Как NASA доказало климатический кризис.
Я выбрал данные о глобальных температурных аномалиях с 1880 года по настоящее время от NASA GISS (Goddard Institute for Space Studies). Эти данные доступны в формате CSV на официальном сайте NASA по ссылке
Данные привлекли внимание, так как охватывают более 140 лет наблюдений за климатом и являются одним из самых авторитетных источников для изучения глобального потепления. Их ценность заключается в возможности проследить долгосрочные изменения температуры на Земле, что особенно актуально в условиях современных экологических вызовов. Мне было интересно визуализировать, как климат менялся с течением времени, и выявить ключевые закономерности, которые могут помочь лучше понять проблему изменения климата.
Для анализа данных выбраны следующие типы графиков:
Линейный график: показывает тренд годовых температурных аномалий с 1880 года. Подходит для отображения временных рядов.
Столбчатая диаграмма: демонстрирует средние температурные аномалии по десятилетиям, чтобы выделить различия между периодами.
Гистограмма: отображает распределение годовых температурных аномалий, что помогает понять частотность значений.
Диаграмма рассеяния с линией тренда: иллюстрирует связь между годом и аномалией с линейной регрессией, подчеркивающей общий рост температуры.
Обработка данных выполнялась в Google Colab с использованием Python и библиотек Pandas и Matplotlib. Вот пошаговый процесс:
Данные загружены с сайта NASA с помощью команды wget:
Чтение и очистка данных
CSV-файл содержит метаданные, которые нужно обработать. Указаны имена столбцов, преобразованы 'Year' и 'J-D' (годовая аномалия) в числовые форматы и удалены некорректные строки:
Создание дополнительных столбцов
Для столбчатой диаграммы я добавил столбец 'Decade', группирующий годы по десятилетиям:
Подготовка данных для графиков
➡️Для линейного графика и диаграммы рассеяния: столбцы 'Year' и 'J-D'. ➡️Для столбчатой диаграммы: средние значения 'J-D' по десятилетиям:
Построение графиков
Графики оформлены в современном стиле с тёмным фоном и градиентными синими элементами:
Фон: тёмно-синий (#000022), для большего контраста и глубины. Линейный график: градиентная синяя линия, утолщённая для лучшей видимости. Столбчатая диаграмма: градиентные синие столбцы с белыми краями для объёма. Гистограмма: светло-синие столбцы с белыми контурами. Диаграмма рассеяния: градиентные синие точки и красная линия тренда для акцента. Текст: белый, шрифт 'Arial', заголовки увеличены (14–16 pt).
Линейный график: Годовые температурные аномалии
Этот график показывает изменение годовых температурных аномалий с 1880 года по настоящее время. Линия имеет градиентный цвет от светло-голубого (ранние годы) до тёмно-синего (поздние годы), что подчёркивает прогрессию.
Код показывает изменение температуры с течением времени. Использует градиентную линию для визуального выделения прогресса.
Столбчатая диаграмма: Средние аномалии по десятилетиям
Этот график отображает средние аномалии для каждого десятилетия. Столбцы окрашены в градиентные синие оттенки, становясь темнее для более поздних десятилетий.
Строчки выше группируют данные по десятилетиям и вычисляют средние значения. Используют градиентные столбцы для сравнения аномалий.
Гистограмма: Распределение годовых аномалий
Гистограмма показывает частоту встречаемости различных значений годовых аномалий. Столбцы светло-голубые с белыми контурами.
Диаграмма рассеяния с линией тренда: Аномалии с линией тренда
Данные показывают аномалии в виде точек с градиентным цветом и красную линию тренда, иллюстрирующую общий рост температуры.
Код отображает аномалии как точки с градиентным цветом. Добавляет красную линию тренда для выделения тенденции.
Анализ данных о глобальных температурных аномалиях с 1880 года свидетельствует о неизбежном повышении средней температуры планеты, что подтверждает тенденцию глобального потепления. Данные, обработанные с использованием статистических методов, демонстрируют устойчивый рост температур, указывающий на изменение климата, требующее дальнейшего исследования и разработки мер по смягчению последствий данного процесса.
Нейросети активно применялись в работе исправляя баги и ошибки кодов а также для поиска подходящей и цельной базы данных. Сделано c помощью нейросети Grok.
