-06 0.45
pr Albacete 02 mm 1952-07 1.21
pr Albacete 02 mm 1952-08 1.56
pr Albacete 02 mm 1952-09 0.97
pr Albacete 02 mm 1952-10 0.52
pr Albacete 02 mm 1952-11 0.48
pr Albacete 02 mm 1952-12 1.57
pr Albacete 02 mm 1953-01 0.19
pr Albacete 02 mm 1953-02 0.43
pr Albacete 02 mm 1953-03 0.73
pr Albacete 02 mm 1953-04 1.70
pr Albacete 02 mm 1953-05 0.11
pr Albacete 02 mm 1953-06 1.17
pr Albacete 02 mm 1953-07 0.73
pr Albacete 02 mm 1953-08 0.23

2.4 Análisis de series temporales por variable

Criterio de rango temporal: P25 ≥ umbral según frecuencia (≥ 10 anual, ≥ 40 trimestral, ≥ 60 mensual). P25 es el tamaño de serie que supera el 75 % de las provincias.

Por variable: nº de provincias, rango de fechas y percentiles del tamaño de serie temporal (periodos por provincia).

VARIABLE categoria freq_obs n_regiones date_start date_end P0 P25 P50 P75 P100
pr Precipitación M 52 1952-01 2022-12 396 852 852 852 852
prNa1 Precipitación M 52 1951-01 2022-12 396 864 864 864 864
prmax24 Precipitación M 52 1952-01 2022-12 396 852 852 852 852
prmax5days Precipitación M 52 1952-01 2022-12 396 852 852 852 852
tasmax Temperatura M 52 1951-01 2022-12 396 858 858 858 858
tasmaxNap90 Temperatura M 52 1951-01 2022-12 396 864 864 864 864
tasmaxhwdmax Temperatura M 52 1951-01 2022-12 396 660 660 660 660
tasmaxmax Temperatura M 52 1951-01 2022-12 396 864 864 864 864
tasmin Temperatura M 52 1951-01 2022-12 396 864 864 864 864
tasminNa20 Temperatura M 52 1951-01 2022-12 396 864 864 864 864
tasminNap90 Temperatura M 52 1951-01 2022-12 396 864 864 864 864
tasminNb0 Temperatura M 52 1951-01 2022-12 396 864 864 864 864
tasminmin Temperatura M 52 1951-01 2022-12 396 864 864 864 864
tmean Temperatura M 52 1951-01 2022-12 396 858 858 858 858

2.5 Provincias y número de observaciones

CPRO REGION n_obs
02 Albacete 11844
03 Alicante/Alacant 11844
04 Almería 11844
01 Araba/Álava 11844
33 Asturias 11844
06 Badajoz 11844
07 Balears, Illes 11844
08 Barcelona 11844
48 Bizkaia 11844
09 Burgos 11844
39 Cantabria 11844
12 Castellón/Castelló 11844
51 Ceuta 11796
13 Ciudad Real 11844
15 Coruña, A 11844
16 Cuenca 11844
10 Cáceres 11844
11 Cádiz 11844
14 Córdoba 11844
20 Gipuzkoa 11844
17 Girona 11844
18 Granada 11844
19 Guadalajara 11844
21 Huelva 11844
22 Huesca 11844
23 Jaén 11844
24 León 11844
25 Lleida 11844
27 Lugo 11844
28 Madrid 11844
52 Melilla 11796
30 Murcia 11844
29 Málaga 11844
31 Navarra 11844
32 Ourense 11844
34 Palencia 11844
35 Palmas, Las 5544
36 Pontevedra 11844
26 Rioja, La 11844
37 Salamanca 11844
38 Santa Cruz de Tenerife 5544
40 Segovia 11844
41 Sevilla 11844
42 Soria 11844
43 Tarragona 11844
44 Teruel 11844
45 Toledo 11844
46 Valencia/València 11844
47 Valladolid 11844
49 Zamora 11844
50 Zaragoza 11844
05 Ávila 11844

2.6 Validación de requisitos AEDV

Validación de requisitos AEDV — umbrales: > 40 provincias, último dato ≥ 2024, P25 ≥ 60 meses.

Variable Cobertura geográfica Datos actualizados (≥ 2024) Tamaño series (P25 ≥ umbral) CUMPLE LOS 3
pr [M] ✔ ✘ ✔ ✘
prNa1 [M] ✔ ✘ ✔ ✘
prmax24 [M] ✔ ✘ ✔ ✘
prmax5days [M] ✔ ✘ ✔ ✘
tasmax [M] ✔ ✘ ✔ ✘
tasmaxNap90 [M] ✔ ✘ ✔ ✘
tasmaxhwdmax [M] ✔ ✘ ✔ ✘
tasmaxmax [M] ✔ ✘ ✔ ✘
tasmin [M] ✔ ✘ ✔ ✘
tasminNa20 [M] ✔ ✘ ✔ ✘
tasminNap90 [M] ✔ ✘ ✔ ✘
tasminNb0 [M] ✔ ✘ ✔ ✘
tasminmin [M] ✔ ✘ ✔ ✘
tmean [M] ✔ ✘ ✔ ✘

De las 14 variables: 14 cumplen la cobertura geográfica (> 40 provincias), 14 el tamaño de serie temporal (P25 ≥ 60 meses) y 0 la actualización (último dato ≥ 2024).

Limitación de la fuente: el producto observado de AdapteCCa llega a 2022 (colección por versión, no serie que se actualice cada año). Con el umbral estricto anio_min = 2024 el criterio de “datos actualizados” no se cumple, pese a la excelente cobertura (52 provincias) y longitud temporal. Bajando anio_min a 2022 las 14 variables pasarían los tres criterios.

2.7 Proyecciones (proyecciones_spain.rds)

Mismas 14 variables, proyectadas con CMIP6 regionalizado. Son climatologías (un valor por mes, sin año), con tres dimensiones: escenario (SSP), modelo (11 GCMs de CMIP6 + ensemble, la media del conjunto) y horizonte (ventanas de 30 años):

horizonte periodo (años) denominación
reference 1971-2000 base histórica
near_future 2011-2040 futuro cercano
medium_future 2041-2070 futuro medio
far_future 2071-2100 futuro lejano

La base histórica de referencia del modelo (1971–2000, código reference) sí se incluye en el rds junto a los 3 horizontes futuros, permitiendo calcular anomalías futuro − referencia. Columnas: provincia · cpro · variable · unidad · escenario · modelo · horizonte · mes · value.

Concepto Valor
Variables 14
Escenarios (SSP) ssp126, ssp245, ssp370, ssp585
Modelos (GCM + ensemble) 12
Horizontes (periodo) reference (1971-2000); near_future (2011-2040); medium_future (2041-2070); far_future (2071-2100)
Provincias 52
Meses 12
Filas totales 1.677.312

2.8 Escenarios de emisión (GHG / SSP)

Las 4 trayectorias SSP combinan un relato socioeconómico con un nivel de forzamiento radiativo (W/m²) en 2100, de menos a más emisiones.

Qué significa “Calentamiento 2100 (AR6)”. Aumento de la temperatura media GLOBAL a final de siglo (media 2081–2100) respecto al clima preindustrial (1850–1900), según el IPCC AR6. Es una cifra global de referencia, no el calentamiento de cada provincia. Se obtiene acotando el conjunto de modelos CMIP6 con observaciones y paleoclima; se da una mejor estimación y un rango muy probable (percentil 5–95) entre paréntesis.

Escenario SSP Relato Forzamiento 2100 Emisiones Calentamiento 2100 (AR6) Descripción
ssp126 SSP1-2.6 Sostenibilidad ~2,6 W/m² Bajas ~1,8 °C (1,3–2,4) CO₂ neto cero hacia ~2050. Compatible con limitar el calentamiento bien por debajo de 2 °C (Acuerdo de París).
ssp245 SSP2-4.5 Camino intermedio ~4,5 W/m² Medias ~2,7 °C (2,1–3,5) Emisiones intermedias; políticas climáticas a ritmo moderado. Escenario ‘central’ de referencia.
ssp370 SSP3-7.0 Rivalidad regional ~7,0 W/m² Altas ~3,6 °C (2,8–4,6) Mundo fragmentado, poca cooperación; las emisiones casi se duplican hacia 2100.
ssp585 SSP5-8.5 Desarrollo por combustibles fósiles ~8,5 W/m² Muy altas ~4,4 °C (3,3–5,7) Crecimiento intensivo en fósiles. Límite superior plausible de emisiones.

2.9 Mapas coropléticos interactivos

Mapas interactivos (leaflet: zoom, hover con el valor y leyenda) a nivel de provincia, sin mapa base, con la geometría de mapSpain en coordenadas reales (moveCAN = FALSE, Canarias en su posición real en el Atlántico). Unen los datos por el código de provincia cpro.

Tmáx media de julio observada por provincia (histórico):

Tmáx media de julio proyectada — SSP5-8.5, futuro lejano (2071–2100):

Proyecciones por modelo (dispersión inter-modelo): el mapa anterior usa el ensemble (la media de los 11 GCMs), pero el dataset guarda cada modelo por separado. Para el mismo caso (tasmax de julio, SSP5-8.5, futuro lejano), promediando a toda España, el valor varía notablemente según el modelo; el ensemble (rojo) es la media del conjunto.

Series temporales por horizonte de cada modelo (tasmax, SSP5-8.5), promediadas a toda España: cada línea gris es un GCM y la roja el ensemble.

3 Incorporación del dataset a la memoria

Al compilar este documento se ha generado el fichero CLIMA_SPAIN_analisis.Rmd: es la sección Análisis del dataset de arriba, preparada para la sección Comprensión de los datos de la memoria, con los títulos al nivel de esa sección. Para incorporar el dataset a la memoria:

  1. Copia a la carpeta de la memoria estos ficheros de la carpeta CLIMA_SPAIN: observaciones_spain.rds, proyecciones_spain.rds, CLIMA_SPAIN_metadatos.xlsx y CLIMA_SPAIN_analisis.Rmd.
  2. Comprueba que en la carpeta de la memoria está también utilidades.R (viene en la carpeta ProyectoPersonal, junto al modelo de memoria) y que la memoria lo carga en el chunk de librerías: source("utilidades.R").
  3. Pega este chunk en la sección Comprensión de los datos de la memoria, cambiando los nombres de las tablas por otros que describan el dataset:
```{r, results='asis', cache=FALSE}
clima <- aedv_incluir_dataset("CLIMA_SPAIN_analisis.Rmd")
# este dataset tiene 2 tablas: aedv_incluir_dataset() las devuelve en una lista
clima_obs  <- clima$data  # observaciones mensuales por provincia
clima_proy <- clima$proy  # proyecciones por escenario, modelo y horizonte
```

Al compilar la memoria, el análisis aparece en el lugar del chunk y los datos quedan en las tablas clima_obs y clima_proy (tibbles), con las que se sigue trabajando en el resto de la memoria. Este dataset tiene 2 tablas: aedv_incluir_dataset() las devuelve juntas en una lista, y las líneas que siguen a la llamada las separan, cada una con su nombre. Si incorporas varios datasets, pega un chunk por cada uno, con nombres de tabla distintos. En un dataset auxiliar, que no tiene que cumplir los requisitos de AEDV, aedv_incluir_dataset("CLIMA_SPAIN_analisis.Rmd", validacion = FALSE) omite la validación.

El texto explicativo del dataset (qué mide, qué significa cada variable y cada una de sus opciones…) se escribe en la memoria, antes o después del chunk, no en CLIMA_SPAIN_analisis.Rmd: ese fichero se sustituye cada vez que se vuelve a generar.