nasa06

data

eda

lagemaße

string

Published

May 9, 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)

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

Fassen Sie immer 10 Jahre (eine Dekade) an Jahren zusammen.
Präsentieren Sie gängige Statistiken pro Dekade für alle Monate.

Hinweise:

Sie müssen zuerst die Dekade als neue Spalte berechnen.
Treffen Sie Annahmen, wo nötig.
Beachten Sie die Hinweise.

Lösung

Tabelle in die Lang-Form bringen:

d_long <- 
  d %>% 
  select(Year, Jan:Dec) %>% 
  mutate(across(Jan:Dec, as.numeric)) %>% 
  pivot_longer(cols = Jan:Dec, values_to = "temp", names_to = "month")

Ein Blick in die Tabelle:

head(d_long)

Year	month	temp
1880	Jan	-0.19
1880	Feb	-0.25
1880	Mar	-0.09
1880	Apr	-0.16
1880	May	-0.10
1880	Jun	-0.21

Dekade berechnen:

d_long2 <-
  d_long %>% 
  mutate(decade = round(Year/10) * 10)

tail(d_long2)  # letzten paar Zeilen der Tabelle "d_long2"

Year	month	temp	decade
2026	Jul	NA	2030
2026	Aug	NA	2030
2026	Sep	NA	2030
2026	Oct	NA	2030
2026	Nov	NA	2030
2026	Dec	NA	2030

d_summarized <-
d_long2 %>% 
  group_by(decade, month) %>% 
  summarise(temp_mean = mean(temp, na.rm = TRUE),
            temp_sd = sd(temp, na.rm = TRUE))

decade	month	temp_mean	temp_sd
1880	Apr	-0.2133333	0.1723562
1880	Aug	-0.1583333	0.1110705
1880	Dec	-0.1916667	0.1188977
1880	Feb	-0.1733333	0.1875811
1880	Jan	-0.2066667	0.2427070
1880	Jul	-0.1766667	0.1333667

Zum Visualisieren gibt es meist viele Wege. Hier ist ein Weg mit ggplot2:

d_summarized %>% 
  ggplot(aes(x = decade, y = temp_mean)) +
  geom_point(color = "darkblue") +
  geom_errorbar(aes(ymin = temp_mean - temp_sd, ymax = temp_mean + temp_sd)) +
  geom_line(alpha = .7) +
  facet_wrap(~ month) +
  labs(caption = "Fehlerbalken zeigen plus/minus 1 SD")

Monate zu einem Jahreswert zusammen:

d_summarized2 <- 
  d_summarized %>% 
  group_by(decade) %>% 
  summarise(temp_mean = mean(temp_mean),
            temp_sd = sd(temp_sd))

d_summarized2

decade	temp_mean	temp_sd
1880	-0.1944444	0.0589377
1890	-0.2737963	0.0538577
1900	-0.2378788	0.0215415
1910	-0.3709259	0.0452990
1920	-0.2826515	0.0580058
1930	-0.1929630	0.0468722
1940	0.0303030	0.0288010
1950	-0.0680556	0.0351123
1960	-0.0342424	0.0310038
1970	-0.0070370	0.0396839
1980	0.1440152	0.0302052
1990	0.3072222	0.0236779
2000	0.5074242	0.0231223
2010	0.6527778	0.0412800
2020	1.0022727	0.0336710
2030	NaN	NA

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

library(ggpubr)
ggscatter(d_summarized2, x = "decade", y = "temp_mean", add = "reg.line")

Oder auch mit den Facetten pro Monat:

ggscatter(d_summarized, x = "decade", y = "temp_mean", add = "reg.line",
          facet.by = "month")

Ähnlich sieht es mit DataExplorer aus:

library(DataExplorer)
d_summarized2 |> 
  select(temp_mean, decade) |> 
  plot_scatterplot(by = "decade")

d_summarized2 |> 
  select(temp_sd, decade) |> 
  plot_scatterplot(by = "decade")

Die weltweilte Temperatur steigt. Bleibt u.a. die Frage, ob eine lineare Funktion angemessen ist, oder ob die Steigung nicht vielleicht prozentual steigt (das wäre eine exponenzielle Steigerung)?

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

Categories:

data
eda
lagemaße
string

--- extype: string exsolution: NA exname: nasa06 expoints: 1 categories: - data - eda - lagemaße - string date: '2023-05-09' slug: nasa06 title: nasa06 --- ```{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} 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. Fassen Sie immer 10 Jahre (eine Dekade) an Jahren zusammen. 2. Präsentieren Sie gängige Statistiken pro Dekade für alle Monate. Hinweise: - Sie müssen zuerst die Dekade als neue Spalte berechnen. - Treffen Sie Annahmen, wo nötig. - Beachten Sie die [Hinweise](https://datenwerk.netlify.app/hinweise). # Lösung Tabelle in die Lang-Form bringen: ```{r warning=FALSE} d_long <- d %>% select(Year, Jan:Dec) %>% mutate(across(Jan:Dec, as.numeric)) %>% pivot_longer(cols = Jan:Dec, values_to = "temp", names_to = "month") ``` Ein Blick in die Tabelle: ```{r} head(d_long) ``` Dekade berechnen: ```{r} d_long2 <- d_long %>% mutate(decade = round(Year/10) * 10) ``` ```{r} tail(d_long2) # letzten paar Zeilen der Tabelle "d_long2" ``` ```{r} d_summarized <- d_long2 %>% group_by(decade, month) %>% summarise(temp_mean = mean(temp, na.rm = TRUE), temp_sd = sd(temp, na.rm = TRUE)) ``` ```{r echo = FALSE} d_summarized %>% head() ``` Zum Visualisieren gibt es meist viele Wege. Hier ist ein Weg mit `ggplot2`: ```{r echo = TRUE} d_summarized %>% ggplot(aes(x = decade, y = temp_mean)) + geom_point(color = "darkblue") + geom_errorbar(aes(ymin = temp_mean - temp_sd, ymax = temp_mean + temp_sd)) + geom_line(alpha = .7) + facet_wrap(~ month) + labs(caption = "Fehlerbalken zeigen plus/minus 1 SD") ``` Monate zu einem Jahreswert zusammen: ```{r} d_summarized2 <- d_summarized %>% group_by(decade) %>% summarise(temp_mean = mean(temp_mean), temp_sd = sd(temp_sd)) d_summarized2 ``` Alternativ können Sie zum Visualisieren der Daten z.B. das Paket `ggpubr` nutzen: ```{r} library(ggpubr) ggscatter(d_summarized2, x = "decade", y = "temp_mean", add = "reg.line") ``` Oder auch mit den Facetten pro Monat: ```{r} ggscatter(d_summarized, x = "decade", y = "temp_mean", add = "reg.line", facet.by = "month") ``` Ähnlich sieht es mit `DataExplorer` aus: ```{r fig.show = "hold"} library(DataExplorer) d_summarized2 |> select(temp_mean, decade) |> plot_scatterplot(by = "decade") d_summarized2 |> select(temp_sd, decade) |> plot_scatterplot(by = "decade") ``` Die weltweilte Temperatur steigt. Bleibt u.a. die Frage, ob eine lineare Funktion angemessen ist, oder ob die Steigung nicht vielleicht prozentual steigt (das wäre eine exponenzielle Steigerung)? Falls Sie Teile der R-Syntax nicht kennen: Machen Sie sich nichts daraus. 😄 --- Categories: - data - eda - lagemaße - string