nasa04

data

eda

lagemaße

vis

animation

string

Published

May 5, 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)

Zum Animieren verwenden wir diese Pakete:

library(gganimate)
library(plotly)

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)

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

Visualisieren Sie Temperatur pro Jahr und Dekade.
BONUSAUFGABE: Animieren Sie Ihre Diagramme mittels gganimate.

Hinweise:

Sie müssen zuerst die Dekade als neue Spalte berechnen.

Lösung

Daten aufbereiten

Dekade berechnen:

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

Die Temperaturdaten der Monate April bis Dezember sind als Textdaten (character) formatiert. Aber wir brauchen Zahlen zum Rechne. Daher müssen wir noch in Zahlen umwandeln:

d2 <-
  d %>% 
  select(Year:Dec) %>% 
  mutate(across(Apr:Dec, as.numeric))

Ins lange Format umwandeln:

d3 <- 
  d2 %>% 
  pivot_longer(-Year, 
               values_to = "temp", 
               names_to = "month")

Die Monate sind wie folgt bezeichnet in den Daten:

month_vec <- c("Jan", "Feb", "Mar", "Apr", "May",
               "Jun", "Jul", "Aug", "Sep", "Oct",
               "Nov", "Dec")

months <-
  tibble(
    month = month_vec,
    month_num = 1:12
  )

Und dann die Monatsnummer (1-12) zu den Daten (d3) hinzufügen. Das geht komfortabel mit einem Join:

d4 <- 
  d3 %>% 
  full_join(months)

Daten zusammenfassen

Statistiken pro Dekade für Januar:

d_summarized <- 
  d %>% 
  group_by(decade) %>% 
  summarise(temp_mean = mean(Jan),
            temp_sd = sd(Jan))

d_summarized

Statisches Diagramm

Zur Veranschaulichung visualisieren wir die Ergebnisse:

d_summarized %>% 
  pivot_longer(-decade) %>% 
  ggplot(aes(x = decade, y = value)) +
  geom_point() +
  geom_smooth(method = "lm", se = FALSE) +
  facet_wrap(~ name)

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

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

Animiertes Diagramm pro Dekade

Mit Punken:

p1 <- 
  d_summarized %>% 
  ggplot(aes(x = decade, y = temp_mean)) +
  geom_point(aes(group = seq_along(decade))) 

p1 + transition_reveal(decade)

Mit Linie:

p2 <- ggplot(d_summarized,
            aes(x = decade, temp_mean)) +
  geom_line()
p2 + transition_reveal(decade)

Animiertes Diagramm pro Jahr

d3 %>% 
  ggplot(aes(x = Year, y = temp)) +
  geom_line() + 
  transition_reveal(Year)

Statisches Diagramm für alle Monate

p3 <- d3 %>% 
  ggplot(aes(x = Year, y = temp, color = month, group = month)) +
  geom_line()

Animiertes Diagramm für alle Monate

p3 + transition_reveal(Year)

Fazit

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

Categories:

data
eda
lagemaße
vis
animation
string

--- extype: string exsolution: NA exname: nasa04 expoints: 1 categories: - data - eda - lagemaße - vis - animation - string date: '2023-05-05' slug: nasa04 title: nasa04 --- ```{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) ``` Zum Animieren verwenden wir diese Pakete: ```{r} library(gganimate) library(plotly) ``` Importieren Sie dann die Daten: ```{r} data_path <- "https://data.giss.nasa.gov/gistemp/tabledata_v4/GLB.Ts+dSST.csv" d <- read_csv(data_path, skip = 1) ``` 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. Visualisieren Sie Temperatur pro Jahr und Dekade. 3. BONUSAUFGABE: Animieren Sie Ihre Diagramme mittels `gganimate`. Hinweise: - Sie müssen zuerst die Dekade als neue Spalte berechnen. # Lösung ## Daten aufbereiten Dekade berechnen: ```{r} d <- d %>% mutate(decade = round(Year/10)) ``` Die Temperaturdaten der Monate April bis Dezember sind als Textdaten (`character`) formatiert. Aber wir brauchen Zahlen zum Rechne. Daher müssen wir noch in Zahlen umwandeln: ```{r} d2 <- d %>% select(Year:Dec) %>% mutate(across(Apr:Dec, as.numeric)) ``` Ins lange Format umwandeln: ```{r} d3 <- d2 %>% pivot_longer(-Year, values_to = "temp", names_to = "month") ``` Die Monate sind wie folgt bezeichnet in den Daten: ```{r} month_vec <- c("Jan", "Feb", "Mar", "Apr", "May", "Jun", "Jul", "Aug", "Sep", "Oct", "Nov", "Dec") ``` ```{r} months <- tibble( month = month_vec, month_num = 1:12 ) ``` Und dann die Monatsnummer (1-12) zu den Daten (`d3`) hinzufügen. Das geht komfortabel mit einem Join: ```{r} d4 <- d3 %>% full_join(months) ``` ## Daten zusammenfassen Statistiken pro Dekade für *Januar*: ```{r results ='hide'} d_summarized <- d %>% group_by(decade) %>% summarise(temp_mean = mean(Jan), temp_sd = sd(Jan)) d_summarized ``` ## Statisches Diagramm Zur Veranschaulichung visualisieren wir die Ergebnisse: ```{r echo = TRUE} d_summarized %>% pivot_longer(-decade) %>% ggplot(aes(x = decade, y = value)) + geom_point() + geom_smooth(method = "lm", se = FALSE) + facet_wrap(~ name) ``` Alternativ können Sie zum Visualisieren der Daten z.B. das Paket `ggpubr` nutzen: ```{r} library(ggpubr) ggscatter(d_summarized, x = "decade", y = "temp_mean", add = "reg.line") ``` ## Animiertes Diagramm pro Dekade Mit Punken: ```{r} p1 <- d_summarized %>% ggplot(aes(x = decade, y = temp_mean)) + geom_point(aes(group = seq_along(decade))) p1 + transition_reveal(decade) ``` Mit Linie: ```{r} p2 <- ggplot(d_summarized, aes(x = decade, temp_mean)) + geom_line() p2 + transition_reveal(decade) ``` ## Animiertes Diagramm pro Jahr ```{r} d3 %>% ggplot(aes(x = Year, y = temp)) + geom_line() + transition_reveal(Year) ``` ## Statisches Diagramm für alle Monate ```{r} p3 <- d3 %>% ggplot(aes(x = Year, y = temp, color = month, group = month)) + geom_line() ``` ## Animiertes Diagramm für alle Monate ```{r} p3 + transition_reveal(Year) ``` ## Fazit Falls Sie Teile der R-Syntax nicht kennen: Machen Sie sich nichts daraus. Be happy 😄 --- Categories: - data - eda - lagemaße - vis - animation - string