Reporte_CalidadAire.Rmd

---
title: "Reporte de análisis de la Calidad del Aire"
author: "Pablo Busch Hopfenblatt"
date: "`r format(Sys.time(),'%d-%m-%Y')`"
leng: es-es
output:
  powerpoint_presentation:
    slide_level: 2 # use this to override default (# es seccion, ## nueva slide)
    reference_doc: FormatoReporte.pptx
params:
  reg: 'M'
  cont: 'mp2.5'
  metric: "Horario"
  enLinea: !r c(T,F)
  estaciones: "all"
  prov: "all"
  comunas: "all"
  fecha_inicio: "2016-01-01"
  fecha_fin: "2019-12-31"
  descarga_datos: !r TRUE
---
```{r global_options, include=F}
#Opciones globaleS: No mostrar por defecto el codigo, ni warnings ni mensajes y ejecuta el codigo a pesar de errores. Figuras centradas
knitr::opts_chunk$set(echo=F, warning=FALSE, message=FALSE, error = F, dpi=300,
                      ft.left=2.5,
                      fig.align = 'center',fig.pos='H', fig.width=8.5, fig.height=5)
```

```{r Librerías/Paquetes, include = FALSE}
source("Scripts/00-CargaLibrerias.R", encoding = "UTF-8")
source("Scripts/00-Funciones.R", encoding = "UTF-8")
```

```{r setea parametros}
reg <- params$reg %>% as.character()
cont <- params$cont
metric <- params$metric
enLinea <- params$enLinea
estaciones <- params$estaciones
prov <- params$prov 
comunas <- params$comunas 
fecha_inicio <- params$fecha_inicio
fecha_fin <- params$fecha_fin %>% as_date
descarga_datos <- params$descarga_datos
```

```{r scrap data}
if (descarga_datos){
  source("Scripts/04-scrap_sinca.R", encoding = "UTF-8")
}
```

```{r script load data}
source("Scripts/05-load_data.R", encoding = "UTF-8")
```

```{r script feat data}
source("Scripts/06-feat_data.R", encoding = "UTF-8")
```

```{r script analisis}
source("Scripts/07-analisis.R", encoding = "UTF-8")
```

```{r script mapa}
source("Scripts/08-mapa.R", encoding = "UTF-8")
```

## Notas

* Esta presentación fue generada automáticamente a partir de datos de calidad del aire del SINCA
- Interesa presentar un resumen genérico de la situación por zona geográfica para determinado contaminante
- Un análisis más profundo requiere de un trabajo específico con los datos y escapa al alcance de este reporte

# DESCRIPCIÓN DATOS

## Información descriptiva

- Región: **`r reg`**
- Contaminante analizado: **`r cont`**
- Periodo temporal: **`r fecha_inicio`** a **`r fecha_fin`**
- Métrica: **`r metric`**
- Total de datos válidos levantados: **`r nrow(df) %>% format(big.mark = " ", decimal.mark = ".", scientific = F)`**
  + Se dejaron únicamente los días con al menos el 75% de datos de concentración
- Fuente: *https://sinca.mma.gob.cl/*


## Ubicación estaciones de monitoreo
```{r Mapa Estaciones}
m
```

## Estaciones de Monitoreo
```{r Tabla Estaciones, ft.left=2}
font_size <- if_else(n_estaciones>10, 12, 14)
tabla_estacion %>% 
  flextable() %>% 
  fontsize(size = font_size, part = "all") %>% 
  bold(j=1, bold=T) %>% bold(bold=T, part="header") %>% 
  autofit(add_w = 0.1, add_h = 0.3) %>% 
  align_text_col(align = "left", header = TRUE, footer = TRUE)
```

## Tecnicas de medición utilizadas
```{r Tabla Tecnica, ft.left=1.5}
tabla_tecnica %>% 
  flextable() %>% 
  fontsize(size = font_size, part = "all") %>% 
  bold(j=1, bold=T) %>% bold(bold=T, part="header") %>% 
  autofit(add_w = 0.1, add_h = 0.3) %>% 
  align_text_col(align = "left", header = TRUE, footer = TRUE)
```

# RESUMEN DATOS DE CONCENTRACIÓN

## Disponibilidad anual de datos diarios `r cont` [%]
```{r tabla disponibilidad}
tabla_disponibilidad %>% 
  flextable() %>%
  colformat_num(big.mark=" ", digits=1, j=colnames(tabla_disponibilidad)[-1],
                na_str="s/i", suffix="%") %>%
  fontsize(size = font_size, part = "all") %>% 
  bold(j=1, bold=T) %>% bold(bold=T, part="header") %>% 
  autofit(add_w = 0.1, add_h = 0.3)
```

## Promedio Anual `r cont` `r unidad`
```{r tabla anual}
tabla_anual %>% 
  flextable() %>%
  colformat_num(big.mark=" ", digits=1, j=colnames(tabla_diario)[-1],
                na_str="s/i") %>%
  fontsize(size = font_size, part = "all") %>% 
  bold(j=1, bold=T) %>% bold(bold=T, part="header") %>% 
  autofit(add_w = 0.1, add_h = 0.3) %>% 
  footnote(1,1, as_paragraph(
    paste("Norma anual es de:",norma_anual,unidad,sep=" ")),
    part = "header")
```

## Percentil 98 Concentración diaria `r cont` `r unidad`
```{r tabla diario}
tabla_diario %>% 
  flextable() %>% 
  colformat_num(big.mark=" ", digits=1, j=colnames(tabla_diario)[-1], 
                na_str="s/i") %>%
  fontsize(size = font_size, part = "all") %>% 
  bold(j=1, bold=T) %>% bold(bold=T, part="header") %>% 
  autofit(add_w = 0.1, add_h = 0.3) %>% 
    footnote(1,1, as_paragraph(
    paste("Norma diaria es de:",norma_diaria,unidad,sep=" ")),
    part = "header")
```

## Promedio trianual por estación `r cont` `r unidad`
```{r mapa promedio trianual}
m_anual
```


# SERIES DE TIEMPO

## Resumen datos horarios `r cont` `r unidad`
```{r summary plot, fig.cap="Se muestran series temporales, porcentaje de datos por año y distribución de las concentraciones"}
quiet(summaryPlot(df_openAir, pollutant= cont, date.breaks = 6,xlab='Fecha'))
```

## Serie temporal promedio diario `r cont`  `r unidad`
```{r promedio diario}
serie_tiempo
```

## Tendencia mensual `r cont` `r unidad`
```{r mensual}
tendencia_mensual
```

## Promedio Anual `r cont` `r unidad`
```{r anual}
slope_graph
```


# PERFILES TEMPORALES

## Perfiles temporales de la concentración `r cont` `r unidad`
```{r time variation, fig.cap="Análisis temporales de la concentración"}
df_openAir %>% timeVariation(pollutant = cont, hemisphere='southern',
                             key.columns = 4, group = "site")
```

## Perfil horario `r cont` `r unidad`
```{r time variation hora}
print(time_variation, subset = "hour") 
```

## Perfil horario `r cont` `r unidad` por estacion climática 
```{r time variation season}
print(time_variation_season, split = c(1, 1, 1, 1), subset = "hour") 
```

## Heat Map: Perfil horario `r cont` `r unidad` por mes 
```{r Heatmap}
heat_map
```

# Descomposición Datos Calidad del Aire Mensuales

## Descomposición por estacionalidad y tendencia
- Se descompone el promedio mensual de concentraciones mediante el algoritmo *Seasonal Trend Decomposition* (STL) con el método *LOESS* para dividir una serie temporal en tres componentes:
	+ Tendencia *(long-term trend)*
	+ Estacionalidad *(seasonal fluctuation)*
	+ Remanente *(remainder)*
- Esta metodología fue desarrollada en el siguiente estudio:
  + Cleveland, R. B., W. S. Cleveland, J. E. McRae, and I. Terpenning. 1990. “STL: A Seasonal-Trend Decomposition Procedure Based on Loess.” *Journal of Official Statistics* 6: 3–73.
  
## Descomposición por estacionalidad y tendencia
- El gráfico permite observar los siguientes efectos:
  + Si la tendencia de la concentración es positiva o negativa
  + Magnitud del efecto de la estacionalidad (variaciones dentro de 1 año)
  + Magnitud de los efectos no explicados *(random noise)*
- Para resaltar mejor estos rasgos cada gráfico tiene su propia escala en el eje Y

```{r Graficos Descomposicion, results = "asis"}
# Loop dentro de un codigo para generar muchas slides
sitios <- df_mes$site %>% unique()
source("Scripts/09_STL.R", encoding = "UTF-8")
for (s in sitios){
  cat("\n\n## Descomposición de la serie temporal mensual ",cont," ", unidad," para la estación: ",s, "\n\n", sep="")
  
  f_stl_plot(df_mes, s) %>% print()
}

```