Acceso a datos ERA5 en la nube

Introducción¶

En este cuaderno aprenderás a acceder y analizar datos del reanálisis atmosférico ERA5 utilizando ArrayLake, un servicio de repositorios Zarr en la nube que proporciona acceso eficiente a conjuntos de datos masivos.

ERA5 es la quinta generación de reanálisis producida por el ECMWF (Centro Europeo de Predicción Meteorológica a Mediano Plazo), que combina observaciones históricas con modelos numéricos para reconstruir el estado de la atmósfera desde 1950 hasta el presente. Este conjunto de datos es fundamental para estudios climáticos, análisis de eventos meteorológicos extremos, y validación de modelos.

Los datos que utilizaremos provienen del repositorio earthmover-public/era5-surface-aws en ArrayLake, que contiene 18 variables de superficie para el período 1975-2024 (~30 TB) en formato Zarr v3 / Icechunk. Esta estructura permite acceso eficiente mediante dos estrategias de chunking optimizadas: una para análisis espaciales (mapas) y otra para series temporales.

📚 Descripción general¶

En este cuaderno aprenderás a:

Comprender qué es ERA5 y su importancia en estudios climáticos
Diferenciar entre grupos spatial y temporal optimizados para diferentes consultas
Acceder a datos ERA5 en formato Zarr v3 / Icechunk mediante ArrayLake
Realizar análisis espaciales eficientes (mapas globales y regionales)
Extraer y visualizar series temporales largas para ubicaciones específicas

✅ Requisitos previos¶

Conceptos	Importancia	Notas
Introducción a Xarray	Necesario	Manipulación de arreglos multidimensionales etiquetados
Xarray: Agregación	Necesario	Operaciones de agregación temporal y espacial
Xarray: Lectura de datos	Necesario	Apertura de conjuntos de datos NetCDF/Zarr
Fundamentos de Python	Necesario	Variables, funciones, estructuras de control
Numpy	Útil	Operaciones con arreglos numéricos
Acceso a datos en la nube	Útil	Comprensión de formatos cloud-nativos (Zarr, Icechunk)
Conocimientos de meteorología	Útil	Interpretación de variables atmosféricas (temperatura, presión, viento)

⏱️ Tiempo estimado de aprendizaje: 30 minutos
✍️ Formato: Interactivo. Ejecuta y modifica el código en cada celda.

Librerías¶

Importamos las bibliotecas necesarias para trabajar con ArrayLake y visualizar datos.

from arraylake import Client
import xarray as xr
import matplotlib.pyplot as plt

Autenticación con ArrayLake¶

ArrayLake es un servicio de repositorios Zarr en la nube que proporciona acceso eficiente a grandes datasets como ERA5. Para usar ArrayLake:

En Binder/JupyterHub: Ejecuta client.login() y sigue las instrucciones para autenticarte
En GitHub Actions: Las credenciales se gestionan mediante secrets del repositorio

client = Client()
client.login()  # Solo necesario la primera vez por sesión

repo = client.get_repo("earthmover-public/era5-surface-aws")

# Establecer vista de solo lectura del branch "main" inmutable
session = repo.readonly_session("main")

Versionado de datos con Icechunk

Icechunk permite hacer seguimiento a los cambios realizados en el dataset mediante snapshots. Esto es similar a Git para código, pero diseñado específicamente para datos científicos masivos.

Puedes explorar el historial de cambios en la rama principal main:

# Ver historial de snapshots
for snapshot in repo.ancestry(branch="main"):
    print(snapshot.message)

Ventajas del versionado:

📜 Trazabilidad completa de cambios en los datos
🔄 Posibilidad de revertir a versiones anteriores
🌳 Branching para experimentos paralelos
🔒 Reproducibilidad científica garantizada

Para este cuaderno, trabajamos con el snapshot inmutable de la rama main.

1. 🌍 Introducción a ERA5¶

ERA5 es la quinta generación de reanálisis atmosférico producida por el Centro Europeo de Predicción Meteorológica a Mediano Plazo (ECMWF). Este conjunto de datos combina observaciones históricas con modelos numéricos para generar una reconstrucción coherente del estado de la atmósfera en el pasado reciente.

Los reanálisis son fundamentales para estudios climáticos, ya que proporcionan información espacial y temporalmente continua, incluso en regiones donde las observaciones directas son escasas.

1.1. 📌 ¿Qué es un Reanálisis?¶

Un reanálisis es una reconstrucción científica del clima pasado basada en:

🌐 Observaciones históricas:
- Estaciones de superficie
- Globos meteorológicos
- Satélites
- Buques, boyas y aviones
🧠 Modelos numéricos:
- Ecuaciones físicas modernas de la atmósfera
- Técnicas de asimilación de datos
- Poder computacional avanzado

1.2. 📎 Características clave de ERA5¶

✅ Cobertura global: datos para toda la Tierra
⏱️ Periodo temporal: desde 1950 hasta el presente (con datos horarios desde 1979)
🌐 Resolución espacial: 0.25° (~31 km)
📈 Más de 240 variables disponibles (temperatura, viento, precipitación, etc.)
⚙️ Datos consistentes gracias a la asimilación de observaciones

💡 Nota: En este cuaderno trabajaremos directamente con los datos de ERA5 almacenados en formato Zarr en Google Cloud, lo que permite explorar grandes volúmenes de información sin necesidad de descargarlos completamente.

2. ☁️ Acceso a datos ERA5 con ArrayLake¶

El conjunto de datos ERA5 está disponible a través de ArrayLake en el repositorio earthmover-public/era5-surface-aws. Esta versión curada contiene:

✅ 18 variables de superficie (temperatura 2m, viento 10m, presión, nubosidad, etc.)
📅 Periodo: 1975-01-01 a 2024-12-31 (50 años de datos horarios)
🌐 Resolución espacial: 0.25° (~31 km)
⏱️ Resolución temporal: Horaria
💾 Tamaño total: ~30 TB en formato Zarr v3 / Icechunk

Grupos de datos¶

El repositorio ofrece dos grupos con diferentes estrategias de chunking:

spatial: Optimizado para consultas espaciales (mapas globales)
- Chunks: (time=1, latitude=721, longitude=1440)
- Ideal para: Visualizar campos instantáneos, análisis de patrones espaciales
temporal: Optimizado para series temporales y ML
- Chunks: (time=8736, latitude=12, longitude=12) → 1 año de datos horarios
- Ideal para: Series temporales, entrenamiento de modelos ML/IA

3. 🗺️ Grupo Spatial - Análisis espacial¶

Comenzamos trabajando con el grupo spatial, optimizado para consultas de mapas y análisis espaciales.

Este grupo usa chunks (time=1, latitude=721, longitude=1440) que cargan un mapa completo por cada paso temporal.

3.1. 🔓 Apertura del grupo spatial¶

%%time
ds_spatial = xr.open_dataset(
    session.store,
    engine="zarr",
    consolidated=False,
    zarr_format=3,
    chunks={},
    group="spatial"  # Grupo optimizado para consultas espaciales
)

El conjunto de datos se ha abierto correctamente utilizando acceso anónimo y carga perezosa (lazy loading) gracias al formato zarr

display(ds_spatial)

3.2. 📋 Contenido del conjunto de datos¶

El conjunto de datos contiene:

➕ 18 variables de superficie horarias (e.g., t2, d2, u10, v10, sp, cape)
📐 Dimensiones: time (438,312) × latitude (721) × longitude (1,440)
🌍 Coordenadas: latitudes −90° → 90°, longitudes 0° → 360°
💾 Tamaño total: ~30 TB almacenados en formato Zarr v3 / Icechunk
📝 Metadatos globales: CF-1.6, fuente de datos, historial

3.3. 💾 Tamaño del conjunto de datos¶

Una vez abierto el conjunto de datos, es útil calcular su tamaño total estimado en memoria. Esto nos ayuda a dimensionar los recursos necesarios para su análisis.

# Tamaño total del dataset en TB (terabytes)
size_tb = ds_spatial.nbytes / 1024**4
print(f"Dataset size: {size_tb:.1f} TB")

3.4. 🌍 Visualización: Mapa global¶

Visualicemos la temperatura global en un instante específico. Gracias al chunking espacial, cargar un mapa completo es muy eficiente.

# Extraer la variable de temperatura a 2 metros
t2m = ds_spatial.t2

import matplotlib.pyplot as plt

# Seleccionar un instante específico
instant = "2018-01-01 12:00"
fig, ax = plt.subplots(figsize=(10, 4))

# Graficar temperatura en Kelvin
t2m.sel(time=instant).plot(ax=ax, cmap="coolwarm", robust=True)

# Embellecer la figura
ax.set_title(f"Temperatura a 2 metros (t2) - {instant}", fontsize=14)
ax.set_xlabel("Longitud [°E]", fontsize=12)
ax.set_ylabel("Latitud [°N]", fontsize=12)
ax.tick_params(labelsize=10)

plt.tight_layout()
plt.savefig("../images/era-temp2.png", dpi=150, bbox_inches="tight")
plt.show()

3.5. 🇨🇴 Subsetting espacial: Colombia¶

Ahora aprendamos a seleccionar una subregión espacial. Vamos a extraer datos solo para Colombia y visualizar la temperatura promedio para un día específico.

En ERA5, las longitudes van de 0° a 360° (en lugar de -180° a 180°). Para Colombia usamos:

Longitud: 275° a 300° (equivalente a -85° a -60°)
Latitud: 14° a -3°

# Seleccionar región de Colombia usando el grupo spatial
t2_colombia = ds_spatial.t2.sel(
    longitude=slice(275, 300),  # -85° a -60°
    latitude=slice(14, -3),     # Norte a sur
    time="2024-06-14"           # Un día específico
)

# Convertir a Celsius y promediar el día
t2_colombia_mean = (t2_colombia - 273.15).mean(dim="time")

print(f"Shape: {t2_colombia_mean.shape}")  # (69, 101) - región de Colombia

# Visualizar temperatura promedio diaria sobre Colombia
fig, ax = plt.subplots(figsize=(8, 5))
t2_colombia_mean.plot.contourf(
    ax=ax,
    cmap="RdYlBu_r",
    levels=15,
    cbar_kwargs={"label": "Temperatura (°C)"}
)
ax.set_title("Temperatura promedio - Colombia (14 junio 2024)", fontsize=14)
ax.set_xlabel("Longitud (°E)")
ax.set_ylabel("Latitud (°N)")
plt.tight_layout()
plt.show()

✏️ Ejercicio 1: Practica subsetting espacial¶

Objetivo: Aplicar lo aprendido sobre selección espacial con el grupo spatial.

Tareas:

Extrae un mapa de presión superficial (sp) para 15 de agosto de 2024 a las 12:00 UTC
Selecciona la región de la Amazonía (lon=[280:300], lat=[5:-10]) para 1 de enero de 2024
Calcula y visualiza la temperatura promedio de ese día sobre la Amazonía

# Tu código aquí

Solución

# 1. Mapa de presión superficial
sp_map = ds_spatial.sp.sel(time="2024-08-15 12:00")
sp_map.plot(cmap="viridis", figsize=(10, 5))
plt.title("Presión superficial - 15 agosto 2024 12:00 UTC")
plt.show()

# 2. Región Amazonía para un día
t2_amazon = ds_spatial.t2.sel(
    time="2024-01-01",
    longitude=slice(280, 300),
    latitude=slice(5, -10)
)

# 3. Temperatura promedio del día
t2_amazon_mean = (t2_amazon - 273.15).mean(dim="time")
t2_amazon_mean.plot.contourf(cmap="RdYlBu_r", figsize=(8, 6))
plt.title("Temperatura promedio - Amazonía (1 enero 2024)")
plt.xlabel("Longitud (°E)")
plt.ylabel("Latitud (°N)")
plt.show()

Nota: El grupo spatial es ideal para estos casos porque carga mapas completos eficientemente.

4. ⏱️ Grupo Temporal - Series de tiempo¶

Ahora trabajamos con el grupo temporal, optimizado para series temporales largas.

Este grupo usa chunks (time=8736, latitude=12, longitude=12) que cargan 1 año completo de datos para ubicaciones pequeñas.

4.1. 🔓 Apertura del grupo temporal¶

%%time
ds_temporal = xr.open_dataset(
    session.store,
    engine="zarr",
    consolidated=False,
    zarr_format=3,
    chunks={},
    group="temporal"  # Grupo optimizado para series temporales
)

🎯 Comparación: ¿Cuándo usar cada grupo?

Caso de uso	Grupo recomendado	Razón
Mapa global en un instante	`spatial`	Un chunk = un mapa completo
Región espacial (ej: Colombia) en período corto	`spatial`	Chunks contiguos en espacio
Serie temporal larga en un punto	`temporal`	Un chunk = 1 año de datos
Múltiples puntos para ML/forecasting	`temporal`	Carga eficiente de historiales
Climatología espacial (promedios)	`spatial`	Agrega sobre tiempo con mapas
Climatología temporal (tendencias)	`temporal`	Agrega sobre espacio con series

Regla general: Si tu análisis enfatiza espacio, usa spatial. Si enfatiza tiempo, usa temporal.

4.2. 📈 Serie temporal para Bogotá¶

Extraigamos una serie temporal completa para Bogotá usando el grupo temporal. Este tipo de consulta (“churro”) es exactamente para lo que este grupo fue optimizado.

Extracción de serie temporal para Bogotá¶

Bogotá está ubicada aproximadamente en:

Latitud: 4.7° N
Longitud: 285.9° E (equivalente a -74.1° W)

Extraigamos la temperatura para todo el año 2024:

# Extraer serie temporal para Bogotá usando el grupo temporal
t2_bogota_2024 = ds_temporal.t2.sel(
    time=slice("2024-01-01", "2024-12-31")).sel(
    latitude=4.7,
    longitude=285.9,
    method='nearest'  # Encuentra el punto más cercano
)

# Convertir a Celsius
t2_bogota_celsius = t2_bogota_2024 - 273.15

print(f"Shape: {t2_bogota_celsius.shape}")  # (8784,) = 366 días × 24 horas (2024 es bisiesto)
print(f"Temperatura promedio 2024: {t2_bogota_celsius.mean().values:.2f} °C")

Visualización de la serie temporal¶

import matplotlib.pyplot as plt

fig, ax = plt.subplots(figsize=(12, 4))

# Graficar serie completa
t2_bogota_celsius.plot(ax=ax, linewidth=0.5, color="steelblue")

ax.set_title("Temperatura en Bogotá - 2024 (datos horarios)", fontsize=14)
ax.set_xlabel("Fecha")
ax.set_ylabel("Temperatura (°C)")
ax.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()

Cálculo de climatología mensual¶

Podemos calcular promedios mensuales usando .groupby():

# Climatología mensual para Bogotá
t2_bogota_monthly = t2_bogota_celsius.groupby("time.month").mean()

# Visualizar
fig, ax = plt.subplots(figsize=(10, 5))
t2_bogota_monthly.plot(ax=ax, marker="o", linewidth=2, markersize=8)
ax.set_title("Climatología mensual - Bogotá 2024", fontsize=14)
ax.set_xlabel("Mes")
ax.set_ylabel("Temperatura promedio (°C)")
ax.set_xticks(range(1, 13))
ax.set_xticklabels(["Ene", "Feb", "Mar", "Abr", "May", "Jun", 
                    "Jul", "Ago", "Sep", "Oct", "Nov", "Dic"])
ax.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()

✏️ Ejercicio 2: Practica series temporales¶

Objetivo: Extraer y analizar series temporales con el grupo temporal.

Tareas:

Extrae la serie de viento zonal (u10) para Medellín (lat=6.25, lon=284.5) durante enero 2024
Calcula el viento promedio y grafícalo
Compara la temperatura de Bogotá vs Barranquilla (lat=11.0, lon=285.2) para la primera semana de enero 2024

# Tu código aquí

Solución

# 1. Viento zonal Medellín (enero 2024)
u10_medellin = ds_temporal.u10.sel(
    time=slice("2024-01-01", "2024-01-31"),
    latitude=6.25,
    longitude=284.5,
    method="nearest"
)

# 2. Calcular promedio y graficar
print(f"Viento promedio: {u10_medellin.mean().values:.2f} m/s")
u10_medellin.plot(figsize=(12, 4))
plt.title("Viento zonal (u10) - Medellín (enero 2024)")
plt.ylabel("Velocidad (m/s)")
plt.grid(True, alpha=0.3)
plt.show()

# 3. Comparar Bogotá vs Barranquilla
fig, ax = plt.subplots(figsize=(12, 5))

t2_bogota = ds_temporal.t2.sel(
    time=slice("2024-01-01", "2024-01-07"),
    latitude=4.7, longitude=285.9, method="nearest"
) - 273.15

t2_barranquilla = ds_temporal.t2.sel(
    time=slice("2024-01-01", "2024-01-07"),
    latitude=11.0, longitude=285.2, method="nearest"
) - 273.15

t2_bogota.plot(ax=ax, label="Bogotá", linewidth=1.5)
t2_barranquilla.plot(ax=ax, label="Barranquilla", linewidth=1.5)
ax.legend()
ax.set_title("Temperatura - Bogotá vs Barranquilla (primera semana enero 2024)")
ax.set_ylabel("Temperatura (°C)")
ax.grid(True, alpha=0.3)
plt.show()

Nota: El grupo temporal carga eficientemente series largas para ubicaciones puntuales.

5. ¿Qué sigue?¶

Ahora que sabes cómo acceder a datos ERA5 en formato Zarr, puedes explorar:

ENSO y temperatura superficial del mar - Analiza la relación entre ERA5 y eventos El Niño/La Niña
Temperatura global media con CMIP6 - Compara proyecciones climáticas con reanálisis
Perfiles Cuasi-Verticales con radar - Combina datos de radar con ERA5 para validación

Proyecto sugerido¶

Desarrolla un análisis de tendencias climáticas para Colombia:

Extrae temperatura mensual para Colombia desde 1979 hasta el presente
Calcula la tendencia lineal y estadísticas de cambio
Visualiza la serie temporal con anomalías respecto a la climatología 1991-2020
Compara con datos de estaciones del IDEAM para validación

Este proyecto te introducirá al análisis de variabilidad y cambio climático regional usando reanálisis.

6. ✅ Conclusiones¶

En este cuadernillo aprendimos a acceder y explorar el conjunto de datos de reanálisis ERA5 a través de ArrayLake, utilizando el repositorio earthmover-public/era5-surface-aws. Algunos puntos clave:

✔️ Comprendimos qué es un reanálisis y por qué ERA5 es fundamental para estudios climáticos ✔️ Accedimos al dataset (18 variables, 30 TB, 1975-2024) sin descarga local usando ArrayLake ✔️ Exploramos dos grupos optimizados: spatial (mapas) y temporal (series de tiempo) ✔️ Realizamos selección espacial sobre Colombia y visualizamos campos de temperatura ✔️ Aplicamos principios de lazy loading y data streaming con Zarr v3 / Icechunk ✔️ Comprendimos la importancia del chunking para optimizar diferentes tipos de consultas

📚 Recursos y referencias¶

7. ✏️ Ejercicios adicionales¶

Ahora que has practicado análisis espacial y series temporales, aquí tienes ejercicios adicionales para profundizar tus habilidades.

# Tu código aquí

Solución

# 1. Listar todas las variables
print(list(ds_spatial.data_vars))

# 2. Inspeccionar atributos de presión superficial
print(ds_spatial.sp.attrs)

# 3. Verificar dimensiones y tamaño de u10
print(f"Dimensiones: {ds_spatial.u10.dims}")
print(f"Shape: {ds_spatial.u10.shape}")
print(f"Tamaño: {ds_spatial.u10.nbytes / 1024**4:.2f} TB")

Ejercicio 4: Selección espacial con grupo `spatial`¶

Objetivo: Practicar subsetting espacial eficiente para análisis de mapas.

Tarea: Usando el grupo spatial (optimizado para consultas espaciales):

Extrae un mapa de presión superficial (sp) para el 15 de agosto de 2024 a las 12:00 UTC
Selecciona la región de Colombia (lon=[275:300], lat=[14:-3]) para todo el mes de junio 2024
Calcula la temperatura promedio para la Amazonía (lon=[280:300], lat=[-10:5]) el 1 de enero de 2024

# Tu código aquí

Solución

# 1. Mapa de presión (snapshot temporal, análisis espacial completo)
sp_map = ds_spatial.sp.sel(time="2024-08-15 12:00")
print(f"Shape: {sp_map.shape}")  # (721, 1440) - mapa global

# Visualizar
sp_map.plot(cmap="viridis")
plt.title("Presión superficial - 15 agosto 2024 12:00 UTC")

# 2. Región Colombia - mes completo (análisis espaciotemporal)
colombia_jun = ds_spatial.t2.sel(
    time=slice("2024-06-01", "2024-06-30"),
    longitude=slice(275, 300),
    latitude=slice(14, -3)
)
print(f"Shape: {colombia_jun.shape}")  # (720, 69, 101) = 30 días × 24 horas

# 3. Promedio Amazonía para un día
amazon_mean = ds_spatial.t2.sel(
    time="2024-01-01",
    longitude=slice(280, 300),
    latitude=slice(5, -10)
).mean(dim=["time", "latitude", "longitude"])
print(f"Temp promedio Amazonía: {amazon_mean.values - 273.15:.2f} °C")

¿Por qué usar spatial? Estas consultas requieren datos de múltiples ubicaciones espaciales en tiempos específicos. El chunking (time=1, lat=721, lon=1440) carga mapas completos eficientemente.

Ejercicio 5: Cálculos estadísticos¶

Objetivo: Aplicar operaciones estadísticas sobre dimensiones específicas.

Tarea:

Calcula la temperatura promedio global para el año 2020
Encuentra la presión superficial (sp) máxima y mínima para Colombia (lat=[14:-3], lon=[275:300]) durante 2024
Calcula la climatología mensual de temperatura (promedio por mes) para el período 2015-2024

# Tu código aquí

Solución

# 1. Temperatura promedio global 2020
t2_2020 = ds_spatial.t2.sel(time=slice("2020-01-01", "2020-12-31"))
t2_global_mean = t2_2020.mean(dim=["time", "latitude", "longitude"])
print(f"Temperatura global 2020: {t2_global_mean.values - 273.15:.2f} °C")

# 2. Presión máxima/mínima para Colombia en 2024
sp_col_2024 = ds_spatial.sp.sel(
    time=slice("2024-01-01", "2024-12-31"),
    longitude=slice(275, 300),
    latitude=slice(14, -3)
)
print(f"Presión máxima: {sp_col_2024.max().values / 100:.2f} hPa")
print(f"Presión mínima: {sp_col_2024.min().values / 100:.2f} hPa")

# 3. Climatología mensual 2015-2024
t2_period = ds_spatial.t2.sel(time=slice("2015-01-01", "2024-12-31"))
t2_monthly = t2_period.groupby("time.month").mean()
print(t2_monthly)

# Visualizar
(t2_monthly.mean(dim=["latitude", "longitude"]) - 273.15).plot()
plt.title("Climatología mensual global 2015-2024")
plt.ylabel("Temperatura (°C)")
plt.xlabel("Mes")

Ejercicio 6: Series temporales con grupo `temporal`¶

Objetivo: Extraer series temporales largas para ubicaciones específicas (churros).

Tarea: Usando el grupo temporal (optimizado para series de tiempo):

Extrae la serie temporal de viento zonal (u10) para Medellín (lat=6.25, lon=284.5) durante 2023-2024
Calcula la velocidad promedio del viento para Cali (lat=3.4, lon=283.5) por mes en 2024
Compara las series de temperatura para 3 ciudades: Bogotá (4.7, 285.9), Barranquilla (11, 285.2), Pasto (1.2, 282.9) en enero 2024
Identifica el día más cálido del año 2024 en Cartagena (lat=10.4, lon=284.5)

# Tu código aquí

Solución

# 1. Viento zonal Medellín 2023-2024
u10_medellin = ds_temporal.u10.sel(
    time=slice("2023-01-01", "2024-12-31"),
    latitude=6.25,
    longitude=284.5,
    method="nearest"
)
print(f"Viento promedio: {u10_medellin.mean().values:.2f} m/s")
u10_medellin.plot()

# 2. Velocidad viento Cali por mes (2024)
u10_cali = ds_temporal.u10.sel(
    time=slice("2024-01-01", "2024-12-31"),
    latitude=3.4,
    longitude=283.5,
    method="nearest"
)
u10_cali_monthly = u10_cali.groupby("time.month").mean()
print(u10_cali_monthly.values)

# 3. Comparación 3 ciudades
ciudades = {
    "Bogotá": (4.7, 285.9),
    "Barranquilla": (11.0, 285.2),
    "Pasto": (1.2, 282.9)
}

fig, ax = plt.subplots(figsize=(12, 5))
for ciudad, (lat, lon) in ciudades.items():
    temp_ciudad = ds_temporal.t2.sel(
        time=slice("2024-01-01", "2024-01-31"),
        latitude=lat,
        longitude=lon,
        method="nearest"
    ) - 273.15
    temp_ciudad.plot(ax=ax, label=ciudad, alpha=0.7)

ax.legend()
ax.set_title("Temperatura - Enero 2024")
ax.set_ylabel("Temperatura (°C)")
ax.grid(True, alpha=0.3)

# 4. Día más cálido Cartagena 2024
t2_cartagena = ds_temporal.t2.sel(
    time=slice("2024-01-01", "2024-12-31"),
    latitude=10.4,
    longitude=284.5,
    method="nearest"
)
dia_max = t2_cartagena.argmax().values
temp_max = t2_cartagena.max().values - 273.15
fecha_max = t2_cartagena.isel(time=dia_max).time.values
print(f"Día más cálido: {fecha_max}, Temperatura: {temp_max:.2f} °C")

¿Por qué usar temporal? Estas consultas requieren largas series de tiempo en ubicaciones puntuales. El chunking (time=8736, lat=12, lon=12) carga años completos eficientemente para regiones pequeñas.

Aplicaciones científicas

Cambio Climático: Ensamble multimodelo

Aplicaciones científicas

Perfiles Cuasi-Verticales (Quasi-Vertical Profiles)

Introducción¶

📚 Descripción general¶

✅ Requisitos previos¶

Librerías¶

Autenticación con ArrayLake¶

1. 🌍 Introducción a ERA5¶

1.1. 📌 ¿Qué es un Reanálisis?¶

1.2. 📎 Características clave de ERA5¶

2. ☁️ Acceso a datos ERA5 con ArrayLake¶

Grupos de datos¶

3. 🗺️ Grupo Spatial - Análisis espacial¶

3.1. 🔓 Apertura del grupo spatial¶

3.2. 📋 Contenido del conjunto de datos¶

3.3. 💾 Tamaño del conjunto de datos¶

3.4. 🌍 Visualización: Mapa global¶

3.5. 🇨🇴 Subsetting espacial: Colombia¶

✏️ Ejercicio 1: Practica subsetting espacial¶

4. ⏱️ Grupo Temporal - Series de tiempo¶

4.1. 🔓 Apertura del grupo temporal¶

4.2. 📈 Serie temporal para Bogotá¶

Extracción de serie temporal para Bogotá¶

Visualización de la serie temporal¶

Cálculo de climatología mensual¶

✏️ Ejercicio 2: Practica series temporales¶

5. ¿Qué sigue?¶

Proyecto sugerido¶

6. ✅ Conclusiones¶

📚 Recursos y referencias¶

7. ✏️ Ejercicios adicionales¶

Ejercicio 4: Selección espacial con grupo spatial¶

Ejercicio 5: Cálculos estadísticos¶

Ejercicio 6: Series temporales con grupo temporal¶

Ejercicio 4: Selección espacial con grupo `spatial`¶

Ejercicio 6: Series temporales con grupo `temporal`¶