Estaciones hidrometeorológicas
Introducción
En este cuadernillo (Notebook) aprenderemos:
Introduccion a la red de monitoreo del IDEAM
Cátalogo de estaciones de IDEAM
Consulta de datos usando la plataforma datosabiertos.gov.co
Consulta de datos de temperatura y precipitación
Otros datos disponibles
Prerequisitos
Conceptos |
Importancia |
Notas |
|---|---|---|
Necesario |
Lectura de datos tabulares |
|
Necesario |
Entender estampas de tiempo |
|
Necesario |
Entender estampas de tiempo |
|
Útil |
Mapas interactivos |
Tiempo de aprendizaje: 30 minutos
1. Catálogo nacional de estaciones de IDEAM
Según el catálogo de estaciones hidrometeorológicas del IDEAM, el país cuenta con alrededor de 4.400 estaciones de diferentes categorías. En el siguiente cuadro se resume el estado de las estaciones por categoría de acuerdo a la PQR No. 20229050190832 (Enero de 2023)
Categoría |
Activa |
Mantenimiento |
Suspendidas |
|---|---|---|---|
Limnográfica |
287 |
109 |
106 |
Climátologica principal |
215 |
60 |
92 |
Mareográfica |
4 |
2 |
2 |
Pluviográfica |
104 |
0 |
87 |
Limnométrica |
323 |
11 |
557 |
Climática Ordinaria |
211 |
31 |
253 |
Agrometeorológica |
51 |
4 |
57 |
Radio Sonda |
6 |
2 |
2 |
Pluviométrica |
1109 |
9 |
603 |
Meteorológica Especial |
40 |
4 |
68 |
Sinóptica Principal |
27 |
3 |
4 |
Sinóptica Secundaria |
2 |
0 |
5 |
Total |
2381 |
235 |
1866 |
Librerías
A continuación vamos a importar las librerías que utilizaremos en este cuadernillo.
from datetime import datetime, timedelta
import cartopy.crs as ccrs
import cartopy.feature as feature
import matplotlib.pyplot as plt
import pandas as pd
from matplotlib.dates import DateFormatter, HourLocator
from pandas import to_datetime
2. Acceso al catálogo en bart.ideam.gov.co
El catálogo nacional de estaciones del IDEAM actualizado se encuentra disponible en el servidor Bart. Podemos leer el catálogo usando pandas.read_excel como se muestra a continuación:
df_cat = pd.read_excel("http://bart.ideam.gov.co/cneideam/CNE_IDEAM.xls")
# df_cat.head()
df_cat.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4493 entries, 0 to 4492
Data columns (total 21 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 OBJECTID 4493 non-null int64
1 CODIGO 4493 non-null int64
2 nombre 4493 non-null object
3 CATEGORIA 4493 non-null object
4 TECNOLOGIA 4493 non-null object
5 ESTADO 4493 non-null object
6 FECHA_INSTALACION 4492 non-null datetime64[ns]
7 altitud 4493 non-null int64
8 latitud 4493 non-null float64
9 longitud 4493 non-null float64
10 DEPARTAMENTO 4493 non-null object
11 MUNICIPIO 4493 non-null object
12 AREA_OPERATIVA 4493 non-null object
13 AREA_HIDROGRAFICA 4493 non-null object
14 ZONA_HIDROGRAFICA 4493 non-null object
15 observacion 1332 non-null object
16 CORRIENTE 4493 non-null object
17 FECHA_SUSPENSION 1844 non-null datetime64[ns]
18 SUBZONA_HIDROGRAFICA 4493 non-null object
19 ENTIDAD 4493 non-null object
20 subred 1143 non-null object
dtypes: datetime64[ns](2), float64(2), int64(3), object(14)
memory usage: 737.3+ KB
2.1 Mapa de estaciones
Podemos usar cartopy para hacer un mapa y visualizar las estaciones de monitoreo en el país
fig, ax = plt.subplots(subplot_kw={"projection": ccrs.PlateCarree()}, dpi=150)
ax.coastlines()
gl = ax.gridlines(draw_labels=True, crs=ccrs.PlateCarree())
ax.scatter(df_cat["longitud"], df_cat["latitud"], transform=ccrs.PlateCarree(), s=0.5)
ax.add_feature(feature.LAND)
ax.add_feature(feature.OCEAN)
ax.add_feature(feature.COASTLINE, linewidth=0.5)
ax.add_feature(feature.BORDERS, linewidth=0.5)
<cartopy.mpl.feature_artist.FeatureArtist at 0x7fb347bc6f50>
/usr/share/miniconda3/envs/atmoscol2023/lib/python3.11/site-packages/cartopy/io/__init__.py:241: DownloadWarning: Downloading: https://naturalearth.s3.amazonaws.com/50m_physical/ne_50m_land.zip
warnings.warn(f'Downloading: {url}', DownloadWarning)
/usr/share/miniconda3/envs/atmoscol2023/lib/python3.11/site-packages/cartopy/io/__init__.py:241: DownloadWarning: Downloading: https://naturalearth.s3.amazonaws.com/50m_physical/ne_50m_ocean.zip
warnings.warn(f'Downloading: {url}', DownloadWarning)
/usr/share/miniconda3/envs/atmoscol2023/lib/python3.11/site-packages/cartopy/io/__init__.py:241: DownloadWarning: Downloading: https://naturalearth.s3.amazonaws.com/50m_physical/ne_50m_coastline.zip
warnings.warn(f'Downloading: {url}', DownloadWarning)
/usr/share/miniconda3/envs/atmoscol2023/lib/python3.11/site-packages/cartopy/io/__init__.py:241: DownloadWarning: Downloading: https://naturalearth.s3.amazonaws.com/50m_cultural/ne_50m_admin_0_boundary_lines_land.zip
warnings.warn(f'Downloading: {url}', DownloadWarning)
podemos agrupar la data por área operativa, tipo de estación, tecnología, y otras variables
# df_grp = df_cat.groupby('AREA_OPERATIVA')
# df_grp = df_cat.groupby('TECNOLOGIA')
df_grp = df_cat.groupby("ESTADO")
fig, ax = plt.subplots(subplot_kw={"projection": ccrs.PlateCarree()}, dpi=150)
for _, group in df_grp:
ax.scatter(
group["longitud"],
group["latitud"],
transform=ccrs.PlateCarree(),
s=0.5,
label=_,
)
ax.coastlines()
gl = ax.gridlines(draw_labels=True, crs=ccrs.PlateCarree())
ax.add_feature(feature.LAND)
ax.add_feature(feature.OCEAN)
ax.add_feature(feature.COASTLINE, linewidth=0.5)
ax.add_feature(feature.BORDERS, linewidth=0.5)
ax.legend(fontsize=5)
<matplotlib.legend.Legend at 0x7fb347bb14d0>
Podemos validar el número total de estaciones activas, en matenimiento y suspendidas de acuerdo con la información contenida en el catálogo
for grp in df_grp.groups.keys():
print(f"{grp}: {len(df_grp.get_group(grp))}")
Activa: 2198
En Mantenimiento: 429
Suspendida: 1866
2.2 Mapa de estaciones interactivo
También podemos hacer mapas interactivos usando folium
import folium
from folium import plugins
from folium.plugins import MarkerCluster
min_lon, max_lon, min_lat, max_lat = -90, -72, -1, 14
map_ = folium.Map(
location=[8, -76],
zoom_start=6,
min_lat=min_lat,
max_lat=max_lat,
min_lon=min_lon,
max_lon=max_lon,
zoom_control=False,
control_scale=True,
scrollWheelZoom=True,
width=1000,
height=600,
)
marker_cluster = MarkerCluster(name="Estaciones").add_to(map_)
folium.TileLayer("cartodbpositron").add_to(map_)
folium.TileLayer("openstreetmap").add_to(map_)
folium.TileLayer("cartodbdark_matter").add_to(map_)
folium.LayerControl().add_to(map_)
minimap = plugins.MiniMap()
_ = map_.add_child(minimap)
Ahora agregamos las estaciones usando la siguiente función:
def plot_station(row):
"""input: series that contains a numeric named latitude and a numeric named longitude
this function creates a CircleMarker and adds it to your this_map"""
html = row.to_frame("_").to_html(
classes="table table-striped table-hover table-condensed table-responsive"
)
popup = folium.Popup(html, max_width=2650)
folium.Marker(location=[row.latitud, row.longitud], popup=popup).add_to(
marker_cluster
)
df_cat.apply(plot_station, axis=1)
map_
3. Acceso a la información histórica de IDEAM usando datosabiertos.gov.co
la información histórica de múltiples sensores se puede consultar a través de la plataforma de datos abiertos usando el aplicativo sodapy. Socrata utiliza un módulo denominado Socrata que permite realizar consultas al repositorio. Cada variable hidrometeorógica dispuesta se puede consultar usando el su respectivo código del set de datos.
Variable |
Código del set de datos |
|---|---|
kiw7-v9ta |
|
bdmn-sqnh |
|
afdg-3zpb |
|
ccvq-rp9s |
|
sgfv-3yp8 |
|
vfth-yucv |
|
pt9a-aamx |
|
uext-mhny |
|
sbwg-7ju4 |
|
7z6g-yx9q |
|
uxy3-jchf |
|
ia8x-22em |
|
62tk-nxj5 |
|
s54a-sgyg |
# importamos la libreria Socrata
from sodapy import Socrata
3.1 Precipitación (s54a-sgyg)
Vamos a consultar los datos de precipitación reportada en la página, por ende vamos a usar el código s54a-sgyg. Para esto usamos el método Socrata, pasamos la dirección del repositorio y None que corresponde a la no autenticación
# conexión cliente usando socrata al repositorio de datos abiertos
client = Socrata("www.datos.gov.co", None)
WARNING:root:Requests made without an app_token will be subject to strict throttling limits.
Una vez creado el cliente empezamos a hacer la consulta de datos usando client.get y pasando los respectivos parámetros dataset_identifier, de la tabla anterior , y limit para generar consultas no muy grandes para efectos demostrativos. El resultado es una lista con múltiples diccionarios como se puede ver a continuación.
# Solicitud de informacion al repositorio de interés
results = client.get(dataset_identifier="s54a-sgyg", limit=2000)
results[:1]
[{'codigoestacion': '0021206940',
'codigosensor': '0240',
'fechaobservacion': '2008-12-31T22:20:00.000',
'valorobservado': '0',
'nombreestacion': 'CIUDAD BOLIVAR',
'departamento': 'BOGOTA D.C.',
'municipio': 'BOGOTA, D.C',
'zonahidrografica': 'ALTO MAGDALENA',
'latitud': '4.577',
'longitud': '-74.177',
'descripcionsensor': 'Precipitacion',
'unidadmedida': 'mm'}]
Estos resultados los podemos convertir en un Dataframe usando pandas.Dataframe.from_records
results_df = pd.DataFrame.from_records(results)
results_df.head()
| codigoestacion | codigosensor | fechaobservacion | valorobservado | nombreestacion | departamento | municipio | zonahidrografica | latitud | longitud | descripcionsensor | unidadmedida | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 0021206940 | 0240 | 2008-12-31T22:20:00.000 | 0 | CIUDAD BOLIVAR | BOGOTA D.C. | BOGOTA, D.C | ALTO MAGDALENA | 4.577 | -74.177 | Precipitacion | mm |
| 1 | 0024035250 | 0240 | 2019-05-31T21:40:00.000 | 0 | CHITA - AUT | BOYACÁ | CHITA | SOGAMOSO | 6.188333333 | -72.46633333 | Precipitacion | mm |
| 2 | 0026137220 | 0240 | 2019-01-08T21:30:00.000 | 0 | EL RETEN - AUT | RISARALDA | SANTA ROSA DE CABAL | CAUCA | 4.728194444 | -75.60344444 | Precipitacion | mm |
| 3 | 0024035390 | 0240 | 2008-07-10T12:30:00.000 | 1.6 | PARAMO ALMORZADERO - AUT | SANTANDER | CERRITO | SOGAMOSO | 6.945388889 | -72.69633333 | Precipitacion | mm |
| 4 | 0013095010 | 0240 | 2016-07-28T12:00:00.000 | 0 | COVEÑAS - DIMAR | SUCRE | TOLÚ | CARIBE - LITORAL | 9.383 | -75.667 | Precipitacion | mm |
Ahora podemos usar filtrar los datos por diferentes campos como el codigoestacion, fechaobservacion, o valorobservado. Podemos pasar parámetros SQL como where, AND, IN, entre otros, en el método client.get
# client.get?
# Solicitud de informacion para la estación de la Universidad Nacional - Bogotá - 0021205012
ppt_query = client.get(
dataset_identifier="s54a-sgyg",
select="fechaobservacion, valorobservado, codigoestacion",
where="codigoestacion IN ('0021205012') \
AND fechaobservacion > '2017'",
)
df_est = pd.DataFrame.from_records(ppt_query)
df_est.head()
| fechaobservacion | valorobservado | codigoestacion | |
|---|---|---|---|
| 0 | 2017-06-15T01:00:00.000 | 0 | 0021205012 |
| 1 | 2018-07-04T13:20:00.000 | 0 | 0021205012 |
| 2 | 2019-08-16T05:50:00.000 | 0 | 0021205012 |
| 3 | 2017-01-13T11:30:00.000 | 0 | 0021205012 |
| 4 | 2017-08-31T14:40:00.000 | 0 | 0021205012 |
Gráfico de la serie temporal
Podemos generar una serie temporal usando la información resultado de la consulta. Sin embargo, primero debemos revisar el tipo de dato de cada columna
df_est.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1000 entries, 0 to 999
Data columns (total 3 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 fechaobservacion 1000 non-null object
1 valorobservado 1000 non-null object
2 codigoestacion 1000 non-null object
dtypes: object(3)
memory usage: 23.6+ KB
df_est["fechaobservacion"] = pd.to_datetime(df_est["fechaobservacion"])
df_est.set_index("fechaobservacion", inplace=True)
df_est.valorobservado = df_est["valorobservado"].astype(float)
df_est = df_est.sort_index()
df_est.tail()
| valorobservado | codigoestacion | |
|---|---|---|
| fechaobservacion | ||
| 2019-08-24 08:50:00 | 0.0 | 0021205012 |
| 2019-08-26 11:30:00 | 0.0 | 0021205012 |
| 2019-08-26 14:00:00 | 0.0 | 0021205012 |
| 2019-08-27 16:00:00 | 0.0 | 0021205012 |
| 2019-08-27 19:20:00 | 0.0 | 0021205012 |
# pd.options.plotting.backend = 'holoviews'
fig, ax = plt.subplots(figsize=(12, 3))
df_est["valorobservado"].plot(ax=ax, drawstyle="steps")
<Axes: xlabel='fechaobservacion'>
Podemos solicitar información para estaciones que reportan datos en el último mes
ppt_query = client.get(
dataset_identifier="s54a-sgyg",
select="fechaobservacion, valorobservado, codigoestacion, nombreestacion",
where="fechaobservacion > '2023-09-11'",
)
df_ult = pd.DataFrame.from_records(ppt_query)
df_ult.head()
| fechaobservacion | valorobservado | codigoestacion | nombreestacion | |
|---|---|---|---|---|
| 0 | 2023-09-11T00:01:00.000 | 0 | 3502500135 | GUAYABETAL POLLO OLIMPICO - AUT |
| 1 | 2023-09-11T00:03:00.000 | 0 | 3502500135 | GUAYABETAL POLLO OLIMPICO - AUT |
| 2 | 2023-09-11T00:04:00.000 | 0 | 3502500135 | GUAYABETAL POLLO OLIMPICO - AUT |
| 3 | 2023-09-11T00:05:00.000 | 0 | 0026177030 | LA VIRGINIA |
| 4 | 2023-09-11T00:05:00.000 | 0 | 3502500135 | GUAYABETAL POLLO OLIMPICO - AUT |
3.2 Temperatura (sbwg-7ju4)
De manera similar podemos consultar otros registros como los de temperatura. Cambiamos el identificador de set de datos y generamos una nueva consulta
# Solicitud de informacion para la estación de la Universidad Nacional - Bogotá - 0021205012
temp_query = client.get(
dataset_identifier="sbwg-7ju4",
select="fechaobservacion, valorobservado, codigoestacion",
where="codigoestacion IN ('0021205012') \
AND fechaobservacion > '2017'",
)
df_temp = pd.DataFrame.from_records(temp_query)
df_temp.index = pd.to_datetime(df_temp["fechaobservacion"])
df_temp.valorobservado = df_temp["valorobservado"].astype(float)
df_temp = df_temp.sort_index()
df_temp.tail()
| fechaobservacion | valorobservado | codigoestacion | |
|---|---|---|---|
| fechaobservacion | |||
| 2020-01-22 08:00:00 | 2020-01-22T08:00:00.000 | 13.6 | 0021205012 |
| 2020-01-22 10:00:00 | 2020-01-22T10:00:00.000 | 18.1 | 0021205012 |
| 2020-01-22 12:00:00 | 2020-01-22T12:00:00.000 | 17.6 | 0021205012 |
| 2020-01-22 16:00:00 | 2020-01-22T16:00:00.000 | 17.7 | 0021205012 |
| 2020-01-22 21:00:00 | 2020-01-22T21:00:00.000 | 13.8 | 0021205012 |
fig, ax = plt.subplots(figsize=(12, 3))
df_temp["valorobservado"].plot(c="C00", lw=0.5, ax=ax)
<Axes: xlabel='fechaobservacion'>
4. Datos en tiempo “Causi-real” de IDEAM
De igual manera, el IDEAM dispone de una tabla de datos en tiempo cercano a la medición. Esta tabla corresponde al dataset_identifier="57sv-p2fu". Generemos una consulta básica para ver los campos contenidos dentro de esta tabla en el último día
time_now = datetime.now()
time = time_now - timedelta(days=10)
time
datetime.datetime(2023, 11, 2, 20, 39, 54, 356837)
Convertimos la fecha en un str para incluirlo en la consulta
time_str = f"{to_datetime(time):%Y-%m-%d}"
time_str
'2023-11-02'
nrt_query = client.get(
dataset_identifier="57sv-p2fu",
select="*",
where="fechaobservacion >= '{}'".format(time_str),
limit=2000,
)
df_nrt = pd.DataFrame.from_records(nrt_query)
df_nrt.head()
| codigoestacion | codigosensor | fechaobservacion | valorobservado | nombreestacion | departamento | municipio | zonahidrografica | latitud | longitud | descripcionsensor | unidadmedida | entidad | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 3502500135 | 0028 | 2023-11-11T23:06:00.000 | 100 | GUAYABETAL POLLO OLIMPICO | CUNDINAMARCA | GUAYABETAL | META | 4.22553 | -73.81481 | GPRS - HUMEDAD DEL AIRE A 2 m | % | INSTITUTO DE HIDROLOGIA METEOROLOGIA Y ESTUDIO... |
| 1 | 0029045190 | 0258 | 2023-11-11T23:04:00.000 | 1005.7 | AEROPUERTO E. CORTISSOZ | ATLANTICO | SOLEDAD | BAJO MAGDALENA | 10.91777778 | -74.77972222 | GPRS - PRESIÓN ATMOSFÉRICA | hPA | INSTITUTO DE HIDROLOGIA METEOROLOGIA Y ESTUDIO... |
| 2 | 0052055230 | 0257 | 2023-11-11T23:04:00.000 | 0 | AEROPUERTO SAN LUIS | NARIÑO | ALDANA | PATÍA | 0.85708333 | -77.67775 | GPRS - PRECIPITACIÓN | mm | INSTITUTO DE HIDROLOGIA METEOROLOGIA Y ESTUDIO... |
| 3 | 0017015010 | 0028 | 2023-11-12T14:06:00.000 | 74 | AEROPUERTO SESQUICENTENARIO | ARCHIPIÉLAGO DE SAN ANDRES PROVIDENCIA Y SANTA... | SAN ANDRÉS | ISLAS CARIBE | 12.587849 | -81.701117 | GPRS - HUMEDAD DEL AIRE A 2 m | % | INSTITUTO DE HIDROLOGIA METEOROLOGIA Y ESTUDIO... |
| 4 | 0028025090 | 0240 | 2023-11-12T08:00:00.000 | 0 | CENTENARIO HACIENDA | CESAR | AGUSTÍN CODAZZI | CESAR | 9.85025 | -73.26547222 | PRECIPITACIÓN | mm | INSTITUTO DE HIDROLOGIA METEOROLOGIA Y ESTUDIO... |
Los primeros registros nos indican que hay mediciones cercanas a las fechas de la ejecución de este cuadernillo. Generemos una consulta más específica para la estacion 0024035340 correspondiente al Aeropuerto Alberto Lleras Camargo de Sogamoso.
cod_est = "0024035340"
aero_query = client.get(
dataset_identifier="57sv-p2fu",
select="*",
where="fechaobservacion >= '{}'\
AND codigoestacion IN ('{}')".format(
time_str, cod_est
),
limit=2000,
)
df_aero = pd.DataFrame.from_records(aero_query)
df_aero.head(10)
| codigoestacion | codigosensor | fechaobservacion | valorobservado | nombreestacion | departamento | municipio | zonahidrografica | latitud | longitud | descripcionsensor | unidadmedida | entidad | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 0024035340 | 0028 | 2023-11-12T06:54:00.000 | 100 | AEROPUERTO A LLERAS C | BOYACÁ | SOGAMOSO | SOGAMOSO | 5.67694444 | -72.96791667 | GPRS - HUMEDAD DEL AIRE A 2 m | % | INSTITUTO DE HIDROLOGIA METEOROLOGIA Y ESTUDIO... |
| 1 | 0024035340 | 0257 | 2023-11-12T06:54:00.000 | 0 | AEROPUERTO A LLERAS C | BOYACÁ | SOGAMOSO | SOGAMOSO | 5.67694444 | -72.96791667 | GPRS - PRECIPITACIÓN | mm | INSTITUTO DE HIDROLOGIA METEOROLOGIA Y ESTUDIO... |
| 2 | 0024035340 | 0111 | 2023-11-12T06:54:00.000 | 0.8 | AEROPUERTO A LLERAS C | BOYACÁ | SOGAMOSO | SOGAMOSO | 5.67694444 | -72.96791667 | GPRS - VELOCIDAD DEL VIENTO | m/s | INSTITUTO DE HIDROLOGIA METEOROLOGIA Y ESTUDIO... |
| 3 | 0024035340 | 0071 | 2023-11-12T06:54:00.000 | 8.4 | AEROPUERTO A LLERAS C | BOYACÁ | SOGAMOSO | SOGAMOSO | 5.67694444 | -72.96791667 | GPRS - TEMPERATURA DEL AIRE A 2 m | °C | INSTITUTO DE HIDROLOGIA METEOROLOGIA Y ESTUDIO... |
| 4 | 0024035340 | 0257 | 2023-11-12T11:14:00.000 | 0 | AEROPUERTO A LLERAS C | BOYACÁ | SOGAMOSO | SOGAMOSO | 5.67694444 | -72.96791667 | GPRS - PRECIPITACIÓN | mm | INSTITUTO DE HIDROLOGIA METEOROLOGIA Y ESTUDIO... |
| 5 | 0024035340 | 0258 | 2023-11-12T11:14:00.000 | 759.2 | AEROPUERTO A LLERAS C | BOYACÁ | SOGAMOSO | SOGAMOSO | 5.67694444 | -72.96791667 | GPRS - PRESIÓN ATMOSFÉRICA | hPA | INSTITUTO DE HIDROLOGIA METEOROLOGIA Y ESTUDIO... |
| 6 | 0024035340 | 0104 | 2023-11-12T12:50:00.000 | 86 | AEROPUERTO A LLERAS C | BOYACÁ | SOGAMOSO | SOGAMOSO | 5.67694444 | -72.96791667 | DIRECCIÓN DEL VIENTO | GN | INSTITUTO DE HIDROLOGIA METEOROLOGIA Y ESTUDIO... |
| 7 | 0024035340 | 0111 | 2023-11-12T09:12:00.000 | 0.2 | AEROPUERTO A LLERAS C | BOYACÁ | SOGAMOSO | SOGAMOSO | 5.67694444 | -72.96791667 | GPRS - VELOCIDAD DEL VIENTO | m/s | INSTITUTO DE HIDROLOGIA METEOROLOGIA Y ESTUDIO... |
| 8 | 0024035340 | 0258 | 2023-11-12T06:54:00.000 | 758.9 | AEROPUERTO A LLERAS C | BOYACÁ | SOGAMOSO | SOGAMOSO | 5.67694444 | -72.96791667 | GPRS - PRESIÓN ATMOSFÉRICA | hPA | INSTITUTO DE HIDROLOGIA METEOROLOGIA Y ESTUDIO... |
| 9 | 0024035340 | 0258 | 2023-11-12T09:12:00.000 | 760 | AEROPUERTO A LLERAS C | BOYACÁ | SOGAMOSO | SOGAMOSO | 5.67694444 | -72.96791667 | GPRS - PRESIÓN ATMOSFÉRICA | hPA | INSTITUTO DE HIDROLOGIA METEOROLOGIA Y ESTUDIO... |
Para validar los sensores que tiene esta estacion podemo usar el método .unique() de Pandas
df_aero["codigosensor"].unique()
array(['0028', '0257', '0111', '0071', '0258', '0104', '0103', '0240',
'0027', '0068', '0255', '0069', '0070'], dtype=object)
Podemos centrar aún mas la consulta agregándole el sensor de temperatura codigosensor=0071
cod_sensor = "0071"
aero_query = client.get(
dataset_identifier="57sv-p2fu",
select="fechaobservacion, valorobservado",
where="fechaobservacion >= '{}'\
AND codigoestacion IN ('{}') \
AND codigosensor IN ('{}')".format(
time_str, cod_est, cod_sensor
),
limit=2000,
)
df_aero = pd.DataFrame.from_records(aero_query)
df_aero
| fechaobservacion | valorobservado | |
|---|---|---|
| 0 | 2023-11-12T06:54:00.000 | 8.4 |
| 1 | 2023-11-12T11:14:00.000 | 18.2 |
| 2 | 2023-11-12T06:56:00.000 | 8.5 |
| 3 | 2023-11-12T13:00:00.000 | 21.6 |
| 4 | 2023-11-12T11:16:00.000 | 18.2 |
| ... | ... | ... |
| 714 | 2023-11-12T00:46:00.000 | 7.7 |
| 715 | 2023-11-12T00:48:00.000 | 7.8 |
| 716 | 2023-11-12T00:50:00.000 | 7.8 |
| 717 | 2023-11-12T00:52:00.000 | 7.6 |
| 718 | 2023-11-12T00:54:00.000 | 7.6 |
719 rows × 2 columns
Ahora generemos un gráfico rápido de la serie de temperatura para las últimas 24 horas
fig, ax = plt.subplots(figsize=(10, 3))
df_aero.index = pd.to_datetime(df_aero["fechaobservacion"])
df_aero.valorobservado = df_aero["valorobservado"].astype(float)
df_aero.plot(ax=ax)
ax.xaxis.set_major_locator(HourLocator(interval=4)) # tick every four hours
ax.xaxis.set_major_formatter(DateFormatter("%m-%d\n%H:%M"))
Conclusiones
En este cuadernillo aprendimos una manera fácil y rápida como acceder a la información histórica y presente de las estaciones hidrometeorológicas del IDEAM. De igual modo aprendimos a visualizar las estaciones usando mapas interactivos. También aprendimos a generar consultas a diferentes grupos de datos usando sintaxis SQL y el aplicativo socrata de la plataforma de datos abiertos del gobierno Colombiano.