### Variables climáticas por provincia de España (AdapteCCa)
```{r}
# nombres con los que se guardaron los ficheros del dataset
filename <- "CLIMA_SPAIN"
f_obs <- "observaciones_spain.rds"
f_proy <- "proyecciones_spain.rds"
# tablas que devuelve aedv_incluir_dataset() al incluir este análisis en la memoria
tablas_exportadas <- c("data", "proy")
```
```{r}
# las explicaciones de los indicadores viven en las hojas `variables`,
# `horizontes` y `escenarios` del fichero de metadatos; la ficha general en `dataset`
ficha <- read.xlsx(paste0(filename, "_metadatos.xlsx"), sheet = "dataset")
variables_sel <- read.xlsx(paste0(filename, "_metadatos.xlsx"), sheet = "variables")
desc_horizonte <- read.xlsx(paste0(filename, "_metadatos.xlsx"), sheet = "horizontes")
desc_escenario <- read.xlsx(paste0(filename, "_metadatos.xlsx"), sheet = "escenarios")
# las variables a analizar salen de los propios metadatos: así esta sección no
# depende del vector VARS definido en la sección anterior
VARS <- variables_sel$variable
```
**metadatos**
```{r}
knitr::kable(ficha)
```
#### 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:
##### 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.
##### 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.
#### Variables (datasets) seleccionadas
```{r}
# kable en vez de DT::datatable: aquí solo hace falta poder recorrer la tabla, no
# filtrarla ni ordenarla. El contenedor .tabla-scroll-xy le da el scroll en los
# dos ejes, con la cabecera fija arriba, y .con-desc deja que la última columna
# (la descripción) reparta en varias líneas
variables_sel |>
knitr::kable(col.names = c("variable", "categoría", "unidad", "área",
"frecuencia", "descripción"))
```
#### Datos: serie histórica observada
```{r}
hist <- readRDS(f_obs) |> as_tibble() |> filter(variable %in% VARS)
# Estructura para el análisis: variable (atributo) · provincia (región) · fecha · value
data <- hist |>
transmute(VARIABLE = variable, REGION = provincia, CPRO = cpro,
UNIDAD = unidad, TIME = fecha, VALUE = value) |>
arrange(VARIABLE, REGION, TIME)
```
**data**
```{r}
data |> print(n=5)
```
Muestra de las primeras 20 filas del histórico observado por provincia, variable y mes:
```{r}
data |> slice(1:20) |> knitr::kable()
```
#### 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.
```{r}
classify_time <- function(t) dplyr::case_when(
stringr::str_detect(t, "^[0-9]{4}M[0-9]{2}$|^[0-9]{4}-[0-9]{2}$") ~ "M",
stringr::str_detect(t, "^[0-9]{4}[QT][0-9]$") ~ "Q",
stringr::str_detect(t, "^[0-9]{4}$") ~ "Y",
TRUE ~ "otro")
tb_series <- data |>
mutate(freq_obs = classify_time(TIME)) |>
group_by(VARIABLE, REGION, freq_obs) |>
summarise(n_periodos = n_distinct(TIME), date_min = min(TIME), date_max = max(TIME), .groups = "drop") |>
group_by(VARIABLE, freq_obs) |>
summarise(n_regiones = n_distinct(REGION), date_start = min(date_min), date_end = max(date_max),
P0 = as.integer(min(n_periodos)), P25 = as.integer(quantile(n_periodos, 0.25)),
P50 = as.integer(quantile(n_periodos, 0.50)), P75 = as.integer(quantile(n_periodos, 0.75)),
P100 = as.integer(max(n_periodos)), .groups = "drop") |>
left_join(variables_sel |> select(variable, categoria), by = c("VARIABLE" = "variable")) |>
relocate(categoria, .after = VARIABLE) |> relocate(freq_obs, .after = categoria)
```
**Por variable**: nº de provincias, rango de fechas y percentiles del tamaño de
serie temporal (periodos por provincia).
```{r}
knitr::kable(tb_series)
```
#### Provincias y número de observaciones
```{r}
# son 52 provincias: se muestran TODAS y se recorren con el scroll del
# contenedor, con la cabecera fija arriba
data |>
group_by(CPRO, REGION) |>
summarise(n_obs = n(), .groups = "drop") |>
arrange(REGION) |>
knitr::kable()
```
#### Validación de requisitos AEDV
```{r}
umbral_freq <- c(Y = 10L, Q = 40L, M = 60L, otro = NA_integer_)
anio_min <- 2024L # requisito AEDV "datos actualizados" (último dato ≥ anio_min)
tb_val <- tb_series |>
mutate(umbral = umbral_freq[freq_obs], year_end = as.integer(substr(date_end, 1, 4)),
ok_cob = n_regiones > 40, # nivel provincia (PROV)
ok_fecha = year_end >= anio_min,
ok_temp = !is.na(umbral) & P25 >= umbral,
ok_total = ok_cob & ok_fecha & ok_temp,
etiqueta = paste0(VARIABLE, " [", freq_obs, "]"))
```
**Validación de requisitos AEDV** — umbrales: > 40 provincias, último dato ≥
`r anio_min`, P25 ≥ 60 meses.
```{r}
# Tabla de validación en HTML (antes era un heatmap de ggplot, pero al ser una
# IMAGEN su altura crecía con el nº de variables). Como tabla se muestran TODAS
# las filas y se recorren con el scroll del contenedor, con la cabecera fija
# arriba. Las clases val-ok/val-no dan el color a cada celda.
marca <- function(x)
ifelse(x, '✔', '✘')
tb_val |>
transmute(
Variable = etiqueta,
`Cobertura geográfica` = marca(ok_cob),
`Datos actualizados (≥ 2024)` = marca(ok_fecha),
`Tamaño series (P25 ≥ umbral)` = marca(ok_temp),
`CUMPLE LOS 3` = marca(ok_total)
) |>
# escape = FALSE para que el de cada celda se interprete como HTML y
# no se imprima literalmente
knitr::kable(escape = FALSE, align = c("l", rep("c", 4)))
```
```{r}
n_total <- n_distinct(tb_val$VARIABLE); n_cob <- sum(tb_val$ok_cob)
n_temp <- sum(tb_val$ok_temp); n_fecha <- sum(tb_val$ok_fecha)
```
De las **`r n_total`** variables: **`r n_cob`** cumplen la **cobertura
geográfica** (> 40 provincias), **`r n_temp`** el **tamaño de serie temporal**
(P25 ≥ 60 meses) y **`r n_fecha`** la **actualización** (último dato ≥ `r anio_min`).
> **Limitación de la fuente:** el producto observado de AdapteCCa llega a **2022**
> (colección por versión, no serie que se actualice cada año). Con el umbral
> estricto `anio_min = 2024` el criterio de "datos actualizados" no se cumple,
> pese a la excelente cobertura (52 provincias) y longitud temporal. Bajando
> `anio_min` a 2022 las 14 variables pasarían los tres criterios.
#### Proyecciones (proyecciones_spain.rds)
```{r}
# el dataset de proyecciones se lee UNA sola vez y se reutiliza en todo lo que sigue
proy <- readRDS(f_proy) |> as_tibble()
```
Mismas 14 variables, proyectadas con CMIP6 regionalizado. Son **climatologías**
(un valor por mes, sin año), con tres dimensiones: **`escenario`** (SSP),
**`modelo`** (11 GCMs de CMIP6 + `ensemble`, la media del conjunto) y
**`horizonte`** (ventanas de 30 años):
```{r}
desc_horizonte |>
knitr::kable(col.names = c("horizonte", "periodo (años)", "denominación"))
```
La base histórica de referencia del modelo (**1971–2000**, código `reference`)
**sí** se incluye en el rds junto a los 3 horizontes futuros, permitiendo calcular
anomalías futuro − referencia. Columnas:
`provincia · cpro · variable · unidad · escenario · modelo · horizonte · mes · value`.
```{r}
# el periodo de cada horizonte sale de los metadatos, no se vuelve a escribir aquí
periodo_horizonte <- setNames(desc_horizonte$periodo, desc_horizonte$horizonte)
resumen_proy <- tibble(
Concepto = c("Variables", "Escenarios (SSP)", "Modelos (GCM + ensemble)",
"Horizontes (periodo)", "Provincias", "Meses", "Filas totales"),
Valor = c(
as.character(n_distinct(proy$variable)),
paste(sort(unique(as.character(proy$escenario))), collapse = ", "),
as.character(n_distinct(proy$modelo)),
paste(sprintf("%s (%s)", names(periodo_horizonte), periodo_horizonte),
collapse = "; "),
as.character(n_distinct(proy$provincia)),
as.character(n_distinct(proy$mes)),
format(nrow(proy), big.mark = ".", decimal.mark = ",")
)
)
knitr::kable(resumen_proy)
```
#### 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.
```{r}
desc_escenario |>
knitr::kable(col.names = c("Escenario", "SSP", "Relato", "Forzamiento 2100",
"Emisiones", "Calentamiento 2100 (AR6)", "Descripción"))
```