clave_default = credencial.get('clave')
if __name__ == "__main__":
matplotlib.use('TkAgg')
# DESCRIPCIÓN DEL PROBLEMA:
# Problema 1:
# Geolocalizar todas las estaciones meteorológicas de Argentina en un mapa. Identificar la estación Pehuajó (ID OMM
# 87544) y todas las estaciones geográficamente vecinas que se encuentren dentro de un radio de 300 kilómetros.
# SOLUCIÓN DEL PROBLEMA:
# 1. Búsqueda de estaciones de Argentina (AR, para otros países utilizar el código ISO de 2 letras correspondiente)
estaciones = consumir_servicio_JSON(url=base_url + "/estaciones/AR",
usuario=usuario_default,
clave=clave_default)
# 2. Búsqueda de estaciones vecinas a Pehuajó (omm_id = 87544).
# Se buscan estaciones dentro de un radio de 300km.
omm_central_id = 87544
maxima_distancia_km = 300
url_vecinas = f"{base_url}/estaciones_vecinas/{omm_central_id}?max_distancia={maxima_distancia_km}"
estaciones_vecinas = consumir_servicio_JSON(url=url_vecinas,
usuario=usuario_default,
clave=clave_default)
# 3. Indico si la estación es Central (Pehuajó), Vecina u Otra
estaciones = estaciones.assign(tipo=lambda df: df.apply(
lambda x: 'Central' if x['omm_id'] == omm_central_id else 'Vecina'
if x['omm_id'] in estaciones_vecinas['omm_id'].values else 'Otra',
if __name__ == "__main__":
matplotlib.use('TkAgg')
# DESCRIPCIÓN DEL PROBLEMA:
# Problema 3:
# Obtener las series temporales de SPI-3 para Pehuajó (87544) calculado mediante un ajuste paramétrico de
# precipitaciones dentro del período de referencia 1971-2010, utilizando el método de máxima verosimilitud
# sin remuestreo. Graficar la serie para el período 2017-2019.
# SOLUCIÓN DEL PROBLEMA:
# Se obtiene un listado de configuraciones de índices y se seleccionan los SPI con escala de 3 meses.
configuraciones = consumir_servicio_JSON(
url=f"{base_url}/indices_sequia_configuraciones",
usuario=usuario_default,
clave=clave_default)
# Seleccionar SPI y escala de 3 meses
configuraciones = configuraciones.query('indice == "SPI" and escala == 3')
# Vista de las configuraciones en una tabla
print(configuraciones.to_markdown(tablefmt="github", showindex=False))
# Ahora procedemos a buscar la serie temporal de SPI-3 para Pehuajó entre 2017 y 2019.
omm_id = 87544
indice_configuracion_id = 43
fecha_desde = dateutil.parser.parse("2017-01-01").isoformat()
fecha_hasta = dateutil.parser.parse("2019-12-31").isoformat()
url_valores_indice = f"{base_url}/indices_sequia_valores/{indice_configuracion_id}/" \
f"{omm_id}/{fecha_desde}/{fecha_hasta}"
serie_temporal_spi = consumir_servicio_JSON(url=url_valores_indice,
usuario=usuario_default,
# Problema 2:
# Buscar los valores de precipitación acumulada de 3 meses para los meses de enero a marzo de la estación Pehuajó.
# Utilizar el período de referencia 1971-2010 para ajustar una distribución no paramétrica a dichos valores.
# SOLUCIÓN DEL PROBLEMA:
# Se buscan los valores de precipitación acumulada de enero a marzo para Pehuajó (87544)
omm_id = 87544
ancho_ventana = 18
fecha_desde = dateutil.parser.parse("1971-01-01").isoformat()
fecha_hasta = dateutil.parser.parse("2010-12-31").isoformat()
url_estadisticas = f"{base_url}/estadisticas_moviles/{omm_id}/Suma/{ancho_ventana}/{fecha_desde}/{fecha_hasta}"
estadisticas = consumir_servicio_JSON(url=url_estadisticas,
usuario=usuario_default,
clave=clave_default)
estadisticas['fecha_desde'] = pd.to_datetime(estadisticas['fecha_desde'])
estadisticas['fecha_hasta'] = pd.to_datetime(estadisticas['fecha_hasta'])
estadisticas = estadisticas.query(
'fecha_hasta.dt.month == 3 and fecha_hasta.dt.day == 31')
# Datos necesarios para el ajuste
tamano_bin = 50 # Ancho de cada intervalo
muestra_original = estadisticas['valor'].values
# 1. Histograma de datos originales
r_hist_counts, r_hist_breaks = np.histogram(muestra_original,
bins=range(
0, 900 + 1, tamano_bin))
r_hist_mids = 0.5 * (r_hist_breaks[1:] + r_hist_breaks[:-1])