nasa02

data

eda

lagemaße

string

Published

April 19, 2023

Aufgabe

Viele Quellen berichten Klimadaten unserer Erde, z.B. auch National Aeronautics and Space Administration - Goddard Institute for Space Studies.

Von dieser Quelle beziehen wir diesen Datensatz.

Die Datensatz sind auf der Webseite wie folgt beschrieben:

Tables of Global and Hemispheric Monthly Means and Zonal Annual Means

Combined Land-Surface Air and Sea-Surface Water Temperature Anomalies (Land-Ocean Temperature Index, L-OTI)

The following are plain-text files in tabular format of temperature anomalies, i.e. deviations from the corresponding 1951-1980 means.

Global-mean monthly, seasonal, and annual means, 1880-present, updated through most recent month: TXT, CSV

Starten Sie zunächst das R-Paket tidyverse falls noch nicht geschehen.

library(tidyverse)

Importieren Sie dann die Daten:

data_path <- "https://data.giss.nasa.gov/gistemp/tabledata_v4/GLB.Ts+dSST.csv"
d <- read_csv(data_path, skip = 1)

Oder von der eigenen Festplatte, wenn schon heruntergeladen:

d <- read_csv("/Users/sebastiansaueruser/datasets/nasa02.csv")

Wir lassen die 1. Zeile des Datensatzes aus (Argument skip), da dort Metadaten stehen, also keine Daten, sondern Informationen (Daten) zu den eigentlichen Daten.

Aufgaben

Berechnen Sie die die Korrelation der Temperatur von Januar und Februar
Berechnen Sie die die Korrelation der Temperatur von Januar und Februar pro Dekade

Hinweise:

Sie müssen zuerst die Dekade als neue Spalte berechnen.

Lösung

Dekade berechnen:

d <-
  d %>% 
  mutate(decade = round(Year/10))

Korrelation:

d %>% 
  summarise(temp_cor = cor(Jan, Feb))

temp_cor
0.9415313

Korrelation pro Dekade:

d_summarized <- 
  d %>% 
  group_by(decade) %>% 
  summarise(temp_cor = cor(Jan, Feb))

decade	temp_cor
188	0.88
189	0.79
190	0.53
191	0.84
192	0.82
193	0.72
194	0.50
195	0.78
196	0.54
197	0.79
198	0.80
199	0.52
200	0.58
201	0.66
202	0.93

Zum Visualisieren gibt es viele Möglichkeiten. Wer kein Experte sein will, dem reicht es, eine Möglichkeit zu kennen.

Hier ist eine Visualisierung mit Hilfe des R-Pakets ggplot2:

d_summarized %>% 
  ggplot(aes(x = decade, y = temp_cor)) +
  geom_point(color = "darkblue") +
  geom_line(alpha = .7) +
  scale_y_continuous(limits = c(0,1))

Alternativ können Sie zum Visualisieren der Daten z.B. das Paket ggpubr nutzen:

library(ggpubr)
ggscatter(d_summarized, x = "decade", y = "temp_cor", add = "reg.line")

Oder mit dem R-Paket DataExplorer:

library(DataExplorer)
d_summarized |> 
  plot_scatterplot(by = "temp_cor")

Die Korrelation der Temperaturen und damit die Ähnlichkeit der Muster hat im Laufe der Dekaden immer mal wieder geschwankt.

Falls Sie Teile der R-Syntax nicht kennen: Machen Sie sich nichts daraus. 😄

Categories:

data
eda
lagemaße
string

--- extype: string exsolution: NA exname: nasa02 expoints: 1 categories: - data - eda - lagemaße - string date: '2023-04-19' slug: nasa02 title: nasa02 --- ```{r global-knitr-options, include=FALSE} knitr::opts_chunk$set( fig.pos = 'H', fig.asp = 0.618, fig.align='center', fig.width = 5, out.width = "100%", fig.cap = "", fig.path = "chunk-img/", dpi = 300, # tidy = TRUE, echo = TRUE, message = FALSE, warning = FALSE, cache = FALSE, fig.show = "hold") ``` # Aufgabe Viele Quellen berichten Klimadaten unserer Erde, z.B. auch [National Aeronautics and Space Administration - Goddard Institute for Space Studies](https://data.giss.nasa.gov/gistemp/). Von dieser Quelle beziehen wir [diesen Datensatz](https://data.giss.nasa.gov/gistemp/tabledata_v4/GLB.Ts+dSST.csv). Die Datensatz sind auf der Webseite wie folgt beschrieben: *Tables of Global and Hemispheric Monthly Means and Zonal Annual Means* Combined Land-Surface Air and Sea-Surface Water Temperature Anomalies (Land-Ocean Temperature Index, L-OTI) The following are plain-text files in tabular format of temperature anomalies, i.e. *deviations from the corresponding 1951-1980 means*. > Global-mean monthly, seasonal, and annual means, 1880-present, updated through most recent month: TXT, CSV Starten Sie zunächst das R-Paket `tidyverse` falls noch nicht geschehen. ```{r message = FALSE} library(tidyverse) ``` Importieren Sie dann die Daten: ```{r eval=FALSE} data_path <- "https://data.giss.nasa.gov/gistemp/tabledata_v4/GLB.Ts+dSST.csv" d <- read_csv(data_path, skip = 1) ``` Oder von der eigenen Festplatte, wenn schon heruntergeladen: ```{r} d <- read_csv("/Users/sebastiansaueruser/datasets/nasa02.csv") ``` Wir lassen die 1. Zeile des Datensatzes aus (Argument `skip`), da dort *Metadaten* stehen, also keine Daten, sondern Informationen (Daten) zu den eigentlichen Daten. **Aufgaben** 1. Berechnen Sie die die Korrelation der Temperatur von Januar und Februar 1. Berechnen Sie die die Korrelation der Temperatur von Januar und Februar *pro Dekade* Hinweise: - Sie müssen zuerst die Dekade als neue Spalte berechnen. # Lösung Dekade berechnen: ```{r} d <- d %>% mutate(decade = round(Year/10)) ``` Korrelation: ```{r} d %>% summarise(temp_cor = cor(Jan, Feb)) ``` Korrelation pro Dekade: ```{r} d_summarized <- d %>% group_by(decade) %>% summarise(temp_cor = cor(Jan, Feb)) ``` ```{r echo = FALSE} d_summarized %>% gt::gt() %>% gt::fmt_number(2) ``` Zum Visualisieren gibt es viele Möglichkeiten. Wer kein Experte sein will, dem reicht es, eine Möglichkeit zu kennen. Hier ist eine Visualisierung mit Hilfe des R-Pakets `ggplot2`: ```{r echo = TRUE} d_summarized %>% ggplot(aes(x = decade, y = temp_cor)) + geom_point(color = "darkblue") + geom_line(alpha = .7) + scale_y_continuous(limits = c(0,1)) ``` Alternativ können Sie zum Visualisieren der Daten z.B. das Paket `ggpubr` nutzen: ```{r} library(ggpubr) ggscatter(d_summarized, x = "decade", y = "temp_cor", add = "reg.line") ``` Oder mit dem R-Paket `DataExplorer`: ```{r} library(DataExplorer) d_summarized |> plot_scatterplot(by = "temp_cor") ``` Die Korrelation der Temperaturen und damit die Ähnlichkeit der Muster hat im Laufe der Dekaden immer mal wieder geschwankt. Falls Sie Teile der R-Syntax nicht kennen: Machen Sie sich nichts daraus. 😄 --- Categories: - data - eda - lagemaße - string