{"id":1895,"date":"2016-07-05T13:57:45","date_gmt":"2016-07-05T12:57:45","guid":{"rendered":"http:\/\/www.ccapitalia.net\/?p=1895"},"modified":"2024-03-25T18:50:14","modified_gmt":"2024-03-25T17:50:14","slug":"analisis-del-clima-10-000-kilometros-despues","status":"publish","type":"post","link":"https:\/\/ccapitalia.net\/?p=1895","title":{"rendered":"An\u00e1lisis del clima, 10.000 kil\u00f3metros despu\u00e9s"},"content":{"rendered":"

Adolfo Garc\u00eda Yag\u00fce<\/a> | Quienes est\u00e1is siguiendo el d\u00eda a d\u00eda de esta aventura, habr\u00e9is apreciado que hace unas semanas se produjeron peque\u00f1os saltos en el itinerario de Hugo. Esto obedece a que tuvimos cortes espor\u00e1dicos en la comunicaci\u00f3n de la Pasarela IoT<\/a>. Como sab\u00e9is la pasarela est\u00e1 permanentemente conectada y env\u00eda datos cada pocos segundos.<\/p>\n

A partir del an\u00e1lisis de los datos recogidos por la Pasarela tenemos la sospecha de que existe cierta relaci\u00f3n entre estas p\u00e9rdidas de conexi\u00f3n con una deficiente cobertura m\u00f3vil y un fuerte incremento de la temperatura. Los problemas se manifestaron en el momento en el que Hugo lleg\u00f3 a Kazajist\u00e1n y Uzbekist\u00e1n. Analizando los datos de temperatura recogidos en el interior de la Pasarela (microprocesador, etapa radio y un sensor en placa) hemos descubierto que cuando se alcanza una temperatura pr\u00f3xima a 65\u00baC, la exterior sobrepasa 43\u00baC, y adem\u00e1s la cobertura es muy baja acontece el fallo. Trabajamos sobre la hip\u00f3tesis de que la baja cobertura hace que la radio de la pasarela IoT eleve la ganancia de sus amplificadores para garantizar la comunicaci\u00f3n. Como es normal, esta amplificaci\u00f3n eleva la temperatura del conjunto de radio afectando a la tarjeta SIM. Todav\u00eda no lo sabemos con certeza, s\u00f3lo han sido tres fallos y no hemos podido identificar un patr\u00f3n claro.<\/p>\n

Ante esta situaci\u00f3n -que tiene dif\u00edcil an\u00e1lisis a m\u00e1s de 10.000 kil\u00f3metros de distancia y en ruta- estamos coordinando con Hugo la sustituci\u00f3n de la Pasarela IoT a su llegada a San Francisco. Entretanto confiamos que durante su periplo ruso la climatolog\u00eda y la cobertura m\u00f3vil sean m\u00e1s ben\u00e9volas.<\/p>\n

Aprovechando que hemos tenido que enfrentarnos a datos clim\u00e1ticos, \u00bfpor qu\u00e9 no hacer un repaso del primer mes de Globalrider desde la perspectiva meteorol\u00f3gica?<\/p>\n

\"Globalrider<\/a><\/p>\n

 <\/p>\n

Evoluci\u00f3n de la temperatura<\/strong>
\nEn el siguiente gr\u00e1fico queda reflejada la evoluci\u00f3n t\u00e9rmica durante los primeros 32 d\u00edas. Para esta representaci\u00f3n gr\u00e1fica hemos recurrido a un mapa de calor<\/em>. En este tipo de gr\u00e1ficos se asocia un color al valor de un dato o, como en nuestro caso, a la media aritm\u00e9tica de la temperatura registrada durante una hora. En este mapa destaca con gran claridad el cambio de temperatura que sufri\u00f3 Scagnetti en su paso por Turqu\u00eda (d\u00edas 12 y 13 de junio) hacia Asia Central (a partir del d\u00eda 20 de junio). A partir de aqu\u00ed hubo d\u00edas que registramos temperaturas por encima de 40 grados a la sombra. Es decir, el sol no incid\u00eda directamente sobre el sensor.<\/p>\n

\"Globalrider<\/a><\/p>\n

El mapa de calor tambi\u00e9n revela los momentos donde nuestra Pasarela IoT sufri\u00f3 los efectos antes comentados: 13h del d\u00eda 20, 11h del d\u00eda 25 y 9h del d\u00eda 26. Por \u00faltimo, los huecos en blanco, corresponden a momentos en los que la pasarela ha permanecido apagada sin registrar datos.<\/p>\n

 <\/p>\n

Humedad relativa y presi\u00f3n atmosf\u00e9rica, adem\u00e1s de temperatura<\/strong>
\nEl an\u00e1lisis anterior podemos enriquecerlo a\u00f1adiendo los datos de humedad y presi\u00f3n atmosf\u00e9rica. Si adem\u00e1s fu\u00e9ramos capaces de medir la velocidad del viento y registrar las precipitaciones estar\u00edamos a un paso de convertir a Hugo en \u201cel se\u00f1or del tiempo\u201d. En efecto, estos cinco elementos definen el clima y su an\u00e1lisis es la esencia de la predicci\u00f3n del tiempo. Aunque nos gustar\u00eda, nosotros no somos capaces de llegar tan lejos y solo nos limitaremos a realizar alg\u00fan razonamiento sobre climatolog\u00eda a partir de los datos que vamos recogiendo y procesando.<\/p>\n

En la siguiente tabla hemos reunido los registros de temperatura, humedad relativa del aire y presi\u00f3n atmosf\u00e9rica. Para hacernos una idea del perfil del clima por cada d\u00eda de traves\u00eda, presentamos el valor m\u00ednimo, m\u00e1ximo y calculamos la media.<\/p>\n

\"Globalrider<\/a><\/p>\n

Con permiso de los lectores m\u00e1s adelantados, antes de pasar a la interpretaci\u00f3n de datos, haremos un peque\u00f1o repaso del concepto humedad relativa y presi\u00f3n atmosf\u00e9rica.<\/p>\n

La humedad relativa del aire, como su nombre indica, es una variable con la que medimos la humedad del aire, ahora bien, esta medida es relativa a la temperatura. Esto significa que no podemos medir correctamente un dato de humedad relativa sin conocer la temperatura a la que se ha tomado la muestra. Para comprender esta relaci\u00f3n debemos recurrir a la F\u00edsica. Esta nos dice que una masa de aire a una temperatura alta es capaz de contener m\u00e1s agua en estado gaseoso que la misma masa de aire a una temperatura inferior. Por lo tanto la capacidad de \u201calmacenar\u201d vapor de agua (o humedad) en un volumen de aire viene determinado por la temperatura. Cuando esta masa de aire no puede almacenar m\u00e1s vapor decimos que se satura porque alcanza el 100% de su capacidad, produci\u00e9ndose a continuaci\u00f3n el fen\u00f3meno de condensaci\u00f3n que se manifiesta en forma de lluvia, nieve, granizo, niebla, roc\u00edo o escarcha.<\/p>\n

\"Globalrider<\/a><\/p>\n

La presi\u00f3n atmosf\u00e9rica indica la fuerza que ejerce la atmosfera sobre la superficie terrestre. Se mide en milibares. Esta presi\u00f3n no es uniforme a lo largo y ancho de nuestro planeta y depende de factores como la altitud, latitud y la temperatura. Esto quiere decir que, en condiciones atmosf\u00e9ricas iguales, si estamos en lo alto de una monta\u00f1a mediremos menos presi\u00f3n atmosf\u00e9rica que si nos encontramos a nivel del mar. De manera inversa la relaci\u00f3n entre temperatura y presi\u00f3n demuestra que, a menor temperatura, la presi\u00f3n atmosf\u00e9rica se incrementa. Esto provoca que el aire tenga m\u00e1s densidad y tiende a descender hacia la superficie provocando una zona de alta presi\u00f3n o anticicl\u00f3n. Por el contrario, el aire caliente, al tener menor densidad, se eleva lo que provoca que baje la presi\u00f3n generando una zona de borrasca. El viento es un fen\u00f3meno atmosf\u00e9rico que se origina por la diferencias de presi\u00f3n entre anticicl\u00f3n y borrasca. \u00c9ste circula desde la zona anticicl\u00f3nica hacia la borrasca.<\/p>\n

 <\/p>\n

An\u00e1lisis descriptivo de tormentas<\/strong>
\nCon los datos recogidos por Hugo vamos a intentar identificar el desarrollo de una tormenta. Si revisamos la tabla anterior notaremos que la humedad relativa m\u00e1xima de los d\u00edas 27, 28 y 29 de mayo, as\u00ed como la de los d\u00edas 2, 5, 7, 12 y 27 de junio superan el 70%. Con mucha cautela vamos a tomar estos datos como un indicio de que esos d\u00edas pudo suceder algo especial. Quiero insistir en la prudencia ya que una subida de la humedad relativa no tiene por qu\u00e9 estar exclusivamente relacionado con la lluvia. Como no somos meteor\u00f3logos necesitamos tener un elemento que constate si nuestras sospechas son correctas o no.\u00a0 Para lograr esta certificaci\u00f3n hemos recurrido a la bit\u00e1cora que mantiene Scagnetti en Facebook y en Twitter donde recoge los instantes m\u00e1s relevantes de cada d\u00eda.<\/p>\n

\"Globalrider<\/p>\n

En efecto, parece que vamos por buen camino. Como pod\u00e9is comprobar en el resumen anterior, a excepci\u00f3n del d\u00eda 12, los d\u00edas citados fueron lluviosos. Para profundizar en el an\u00e1lisis echemos un vistazo a alguno de esos d\u00edas de lluvia. En este caso lo que queremos representar es la evoluci\u00f3n de la temperatura y la humedad y, si existe, alg\u00fan cambio apreciable en la presi\u00f3n atmosf\u00e9rica.<\/p>\n

En d\u00eda 5 de junio Hugo nos contaba que se deten\u00eda porque empezaba a llover. En el siguiente gr\u00e1fico podemos ver que sobre las 16:30h detiene la moto (l\u00ednea verde). La mover\u00e1 un poco hacia las 17:10 y pasadas las 18h. Durante ese este tiempo de espera podemos apreciar como la temperatura (l\u00ednea azul) experimenta un descenso pronunciado desde los 30\u00baC hasta los 20\u00baC en aproximadamente 30 minutos. Este descenso de temperatura coincide con un brusco incremento de la humedad relativa (l\u00ednea naranja) que arranca en el 39% hasta alcanzar el 75%. Si afinamos un poco en el an\u00e1lisis nos damos cuenta que durante estos 30 minutos la presi\u00f3n atmosf\u00e9rica (l\u00ednea gris) disminuye ligeramente 4mbr, desde los 984 a 980. Pasado este tiempo vuelve a 984mbr. En nuestra opini\u00f3n se produce una tormenta que provoca el descenso de la temperatura unos grados. Parte del agua reci\u00e9n precipitada se convierte el vapor incrementando as\u00ed la humedad relativa registrada.<\/p>\n

\"Globalrider<\/a><\/p>\n

Veamos ahora el registro del d\u00eda 7.<\/p>\n

\"Globalrider<\/a><\/p>\n

Como evidencia el diagrama anterior, a partir de las 16:30h y en la media hora siguiente, se manifiestan fluctuaciones en la presi\u00f3n atmosf\u00e9rica que oscilan desde 1015 milibares hasta 980 (17h). El final de este ciclo de inestabilidad en la presi\u00f3n coincide con un fuerte incremento de la humedad relativa, subiendo desde 49% (17:08h) hasta 78%(17:24h). En paralelo a este fuerte ascenso de la humedad identificamos un descenso de la temperatura desde 25\u00baC a 21\u00baC.<\/p>\n

Por \u00faltimo tomemos el d\u00eda 27 de junio. Una vez m\u00e1s apreciamos la pauta descrita en d\u00edas anteriores: Al final de un ciclo de inestabilidad atmosf\u00e9rica (de 13:30 a 14:40) destaca un fuerte incremento de la humedad relativa hasta alcanzar 97%. Simult\u00e1neamente a este ascenso de la humedad se produce un descenso de la temperatura desde 23 a 19\u00baC.<\/p>\n

\"Globalrider<\/a><\/p>\n

Como hemos podido comprobar, tras conocer los m\u00e1ximos de humedad relativa, hemos intuido en qu\u00e9 d\u00edas se produjeron tormentas. A continuaci\u00f3n, con la informaci\u00f3n facilitada por Hugo, hemos sido capaces de comprobar la veracidad de nuestras sospechas. El siguiente paso era conocer el desarrollo de la tormenta y como se expresaba \u00e9sta a trav\u00e9s de los datos de temperatura, humedad relativa y presi\u00f3n atmosf\u00e9rica.<\/p>\n

El desarrollo anterior encaja a la perfecci\u00f3n en el estudio de los d\u00edas 27, 28 y 29 de mayo y 2, 5, 7, 27 de junio. En cambio, el d\u00eda 12 junio, donde la humedad m\u00e1xima alcanz\u00f3 el 70%, Hugo no dej\u00f3 constancia de precipitaciones. Puede ser que este umbral no implique necesariamente lluvia, incluso es posible que Scagnetti no indicara que llov\u00eda.<\/p>\n

\"Globalrider<\/a><\/p>\n

Como no nos podemos quedar con esta duda, echemos un vistazo al d\u00eda 12 (diagrama anterior). Salta a la vista que el momento de m\u00e1xima humedad es a primera hora de la ma\u00f1ana, a las 9:30h, poco despu\u00e9s de ponerse en marcha la Pasarela IoT. Esa humedad matinal y su relaci\u00f3n con la temperatura corroboran que Hugo se encuentra en la orilla del Mar Negro y que lo que estamos \u201cviendo\u201d puede ser alguna neblina que levanta con la ma\u00f1ana.<\/p>\n

\"Globalrider<\/a><\/p>\n

 <\/p>\n

An\u00e1lisis predictivo de presi\u00f3n atmosf\u00e9rica y altura<\/strong>
\nHasta ahora hemos visto algunos ejemplos de estad\u00edstica descriptiva<\/strong>. Esta rama de la estad\u00edstica, a partir del an\u00e1lisis de datos conocidos<\/strong>, nos ayuda a entender c\u00f3mo funciona un fen\u00f3meno. Por su parte, la estad\u00edstica predictiva<\/strong>, nos permite elaborar predicciones sobre datos desconocidos a partir de datos que conocemos<\/strong>. Como paso previo a la predicci\u00f3n necesitamos hacer un an\u00e1lisis de regresi\u00f3n<\/strong> sobre un amplio hist\u00f3rico de datos conocidos para descubrir si existe una relaci\u00f3n matem\u00e1tica entre datos de diferente naturaleza (por ejemplo altura y presi\u00f3n atmosf\u00e9rica). A trav\u00e9s de este an\u00e1lisis conoceremos cu\u00e1l es el tipo de funci\u00f3n de regresi\u00f3n<\/strong> o relaci\u00f3n matem\u00e1tica entre estas dos variables: una independiente (altura) y otra dependiente (presi\u00f3n atmosf\u00e9rica). Por lo tanto, si existe esta relaci\u00f3n matem\u00e1tica, estar\u00edamos en condiciones de predecir el valor de la presi\u00f3n atmosf\u00e9rica cuando enfrentemos la variable altura a una funci\u00f3n de regresi\u00f3n. Veamos un peque\u00f1o ejemplo.<\/p>\n

\"Globalrider<\/a><\/p>\n

En el diagrama superior, en el eje horizontal x<\/em><\/strong>, queda representada la altura. Esta ser\u00e1 la variable independiente. En el eje vertical y<\/em><\/strong> indicamos la presi\u00f3n atmosf\u00e9rica, variable dependiente. Podemos distinguir, en forma de cuadrado azul, los datos conocidos de altura-presi\u00f3n recogidos por Hugo durante los primeros 10.000 kil\u00f3metros. Realmente la Pasarela IoT ha registrado muchos m\u00e1s datos de los que hay representados pero, por motivos pr\u00e1cticos de visualizaci\u00f3n, solo hemos presentado uno por hora. En total hay 780 cuadrados azules. Con ellos hemos confeccionado un gr\u00e1fico de dispersi\u00f3n<\/strong>.\u00a0 El paso siguiente es enfrentar este gr\u00e1fico de dispersi\u00f3n a diferentes funciones matem\u00e1ticas (lineal, polin\u00f3mica, logar\u00edtmica, exponencial, parab\u00f3lica, etc) para ver cu\u00e1l de ellas ofrece el modelo m\u00e1s preciso, es decir, con menor error. En nuestro caso vemos que una sencilla funci\u00f3n lineal (l\u00ednea naranja) expresa razonablemente bien la relaci\u00f3n existente entre altura y presi\u00f3n: Menor altura, m\u00e1s presi\u00f3n. Nuestra herramienta de an\u00e1lisis nos ofrece la siguiente funci\u00f3n para, en el futuro, predecir la presi\u00f3n atmosf\u00e9rica con solo conocer la altura. Tambi\u00e9n nos advierte de un margen de error del 0,89% que, traducido en milibares, son 8,75656.<\/p>\n

y = 1015,4861 \u2013 (0,1131 * x)<\/strong><\/p>\n

Somos conscientes de la obviedad del ejercicio anterior. Solo pretend\u00edamos introducir de manera divulgativa el concepto de an\u00e1lisis predictivo a partir de los datos que estamos recogiendo en Globalrider. Tambi\u00e9n nos ha permitido constatar que la presi\u00f3n atmosf\u00e9rica no solo depende de la variable altura, de ah\u00ed el error de la funci\u00f3n.<\/p>\n

Como pod\u00e9is sospechar la predicci\u00f3n meteorol\u00f3gica recurre a este tipo de an\u00e1lisis para adelantarnos el tiempo que har\u00e1 en los pr\u00f3ximos d\u00edas. Evidentemente, los meteor\u00f3logos manejan millones de datos recogidos de cientos de fuentes y cuentan con superordenadores para realizar los c\u00e1lculos r\u00e1pidamente. A pesar de todo, la naturaleza ca\u00f3tica de la atmosfera, reduce la fiabilidad de los modelos matem\u00e1ticos m\u00e1s all\u00e1 de una semana.<\/p>\n

Puedes hacer el seguimiento de esta aventura en:<\/strong> telefonica.yamaha.globalrider.org<\/a><\/p>\n

[Descargar texto<\/a>]<\/p>\n","protected":false},"excerpt":{"rendered":"

Adolfo Garc\u00eda Yag\u00fce | Quienes est\u00e1is siguiendo el d\u00eda a d\u00eda de esta aventura, habr\u00e9is apreciado que hace unas semanas se produjeron peque\u00f1os saltos en el itinerario de Hugo. Esto obedece a que tuvimos cortes espor\u00e1dicos en la comunicaci\u00f3n de la Pasarela IoT. Como sab\u00e9is la pasarela est\u00e1 permanentemente conectada y env\u00eda datos cada pocos […]<\/p>\n","protected":false},"author":3,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[512,376,274],"tags":[377,275,308,386],"class_list":["post-1895","post","type-post","status-publish","format-standard","hentry","category-analisis-de-datos","category-globalrider","category-m2m-sensores-internet-de-las-cosas","tag-globalrider","tag-internet-de-las-cosas","tag-m2m","tag-meteorologia"],"_links":{"self":[{"href":"https:\/\/ccapitalia.net\/index.php?rest_route=\/wp\/v2\/posts\/1895","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ccapitalia.net\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/ccapitalia.net\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/ccapitalia.net\/index.php?rest_route=\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/ccapitalia.net\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=1895"}],"version-history":[{"count":20,"href":"https:\/\/ccapitalia.net\/index.php?rest_route=\/wp\/v2\/posts\/1895\/revisions"}],"predecessor-version":[{"id":4939,"href":"https:\/\/ccapitalia.net\/index.php?rest_route=\/wp\/v2\/posts\/1895\/revisions\/4939"}],"wp:attachment":[{"href":"https:\/\/ccapitalia.net\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=1895"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/ccapitalia.net\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=1895"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/ccapitalia.net\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=1895"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}