-
Notifications
You must be signed in to change notification settings - Fork 0
/
Final_Predictive_model_crossvalidation.R
498 lines (388 loc) · 21.2 KB
/
Final_Predictive_model_crossvalidation.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
#################### LEEME ##############
#LOS PARÁMETROS QUE PRIMERO DEBEMOS AJUSTAR SON LOS VALORES DE LAS
# MOVING AVERAGES Y EL DESFASE.
# TODOS LOS VALORES LOS PONDREMOS EN HORAS.
# TODAS LAS GRÁFICAS Y MODELOS SE ESTÁN GUARDANDO AUTOMÁTICAMENTE EN
# ~/MB/DATA/PARQUES/BELESAR/MODELOS/DN_AP --> MODELOS PARA PREDECIR APORTACION CON DIFERENCIA DE NIVEL
# ~/MB/DATA/PARQUES/BELESAR/MODELOS/WRF_DN --> MODELOS PARA PREDECIR DIFERENCIA DE NIVEL
# LA PREDICCIÓN DE APORTACION FINAL SERÁ UNA COMBINACIÓN DE AMBOS MODELOS, ES DECIR
# CON LLUVIA WRF PREDECIMOS DIFERENCIA NIVEL Y CON LA DIFERENCIA NIVEL CALCULAMOS APORTACION
# ESTAS GRÁFICAS COMPARATIVAS SE GUARDARÁN EN
# ~/MB/DATA/PARQUES/BELESAR/MODELOS/WRF_AP --> GRÁFICAS FINALES DE PREDICCIÓN DE APORTACIÓN
#################### PARÁMETROS PARA MODIFICAR LAS VARIABLES ##############
#LIMPIEZA DE ENVIRONMENT ANTES DE EMPEZAR... CUIDANDO LA RAM
rm(list = setdiff(ls(), lsf.str()))
####### MOVING AVERAGES
#ESTOS PARÁMETROS SIRVEN PARA "ELIMINAR RUIDO"... UN MOVING AVERAGE MAYOR IMPLICA
# SEÑALES MAS "SUAVES" CON MENOS RUIDO, MÁS FÁCIL DE PREDECIR, PERO PROBABLEMENTE MÁS
# ALEJADA DE LA REALIDAD.
#### MOVING AVERAGE SOBRE APORTACION
SMA_APORTACION<- 12
#### MOVING AVERAGE SOBRE DIFERENCIA DE NIVEL
SMA_DIFF_NIVEL<- 12
#### MOVING AVERAGE SOBRE LLUVIA WRF
SMA_LLUVIA_WRF<- 48
#### MOVING AVERAGE SOBRE LLUVIA OBS
SMA_LLUVIA_OBS<- 48
####### LAG SOBRE LAS VARIABLES
#ESTO ES: CON CUANTO RETRASO VOY A METER LA VARIABLE AL MODELO PREDICTIVO
# EN PRINCIPIO LAS VARIABLES CON LAS VAMOS A JUGAR SON LAS SIGUIENTES...
# LLUVIA PREDICHA POR WRF -X -->X SON HORAS
# DIFERENCIA DEL NIVEL -X -->X SON HORAS
#### DESFASE LLUVIA WRF (LAG)
LAG_LLUVIA_WRF<- 24
#### DESFASE LLUVIA OBSERVADA (LAG)
LAG_LLUVIA_OBS<- 24
### DESFASE DIFERENCIA DE NIVEL
LAG_DIFF_NIVEL<- 24
#################### PARÁMETROS PARA MODIFICAR LOS MODELOS ##############
# BÁSICAMENTE AQUÍ ELEGIREMOS EL MODELO QUE QUEREMOS EMPLEAR Y CON CUANTO "ESFUERZO"
# INTENTARÁ OBTENER EL MEJOR RESULTADO...
# CADA MODELO TIENE SUS PROPIOS PARÁMETROS (ALGUNOS NO) QUE SE PUEDEN PONER MANUALMENTE.
# SI NO PONEMOS PARÁMETROS EL MODELO SE EJECUTA CON UN PARÁMETRO POR DEFECTO, PERO,
#PODEMOS DECIRLE QUE PRUEBE DIFERENTES PARÁMETROS... CON "TUNELENGTH"
# SI PONEMOS TUNELENGTH 20, PROBARÁ CON 20 PARÁMETROS DIFERENTES Y DEVOLVERÁ EL MEJOR VALOR
# EN CUANTO A LOS MODELOS. CARET TIENEN 238 ALGORITMOS DE PREDICCIÓN. PERO, HAY ALGUNOS ALGORITMOS
# QUE SON EXCLUSIVOS PARA CLASIFICACIÓN---- NUESTRO MODELO ES UN MODELO REGRESIVO O CONTINUO,
# POR LO TANTO TODOS ESTOS MODELOS NO NOS VALEN. A CONTINUACIÓN PONGO LOS MODELOS QUE A NOSOTROS
# NOS INTERESAN;
#REGRESION
# ANFIS , blasso , blassoAveraged , bridge , brnn , cubist , DENFIS , enet , FIR.DM ,
# foba , FS.HGD , GFS.FR.MOGUL , GFS.LT.RS , GFS.THRIFT , glm.nb , HYFIS , icr , krlsPoly ,
# krlsRadial , lars , lars2 , lasso , leapBackward , leapForward , leapSeq , lm , lmStepAIC ,
# M5 , M5Rules , neuralnet , nnls , pcr , penalized , ppr , qrf , qrnn , relaxo , ridge ,
# rlm , rqlasso , rqnc , rvmLinear , rvmPoly , rvmRadial , SBC , spikeslab , superpc , WM
#REGRESION-CLASIFICACION
# "avNNet , bag , bagEarth , bagEarthGCV , bam , bartMachine , bayesglm , blackboost ,
# BstLm , bstSm , bstTree , cforest , ctree , ctree2 , dnn , earth , elm , evtree ,
# extraTrees , gam , gamboost , gamLoess , gamSpline , gaussprLinear , gaussprPoly ,
# gaussprRadial , gbm_h2o , gbm , gcvEarth , glm , glmboost , glmnet_h2o , glmnet ,
# glmStepAIC , kernelpls , kknn , knn , logicBag , logreg , mlp , mlpKerasDecay ,
# mlpKerasDropout , mlpML , mlpSGD , mlpWeightDecay , mlpWeightDecayML , monmlp ,
# msaenet , mxnet , mxnetAdam , nnet , nodeHarvest , null , parRF , partDSA , pcaNNet ,
# pls , plsRglm , randomGLM , ranger , rbf , rbfDDA , Rborist , rf , rfRules , rpart ,
# rpart1SE , rpart2 , RRF , RRFglobal , simpls , spls , svmBoundrangeString , svmExpoString ,
# svmLinear , svmLinear2 , svmLinear3 , svmPoly , svmRadial , svmRadialCost , svmRadialSigma ,
# svmSpectrumString , treebag , widekernelpls , xgbDART , xgbLinear , xgbTree , xyf"
# PÁGINA WEB PARA TENER INFO DE CADA ALGORITMO
# https://topepo.github.io/caret/available-models.html
#IMPORTANTE: EL METODO SIEMPRE ENTRE COMILLAS
METODO<- "rqlasso"
#TUNELENGH: CUIDADO CON ESTO, AUMENTA MUCHO LA NECESIDAD DE COMPUTACIÓN.
TUNELENGTH<- 1
#################### PARÁMETROS ORDENADOR ##############
#CARET PERMITE LA COMPUTACION EN PARALELO... PARA ELLO TENDREMOS QUE SABER EL NUMERO DE
# CORES/NÚCLES DE NUESTRO ORDENADOR
# EN LINUX PONEMOS ~$ nproc POR TERMINAL Y NOS DEVUELVE EL NUMERO DE PROCESADORES
# ESTO ES POQUITÍN PELIGROSO PORQUE NO PODEMOS PONER A COMPUTAR LA MÁQUINA EMPLEANDO
# TODOS SUS NUCLES... RECOMIENDAN PONER 1 MENOS... PERO POR SEGURIDAD SE PUEDAN PONER
# 2 MENOS DE LOS QUE DISPONE EL ORDENADOR.
NCORES<- 2
#######################################################################################
#######################################################################################
#######################################################################################
#######################################################################################
#######################################################################################
#######################################################################################
#######################################################################################
#######################################################################################
library(caret)
library(doMC)
library(here)
source(here::here('libraries.R'))
registerDoMC(cores = NCORES)
#IMPORTANDO DATOS
if(!(exists("Tabla_1")&exists("Tabla_2")&exists("Tabla_3"))){
Obs_Data<- list.files(here::here('Data/Parques/Belesar/Historico/WEB/PM/'), full.names = T) %>%
.[str_detect(.,"Obs_")] %>% .[which.max( str_split(., "/") %>% lapply(., function(x) x[length(x)])%>% str_remove("Obs_|.RDS") %>%
str_replace("--"," ") %>% ymd_hms())] %>% readRDS()
WRF_data<- list.files(here::here('Data/Parques/Belesar/Historico/WEB/PM/'), full.names = T) %>%
.[str_detect(.,"WRF_")] %>% .[which.max( str_split(., "/") %>% lapply(., function(x) x[length(x)])%>% str_remove("WRF_|.RDS") %>%
str_replace("--"," ") %>% ymd_hms())] %>% readRDS()
#CREAMOS TABLA 1... LA TABLA COMPLETA QUE INCLUYE LOS DATOS DE LA PÁGINA WEB E HISTORICO DHI
#range(Tabla_1$Date)
# "2018-01-02 00:00:00 UTC" "2019-05-13 07:00:00 UTC"[ACTUALIDAD]
Tabla_1<- Obs_Data %>% mutate(diff_nivel=c(NA,diff(nivel)))
Tabla_1<- left_join(Tabla_1, WRF_data[[23]]$D1[,c("Date", "prep_hourly")], by="Date")
# CREEAMOS TABLA_2: ESTO SOLAMENTE COMPRENDE EL HISTÓRICO DE DHI. YA QUE ES LA FUENTE DE INFORMACION
# SOBRE APORTACION
#range(Tabla_2$Date)
#"2018-01-02 12:00:00 UTC" "2019-02-07 23:00:00 UTC"
Tabla_2<- Tabla_1
Tabla_2[,c("Vol","Temp", "porcentaje","prep_hourly")]<- NULL
Tabla_2<- Tabla_2[complete.cases(Tabla_2),]
Tabla_2$aport_SMA<- SMA(Tabla_2$aport, SMA_APORTACION)
Tabla_2$difnivel_SMA<- SMA(Tabla_2$diff_nivel, SMA_DIFF_NIVEL)
Tabla_2<- Tabla_2[complete.cases(Tabla_2),]
#CREAMOS TABLA_3: ESTO SOLAMENTE COMPRENDE DESDE FINALES DE OCTUBRE HASTA LA ACTUALIDAD
#range(Tabla_3$Date)
#"2018-10-25 01:00:00 UTC"----"2019-05-13 07:00:00 UTC"[ACTUALIDAD]
Tabla_3<- Tabla_1
Tabla_3[,c("Vol","Temp", "porcentaje", "aport")]<- NULL
Tabla_3<- Tabla_3[complete.cases(Tabla_3),]
#Tabla_3$aport_SMA<- SMA(Tabla_3$aport, SMA_APORTACION)
Tabla_3$difnivel_SMA<- SMA(Tabla_3$diff_nivel, SMA_DIFF_NIVEL)
Tabla_3$lluvia_SMA<- SMA(Tabla_3$lluvia, SMA_LLUVIA_OBS)
Tabla_3$WRF_SMA<- SMA(Tabla_3$prep_hourly, SMA_LLUVIA_WRF)
Tabla_3$WRF_SMA_lag<- lag(Tabla_3$WRF_SMA, LAG_LLUVIA_WRF)
Tabla_3$lluvia_SMA_lag<- lag(Tabla_3$lluvia_SMA, LAG_LLUVIA_OBS)
Tabla_3$DN_SMA_lag<- lag(Tabla_3$difnivel_SMA, LAG_DIFF_NIVEL)
Tabla_3<- Tabla_3[complete.cases(Tabla_3),]
#Por encima de octubre
Tabla_3<- Tabla_3[Tabla_3$Date>ymd("2018/10/25"), ]
}
# PRIMERA PARTE: PREDICCIÓN DE APORTACION ---------------------------------
# PREDECIMOS APORTACION A TRAVÉS DE DIFERENCIA DE NIVEL
#PARA EMPLEAREMOS TABLA 2: QUE TIENE EL SIGUIENTE RANGO
#"2018-01-02 12:00:00 UTC" "2019-02-07 23:00:00 UTC"
# CORTAMOS LOS DATOS ENTRE ENTRENAMIENTO Y PREDICIÓN EL 25 DE ENERO
# FUE UNA FECHA CLAVE DEBIDO A QUE LLOVIO MUCHO Y ES INTERESANTE PROBAR
# LA EFECTIVIDAD DEL MODELO EN ESAS FECHAS
train_data_DN_A<- Tabla_2[Tabla_2$Date< ymd("2019/01/25"), ]
prediccion_data_DN_A<- Tabla_2[Tabla_2$Date> ymd("2019/01/25"), ]
modelo_DN_AP<- train(aport_SMA ~ difnivel_SMA,
data=train_data_DN_A,
method=METODO,
tuneLength=TUNELENGTH)
# SEGUNDA PARTE: PREDICCIÓN DE DIFERENCIA DE NIVEL ------------------------
# AHORA USANDO WRF... PREDECIMOS LA DIFERENCIA DE NIVEL.
# PARA ELLO EL RANGO DE LOS DATOS VA, DESDE FINAELS DE OCTUBRE (25)
# HASTA LA ACTUALIDAD... POR ELLO SERÍA INTERESANTE CORTAR LOS DATOS SUPONIENDO UN
#PORCENTAJE... QUE SEGÚN SE VALLAN ACTUALIZANDO SE VALLA AMPLIANTE EL DATASET DE
# ENTRENAMIENTO
PORCENTAJE_ENTRENAMIENTO<- 0.8
LOGIC_TRAIN<- ifelse(1:nrow(Tabla_3)%in%(1:round(nrow(Tabla_3)*PORCENTAJE_ENTRENAMIENTO)), TRUE,FALSE)
train_data<- Tabla_3[LOGIC_TRAIN, ]
prediccion_data<- Tabla_3[!LOGIC_TRAIN, ]
modelo_WRF_DN1<- tryCatch({train(difnivel_SMA ~ WRF_SMA_lag,
data=train_data,
method=METODO,
tuneLength=TUNELENGTH)},
error=function(e){cat("Fallo modelo")
return("empty")})
modelo_WRF_DN2<- tryCatch({train(difnivel_SMA ~ WRF_SMA_lag + WRF_SMA,
data=train_data,
method=METODO,
tuneLength=TUNELENGTH)},
error=function(e){cat("Fallo modelo")
return("empty")})
modelo_WRF_DN3<- tryCatch({ train(difnivel_SMA ~ WRF_SMA_lag * WRF_SMA,
data=train_data,
method=METODO,
tuneLength=TUNELENGTH)},
error=function(e){cat("Fallo modelo")
return("empty")})
modelo_WRF_DN4<- tryCatch({ train(difnivel_SMA ~ WRF_SMA_lag + DN_SMA_lag,
data=train_data,
method=METODO,
tuneLength=TUNELENGTH)},
error=function(e){cat("Fallo modelo")
return("empty")})
modelo_WRF_DN5<- tryCatch({ train(difnivel_SMA ~ WRF_SMA_lag * DN_SMA_lag,
data=train_data,
method=METODO,
tuneLength=TUNELENGTH)},
error=function(e){
cat("Fallo modelo")
return("empty")})
modelo_WRF_DN6<- tryCatch({ train(difnivel_SMA ~ WRF_SMA_lag + WRF_SMA * DN_SMA_lag,
data=train_data,
method=METODO,
tuneLength=TUNELENGTH)},
error=function(e){cat("Fallo modelo")
return("empty")})
modelo_WRF_DN7<- tryCatch({train(difnivel_SMA ~ WRF_SMA_lag * WRF_SMA + DN_SMA_lag,
data=train_data,
method=METODO,
tuneLength=TUNELENGTH)},
error=function(e){cat("Fallo modelo")
return("empty")})
modelo_WRF_DN8<- tryCatch({train(difnivel_SMA ~ WRF_SMA_lag + WRF_SMA + DN_SMA_lag,
data=train_data,
method=METODO,
tuneLength=TUNELENGTH)},
error=function(e){cat("Fallo modelo")
return("empty")})
#############GUARDAMOS MODELOS
Nombre_archivo<- paste(METODO,SMA_APORTACION,SMA_DIFF_NIVEL,
SMA_LLUVIA_WRF,LAG_DIFF_NIVEL,
LAG_LLUVIA_WRF, TUNELENGTH, sep = "_")
DN_AP_path<- here::here('Data/Parques/Belesar/Modelos/DN_AP/')
WRF_DN_path<- here::here('Data/Parques/Belesar/Modelos/WRF_DN/')
WRF_AP_path<- here::here('Data/Parques/Belesar/Modelos/WRF_AP/')
if(!dir.exists(DN_AP_path))dir.create(DN_AP_path)
if(!dir.exists(WRF_DN_path))dir.create(WRF_DN_path)
if(!dir.exists(WRF_AP_path))dir.create(WRF_AP_path)
saveRDS(modelo_DN_AP, file = paste0(DN_AP_path,Nombre_archivo,".RDS"))
saveRDS(modelo_WRF_DN1, file = paste0(WRF_DN_path,Nombre_archivo,"_1.RDS"))
saveRDS(modelo_WRF_DN2, file = paste0(WRF_DN_path,Nombre_archivo,"_2.RDS"))
saveRDS(modelo_WRF_DN3, file = paste0(WRF_DN_path,Nombre_archivo,"_3.RDS"))
saveRDS(modelo_WRF_DN4, file = paste0(WRF_DN_path,Nombre_archivo,"_4.RDS"))
saveRDS(modelo_WRF_DN5, file = paste0(WRF_DN_path,Nombre_archivo,"_5.RDS"))
saveRDS(modelo_WRF_DN6, file = paste0(WRF_DN_path,Nombre_archivo,"_6.RDS"))
saveRDS(modelo_WRF_DN7, file = paste0(WRF_DN_path,Nombre_archivo,"_7.RDS"))
saveRDS(modelo_WRF_DN8, file = paste0(WRF_DN_path,Nombre_archivo,"_8.RDS"))
##############GRAFICAMOS MODELO DIFERENCIA NIVEL A APORTACION
prediccion_data<- prediccion_data_DN_A
ggplot(data = prediccion_data)+
geom_line(aes(y=prediccion_data$aport,
x=prediccion_data$Date),
alpha=0.5)+
geom_line(aes(y=prediccion_data$aport_SMA,
x=prediccion_data$Date),
alpha=0.8)+
ylab("Aportacion [m³/s]")+
xlab(paste(range(prediccion_data$Date), collapse = "\n"))+
geom_line(aes(y=predict(modelo_DN_AP, newdata= prediccion_data),
x=Date),
col="red", lty=2)+
theme_light()
ggsave(paste0(DN_AP_path,Nombre_archivo,".png"),
dpi = 200,
device = "png")
##############GRAFICAMOS MODELO LLUVIA WRF A DIFERENCIA NIVEL
PORCENTAJE_ENTRENAMIENTO<- 0.8
LOGIC_TRAIN<- ifelse(1:nrow(Tabla_3)%in%(1:round(nrow(Tabla_3)*PORCENTAJE_ENTRENAMIENTO)), TRUE,FALSE)
train_data<- Tabla_3[LOGIC_TRAIN, ]
prediccion_data<- Tabla_3[!LOGIC_TRAIN, ]
ggplot(data = prediccion_data)+
geom_line(aes(y=prediccion_data$diff_nivel,
x=prediccion_data$Date),
alpha=0.5)+
geom_line(aes(y=prediccion_data$difnivel_SMA,
x=prediccion_data$Date),
alpha=0.8)+
ylab("Variacion nivel [msnm]")+
xlab(paste(range(prediccion_data$Date), collapse = "\n"))+
geom_line(aes(y=ifelse(length(modelo_WRF_DN1)==1, rep(0,nrow(prediccion_data)),
predict(modelo_WRF_DN1, newdata= prediccion_data)),
x=Date),
col="red", lty=2)+
geom_line(aes(y=ifelse(length(modelo_WRF_DN2)==1, rep(0,nrow(prediccion_data)),
predict(modelo_WRF_DN2, newdata= prediccion_data)),
x=Date),
col="green", lty=2)+
geom_line(aes(y=ifelse(length(modelo_WRF_DN3)==1, rep(0,nrow(prediccion_data)),
predict(modelo_WRF_DN3, newdata= prediccion_data)),
x=Date),
col="forestgreen", lty=2)+
geom_line(aes(y=ifelse(length(modelo_WRF_DN4)==1, rep(0,nrow(prediccion_data)),
predict(modelo_WRF_DN4, newdata= prediccion_data)),
x=Date),
col="blue", lty=2)+
geom_line(aes(y=ifelse(length(modelo_WRF_DN5)==1, rep(0,nrow(prediccion_data)),
predict(modelo_WRF_DN5, newdata= prediccion_data)),
x=Date),
col="cyan", lty=2)+
geom_line(aes(y=ifelse(length(modelo_WRF_DN6)==1, rep(0,nrow(prediccion_data)),
predict(modelo_WRF_DN6, newdata= prediccion_data)),
x=Date),
col="gold", lty=2)+
geom_line(aes(y=ifelse(length(modelo_WRF_DN7)==1, rep(0,nrow(prediccion_data)),
predict(modelo_WRF_DN7, newdata= prediccion_data)),
x=Date),
col="gold3", lty=2)+
geom_line(aes(y=ifelse(length(modelo_WRF_DN8)==1, rep(0,nrow(prediccion_data)),
predict(modelo_WRF_DN8, newdata= prediccion_data)),
x=Date),
col="gold4", lty=2)+
theme_light()
ggsave(paste0(WRF_DN_path,Nombre_archivo,".png"),
dpi = 200,
device = "png")
##############GRAFICAMOS MODELO LLUVIA WRF A DIFERENCIA NIVEL PERO LA VERSIÓN CORREGIDA
alfa1<- 0-predict(modelo_WRF_DN1, newdata= prediccion_data)[1]
alfa2<- 0-predict(modelo_WRF_DN2, newdata= prediccion_data)[1]
alfa3<- 0-predict(modelo_WRF_DN3, newdata= prediccion_data)[1]
alfa4<- 0-predict(modelo_WRF_DN4, newdata= prediccion_data)[1]
alfa5<- 0-predict(modelo_WRF_DN5, newdata= prediccion_data)[1]
alfa6<- 0-predict(modelo_WRF_DN6, newdata= prediccion_data)[1]
alfa7<- 0-predict(modelo_WRF_DN7, newdata= prediccion_data)[1]
alfa8<- 0-predict(modelo_WRF_DN8, newdata= prediccion_data)[1]
alfa0<- 0-prediccion_data$difnivel_SMA[1]
ggplot(data = prediccion_data)+
geom_line(aes(y=prediccion_data$diff_nivel+alfa0,
x=prediccion_data$Date),
alpha=0.5)+
geom_line(aes(y=prediccion_data$difnivel_SMA+alfa0,
x=prediccion_data$Date),
alpha=0.8)+
ylab("Variacion nivel [msnm]")+
xlab(paste(range(prediccion_data$Date), collapse = "\n"))+
geom_line(aes(y=predict(modelo_WRF_DN1, newdata= prediccion_data)+alfa1,
x=Date),
col="red", lty=2)+
geom_line(aes(y=predict(modelo_WRF_DN2, newdata= prediccion_data)+alfa2,
x=Date),
col="green", lty=2)+
geom_line(aes(y=predict(modelo_WRF_DN3, newdata= prediccion_data)+alfa3,
x=Date),
col="forestgreen", lty=2)+
geom_line(aes(y=predict(modelo_WRF_DN4, newdata= prediccion_data)+alfa4,
x=Date),
col="blue", lty=2)+
geom_line(aes(y=predict(modelo_WRF_DN5, newdata= prediccion_data)+alfa5,
x=Date),
col="cyan", lty=2)+
geom_line(aes(y=predict(modelo_WRF_DN6, newdata= prediccion_data)+alfa6,
x=Date),
col="gold", lty=2)+
geom_line(aes(y=predict(modelo_WRF_DN7, newdata= prediccion_data)+alfa7,
x=Date),
col="gold3", lty=2)+
geom_line(aes(y=predict(modelo_WRF_DN8, newdata= prediccion_data)+alfa8,
x=Date),
col="gold4", lty=2)+
theme_light()
ggsave(paste0(WRF_DN_path,Nombre_archivo,"_corrected.png"),
dpi = 200,
device = "png")
##############GRAFICAMOS MODELO LLUVIA WRF A APORTACIÓN REMONTANDONOS AL HISTÓRICO
Tabla_4<- Tabla_1
Tabla_4[,c("Vol","Temp", "porcentaje")]<- NULL
Tabla_4<- Tabla_4[complete.cases(Tabla_4),]
Tabla_4$aport_SMA<- SMA(Tabla_4$aport, SMA_APORTACION)
Tabla_4$difnivel_SMA<- SMA(Tabla_4$diff_nivel, SMA_DIFF_NIVEL)
Tabla_4$WRF_SMA<- SMA(Tabla_4$prep_hourly, SMA_LLUVIA_WRF)
Tabla_4$WRF_SMA_lag<- lag(Tabla_4$WRF_SMA, LAG_LLUVIA_WRF)
Tabla_4$DN_SMA_lag<- lag(Tabla_4$difnivel_SMA, LAG_DIFF_NIVEL)
prediccion_data<- Tabla_4[Tabla_4$Date> ymd("2019/01/25"), ]
#AP_prediction<- predict(modelo_DN_AP, newdata= data.frame(difnivel_SMA=predict(modelo_WRF_DN,newdata = prediccion_data)))
ggplot(data = prediccion_data)+
geom_line(aes(y=prediccion_data$aport,
x=prediccion_data$Date),
alpha=0.5)+
geom_line(aes(y=prediccion_data$aport_SMA,
x=prediccion_data$Date),
alpha=0.8)+
ylab("Aportacion [m³/s]")+
xlab(paste(range(prediccion_data$Date), collapse = "\n"))+
geom_line(aes(y=predict(modelo_DN_AP, newdata= data.frame(difnivel_SMA=predict(modelo_WRF_DN1, newdata= prediccion_data))),
x=Date),
col="red", lty=2)+
geom_line(aes(y=predict(modelo_DN_AP, newdata= data.frame(difnivel_SMA=predict(modelo_WRF_DN2, newdata= prediccion_data))),
x=Date),
col="green", lty=2)+
geom_line(aes(y=predict(modelo_DN_AP, newdata= data.frame(difnivel_SMA=predict(modelo_WRF_DN3, newdata= prediccion_data))),
x=Date),
col="forestgreen", lty=2)+
geom_line(aes(y=predict(modelo_DN_AP, newdata= data.frame(difnivel_SMA=predict(modelo_WRF_DN4, newdata= prediccion_data))),
x=Date),
col="blue", lty=2)+
geom_line(aes(y=predict(modelo_DN_AP, newdata= data.frame(difnivel_SMA=predict(modelo_WRF_DN5, newdata= prediccion_data))),
x=Date),
col="cyan", lty=2)+
geom_line(aes(y=predict(modelo_DN_AP, newdata= data.frame(difnivel_SMA=predict(modelo_WRF_DN6, newdata= prediccion_data))),
x=Date),
col="gold", lty=2)+
geom_line(aes(y=predict(modelo_DN_AP, newdata= data.frame(difnivel_SMA=predict(modelo_WRF_DN7, newdata= prediccion_data))),
x=Date),
col="gold3", lty=2)+
geom_line(aes(y=predict(modelo_DN_AP, newdata= data.frame(difnivel_SMA=predict(modelo_WRF_DN8, newdata= prediccion_data))),
x=Date),
col="gold4", lty=2)+
theme_light()
ggsave(paste0(WRF_AP_path,"_WRFDN_",Nombre_archivo,
"_DNAP_",Nombre_archivo,".png"),
dpi = 200,
device = "png")