R 기말프로젝트 최종본
임소율
2023-12-10
기말 프로젝트
20220151 임소율
< What >
- 년도별 사계절이 다가온 시기변화로 알아보는 지구온난화
- 사계절 구분 기준 : 3-5월 봄, 6-8월 여름, 9-11월 가을, 12-2월 겨울
=> But, 겨울계절로 더 디테일하게 그래프를 생성하고, 현상을 보는게 더 좋을 것 같다 생각들어, 사계절이 아닌 겨울만 갖고 그래프를 형성하였음.
=> 즉, 년도별 겨울의 편균온도 변화차로 알아보는 지구온난화
< Why >
- 지구온난화로 인한 사계절 시기 변화의 심각성을 밝히고, 지구환경의 보호에 대한 경각심을 일으키기 위함.
- 그래프를 통해 계절 시즌이 점점 더 빨라지고, 사계절의 경게선이 모호해지고 있음을 확인하며, 지구온난화가 점점 더 악화 및 진행되고 있단 점을 알 수 있음.
=> 지구온난화로 인한 겨울의 극심한 온도변화의 심각성을 밝히고, 지구환경의 보호에 대한 경각심을 일으키기 위함.
=>그래프를 통해 겨울의 평균온도가 시간이 지날수록 점점 더 빨라지고 있음을 확인할 수 있으며, 지구온난화가 점점 더 악화 및 진행되고 있단 점을 알 수 있음.
< How >
- 기상청 기상자료개방포털 사이트에서 서울 지역의 2000년부터 2020년까지의 최저기온, 평균기온, 최고기온을 담은 데이터를 불러옴.
- 이때, 사계절을 구분한 기준인 특정 월을 참고하여, 월별로 나눠 데이터를 가져오고, 이를 봄/ 여름/ 가을/ 겨울 각각 따로 나눠 데이터프레임을 생성함.
- 각 년도별로 추출한 계절별 새로운 데이터프레임의 평균 기온을 구함.
- 구한 년도별 평균 기온을 합쳐, 이를 선그래프로 생성.
=> 계절별 평균기온 그래프론 나의 주요 연구목적을 분명하게 실현시키기 어려울 거라 생각.
=> 사계절이 아닌 겨울 한계절만 이용하여, 몇십년동안의 겨울 평균온도 데이터를 추출. 그리고 년도별로 평균온도의 mean값을 구하여, 이를 선그래프로 생성.
=> 2000년대와 1900년대의 겨울 평균온도의 변화차 그래프를 생성하여, 더 극심한 온도변화가 있는 년도를 확인하고, 이를 지구온난화 문제와 관련지음.
=> 이에 더하여, 2000-2022 겨울 데이터와 1920-1940 겨울 데이터의 variance와 standard deviation 값을 더 보고자함.
getwd()## [1] "C:/Users/admin/Desktop/R/R 기말프로젝트"setwd("C:/Users/admin/Desktop/R/R 기말프로젝트")
library(readxl)## Warning: 패키지 'readxl'는 R 버전 4.3.2에서 작성되었습니다‘2000-2010’, ‘2011-2022’ 데이터 출력 및 ‘1920-1940’ 데이터 출력하기
2000-2010 데이터 출력하기
excel_file <- "C://Users//admin//Desktop//R//R 기말프로젝트//2000-2010_winter.xlsx"
sheet_names <- excel_sheets(excel_file)
data_list <- lapply(sheet_names, function(sheet) read_excel(excel_file, sheet = sheet))library(dplyr)## Warning: 패키지 'dplyr'는 R 버전 4.3.2에서 작성되었습니다##
## 다음의 패키지를 부착합니다: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union# Assuming the sheets are ordered by year (Sheet1: 2000, Sheet2: 2001, ...)
years <- 2000:(2000 + length(sheet_names) - 1)
data_list <- Map(cbind, data_list, year = years)
combined_data <- bind_rows(data_list)
head(combined_data)## 지점 지점명 일시 평균기온(℃) 평균최고 최고기온(℃) 최고기온
## 1 NA <NA> <NA> NA 기온(℃) NA 일자
## 2 108 서울 2000-12-01 0.9 4.9000000000000004 11.9 36869
## 3 108 서울 2000-01-01 -2.1 1.7 9.9 36526
## 4 108 서울 2000-02-01 -1.7 2.6 7.5 36575
## 5 NA <NA> <NA> NA 기온(℃) NA 일자
## 6 108 서울 2001-12-01 -0.6 3.4 10.9 37236
## 평균최저 최저기온(℃) 최저기온 year
## 1 기온(℃) NA 일자 2000
## 2 -2.9 -11.4 36886 2000
## 3 -5.7 -12.1 36532 2000
## 4 -5.8 -11.6 36557 2000
## 5 기온(℃) NA 일자 2001
## 6 -4 -8.8 37243 20012011-2022 데이터 출력하기
excel_file2 <- "C://Users//admin//Desktop//R//R 기말프로젝트//2011-2022_winter.xlsx"
sheet_names <- excel_sheets(excel_file2)
data_list <- lapply(sheet_names, function(sheet) read_excel(excel_file2, sheet = sheet))# Assuming the sheets are ordered by year (Sheet1: 2000, Sheet2: 2001, ...)
years <- 2011:(2011 + length(sheet_names) - 1)
data_list <- Map(cbind, data_list, year = years)
combined_data2 <- bind_rows(data_list)
head(combined_data2)## 지점 지점명 일시 평균기온(℃) 평균최고 최고기온(℃) 최고기온
## 1 NA <NA> <NA> NA 기온(℃) NA 일자
## 2 108 서울 2011-12-01 -0.9 2.9 9.1 40880
## 3 108 서울 2011-01-01 -7.2 -3.4 0.3 40557
## 4 108 서울 2011-02-01 1.2 5.9 13.2 40600
## 5 NA <NA> <NA> NA 기온(℃) NA 일자
## 6 108 서울 2012-12-01 -4.1 -0.5 8.3 41258
## 평균최저 최저기온(℃) 최저기온 year
## 1 기온(℃) NA 일자 2011
## 2 -4.0999999999999996 -10.6 40894 2011
## 3 -10.5 -17.8 40559 2011
## 4 -2.5 -9.2 40586 2011
## 5 기온(℃) NA 일자 2012
## 6 -7.4 -14.5 41269 20121920-1940 데이터 출력하기
excel_file3 <- "C://Users//admin//Desktop//R//R 기말프로젝트//1920-1940_winter.xlsx"
sheet_names <- excel_sheets(excel_file3)
data_list <- lapply(sheet_names, function(sheet) read_excel(excel_file3, sheet = sheet))# Assuming the sheets are ordered by year (Sheet1: 2000, Sheet2: 2001, ...)
years <- 1920:(1920 + length(sheet_names) - 1)
data_list <- Map(cbind, data_list, year = years)
combined_data3 <- bind_rows(data_list)
head(combined_data3)## 지점 지점명 일시 평균기온(℃) 평균최고 최고기온(℃) 최고기온 평균최저
## 1 NA <NA> <NA> NA 기온(℃) NA 일자 기온(℃)
## 2 108 서울 1920-12-01 -1.2 3.2 12.9 7641 -6.3
## 3 108 서울 1920-01-01 -6.8 -1.9 7.5 7336 -12.7
## 4 108 서울 1920-02-01 -3.2 1 8.5 7337 -7.5
## 5 NA <NA> <NA> NA 기온(℃) NA 일자 기온(℃)
## 6 108 서울 1921-12-01 -0.7 4.2 11.7 8014 -5.4
## 최저기온(℃) 최저기온 year
## 1 NA 일자 1920
## 2 -18.9 7668 1920
## 3 -22.3 7309 1920
## 4 -18.5 7347 1920
## 5 NA 일자 1921
## 6 -13.6 8030 1921한글 오류를 피하기 위해, 필요한 칼럼의 이름을 영어로 고치기.
2000-2010 rename하기
combined_data <- rename(combined_data, "date"="일시", "mean" = "평균기온(℃)", "min"="최저기온(℃)", "max"="최고기온(℃)" )
View(combined_data)2011-2022 rename하기
combined_data2 <- rename(combined_data2, "date"="일시", "mean" = "평균기온(℃)", "min"="최저기온(℃)", "max"="최고기온(℃)" )
View(combined_data2)1920-1940 rename하기
combined_data3 <- rename(combined_data3, "date"="일시", "mean" = "평균기온(℃)", "min"="최저기온(℃)", "max"="최고기온(℃)" )
View(combined_data3)mean값을 구하기 전에, 20년간의 겨울 평균온도의 변화 현상을 보기로 했기 때문에,
우선
2000-2010 데이터와 2011-2022 데이터 합치기
combined_data_1_2 <- bind_rows(
combined_data, combined_data2
)
View(combined_data_1_2)각 년도별 겨울 평균온도의 mean 구하기.
2000-2022 mean 구하고 mean_winter 데이터이용해 그래프 생성하기
library(ggplot2)## Warning: 패키지 'ggplot2'는 R 버전 4.3.2에서 작성되었습니다colnames(combined_data_1_2)## [1] "지점" "지점명" "date" "mean" "평균최고" "max"
## [7] "최고기온" "평균최저" "min" "최저기온" "year"mean_values_1_2 <- combined_data_1_2 %>%
group_by(year) %>%
summarize(mean_value_1_2 = mean(mean, na.rm = TRUE))
print(mean_values_1_2)## # A tibble: 23 × 2
## year mean_value_1_2
## <int> <dbl>
## 1 2000 -0.967
## 2 2001 -1.67
## 3 2002 1.63
## 4 2003 0.3
## 5 2004 0.9
## 6 2005 -2.77
## 7 2006 0.433
## 8 2007 2.07
## 9 2008 -0.6
## 10 2009 -0.0333
## # ℹ 13 more rowsggplot(mean_values_1_2, aes(x = year, y = mean_value_1_2)) +
geom_line() +
labs(
title = "Mean Temperature Over Years_2000-2022",
x = "Year",
y = "Mean Temperature"
)
=> 약 20년동안의 겨울 평균온도가 시간이 지날수록 점점 더 낮아질 것으로 예상하였지만, 그렇진 않고 내려갔다 올라갔다 왔다갔다 온도변화를 반복하는 것 같다.
=> 이 그래프를 통해, 극심한 년도별 겨울 평균온도차를 보이며 이러한 극심한 온도변화는 기후온난화와 연관될 것으로 생각된다.
=> 다만, 약 20년전인 2000년도의 겨울에도 극심한 년도별 온도변화 현상이 일어난 것으로 보아, 기후 온난화로 인한 현상인지는 확실치 못하겠다.
그러하여, 아주 먼 옛날인 1900년대의 데이터도 끌어와 다시한번 그래프를 그려보겠다.
=> 이 과정에서 먼 과거 기후온난화가 현재보단 완화된 시점에서도 겨울 온도의 극심한 변화 현상이 있었는지 확인할 수 있음.
1920-1940 mean 구하고 mean_winter 데이터이용해 그래프 생성하기
colnames(combined_data3)## [1] "지점" "지점명" "date" "mean" "평균최고" "max"
## [7] "최고기온" "평균최저" "min" "최저기온" "year"library(dplyr)
library(ggplot2)
mean_values3 <- combined_data3 %>%
group_by(year) %>%
summarize(mean_value3 = mean(mean, na.rm = TRUE))
print(mean_values3)## # A tibble: 21 × 2
## year mean_value3
## <int> <dbl>
## 1 1920 -3.73
## 2 1921 -1.57
## 3 1922 -3.67
## 4 1923 -3.63
## 5 1924 -1.97
## 6 1925 -2.8
## 7 1926 -3.77
## 8 1927 -3
## 9 1928 -3.13
## 10 1929 -2.03
## # ℹ 11 more rowsggplot(mean_values3, aes(x = year, y = mean_value3)) +
geom_line() +
labs(
title = "Mean Temperature Over Years_1920-1940",
x = "Year",
y = "Mean Temperature"
)
=> 확실히 2000년부터 2020년까지의 겨울의 20년 온도변화차보다 1920년부터 1940년까지의 겨울의 20년 온도변화차가 더 작다.
( 겨울 온도변화차 : 2000-2020 > 1920-1940 )
=> 즉, 이러한 그래프와 현상을 통해, 겨울의 온도변화차가 점점 갈수록 극심해지고 있다는걸 볼 수 있고, 이는 지구온난화, 기후위기문제와 매우 연관되어 있다고 확신할 수 있다.
20년간의 겨울의 온도를 모아둔 ’2000-2022’데이터와 ’1920-1940’데이터 각각 variance와 standard deviation값을 구하여, 두 데이터의 차를 더 알아보기
2000-2022 variance와 standard deviation을 구하고, 구한 데이터를 이용해 그래프 생성하기
standard deviation (표준편차) : 데이터가 얼마나 흩어져있는가를 나타냄. 즉, 표준편차가 낮다는건 데이터가 응집되어있다는 것을 의미함.
variance_std_values_1_2 <- combined_data_1_2 %>%
group_by(year) %>%
summarize(
variance_value_1_2 = var(mean, na.rm = TRUE),
std_deviation_value_1_2 = sd(mean, na.rm = TRUE)
)
print(variance_std_values_1_2)## # A tibble: 23 × 3
## year variance_value_1_2 std_deviation_value_1_2
## <int> <dbl> <dbl>
## 1 2000 2.65 1.63
## 2 2001 4.46 2.11
## 3 2002 1.69 1.30
## 4 2003 6.88 2.62
## 5 2004 4.36 2.09
## 6 2005 1.05 1.03
## 7 2006 0.723 0.850
## 8 2007 3.29 1.81
## 9 2008 2.23 1.49
## 10 2009 6.70 2.59
## # ℹ 13 more rowsggplot(variance_std_values_1_2, aes(x = year, y = variance_value_1_2)) +
geom_line() +
labs(
title = "Variance Over Years_2000-2022",
x = "Year",
y = "Variance"
)
ggplot(variance_std_values_1_2, aes(x = year, y = std_deviation_value_1_2)) +
geom_line() +
labs(
title = "Standard Deviation Over Years_2000-2022",
x = "Year",
y = "Standard Deviation"
)
1920-1940 variance와 standard deviation을 구하고, 구한 데이터를 이용해 그래프 생성하기
variance_std_values3 <- combined_data3 %>%
group_by(year) %>%
summarize(
variance_value3 = var(mean, na.rm = TRUE),
std_deviation_value3 = sd(mean, na.rm = TRUE)
)
print(variance_std_values3)## # A tibble: 21 × 3
## year variance_value3 std_deviation_value3
## <int> <dbl> <dbl>
## 1 1920 8.05 2.84
## 2 1921 1.05 1.03
## 3 1922 18.1 4.25
## 4 1923 3.72 1.93
## 5 1924 0.223 0.473
## 6 1925 1.83 1.35
## 7 1926 1.36 1.17
## 8 1927 1.11 1.05
## 9 1928 3.24 1.80
## 10 1929 10.4 3.22
## # ℹ 11 more rowsggplot(variance_std_values3, aes(x = year, y = variance_value3)) +
geom_line() +
labs(
title = "Variance Over Years_1920-1940",
x = "Year",
y = "Variance"
)
ggplot(variance_std_values3, aes(x = year, y = std_deviation_value3)) +
geom_line() +
labs(
title = "Standard Deviation Over Years_1920-1940",
x = "Year",
y = "Standard Deviation"
)
더 확실한 mean값의 차를 보기위해, lm 값 구하고, 이 값을 이용해 선 그리기.
2000-2022 mean값의 lm 선그리기
colnames(mean_values_1_2)## [1] "year" "mean_value_1_2"library(dplyr)
lm_model <- lm(mean_value_1_2 ~ year, data = mean_values_1_2)
summary(lm_model)##
## Call:
## lm(formula = mean_value_1_2 ~ year, data = mean_values_1_2)
##
## Residuals:
## Min 1Q Median 3Q Max
## -2.38172 -1.11523 0.06064 1.14536 2.54572
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 42.02757 91.33218 0.460 0.650
## year -0.02118 0.04542 -0.466 0.646
##
## Residual standard error: 1.445 on 21 degrees of freedom
## Multiple R-squared: 0.01025, Adjusted R-squared: -0.03688
## F-statistic: 0.2175 on 1 and 21 DF, p-value: 0.6458ggplot(mean_values_1_2, aes(x = year, y = mean_value_1_2)) +
geom_point() +
geom_smooth(method = "lm", se = FALSE, color = "red") +
labs(
title = "Linear Regression: Mean Temperature Over Years_2000-2022",
x = "Year",
y = "Mean Temperature"
)## `geom_smooth()` using formula = 'y ~ x'
1920-1940 mean값의 lm 선그리기
colnames(mean_values3)## [1] "year" "mean_value3"library(dplyr)
lm_model3 <- lm(mean_value3 ~ year, data = mean_values3)
summary(lm_model3)##
## Call:
## lm(formula = mean_value3 ~ year, data = mean_values3)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.6636 -0.8608 -0.1873 0.4597 2.3963
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 16.54069 69.14147 0.239 0.813
## year -0.01004 0.03582 -0.280 0.782
##
## Residual standard error: 0.9941 on 19 degrees of freedom
## Multiple R-squared: 0.00412, Adjusted R-squared: -0.0483
## F-statistic: 0.07859 on 1 and 19 DF, p-value: 0.7822ggplot(mean_values3, aes(x = year, y = mean_value3)) +
geom_point() +
geom_smooth(method = "lm", se = FALSE, color = "red") +
labs(
title = "Linear Regression: Mean Temperature Over Years_1920-1940",
x = "Year",
y = "Mean Temperature"
)## `geom_smooth()` using formula = 'y ~ x'
#### => lm 선을 그려 확인해본 결과, 1900년대 겨울 평균온도의 선
기울기에 비해, 2000년대 겨울평균온도의 선 기울기가 더 치우쳐진 것을
볼수있음.
2000-2022 variance값의 lm 선그리기
colnames(variance_std_values_1_2)## [1] "year" "variance_value_1_2"
## [3] "std_deviation_value_1_2"library(dplyr)
lm_model_var <- lm(variance_value_1_2 ~ year, data = variance_std_values_1_2)
summary(lm_model_var)##
## Call:
## lm(formula = variance_value_1_2 ~ year, data = variance_std_values_1_2)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.522 -2.474 -1.302 1.640 15.053
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 79.8738 259.2184 0.308 0.761
## year -0.0377 0.1289 -0.292 0.773
##
## Residual standard error: 4.101 on 21 degrees of freedom
## Multiple R-squared: 0.004057, Adjusted R-squared: -0.04337
## F-statistic: 0.08555 on 1 and 21 DF, p-value: 0.7728ggplot(variance_std_values_1_2, aes(x = year, y = variance_value_1_2)) +
geom_point() +
geom_smooth(method = "lm", se = FALSE, color = "green") +
labs(
title = "Linear Regression: Mean Temperature Over Years_2000-2022",
x = "Year",
y = "Mean Temperature"
)## `geom_smooth()` using formula = 'y ~ x'
1920-1940 variance값의 lm 선그리기
colnames(variance_std_values3)## [1] "year" "variance_value3" "std_deviation_value3"library(dplyr)
lm_model_var3 <- lm(variance_value3 ~ year, data = variance_std_values3)
summary(lm_model_var3)##
## Call:
## lm(formula = variance_value3 ~ year, data = variance_std_values3)
##
## Residuals:
## Min 1Q Median 3Q Max
## -6.276 -4.351 -3.349 3.913 13.589
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -499.8061 435.7284 -1.147 0.266
## year 0.2625 0.2258 1.163 0.259
##
## Residual standard error: 6.265 on 19 degrees of freedom
## Multiple R-squared: 0.06641, Adjusted R-squared: 0.01728
## F-statistic: 1.352 on 1 and 19 DF, p-value: 0.2594ggplot(variance_std_values3, aes(x = year, y = variance_value3)) +
geom_point() +
geom_smooth(method = "lm", se = FALSE, color = "green") +
labs(
title = "Linear Regression: Mean Temperature Over Years_1920-1940",
x = "Year",
y = "Mean Temperature"
)## `geom_smooth()` using formula = 'y ~ x'
2000-2022 standard deviation값의 lm 선그리기
colnames(variance_std_values_1_2)## [1] "year" "variance_value_1_2"
## [3] "std_deviation_value_1_2"library(dplyr)
lm_model_std <- lm(std_deviation_value_1_2 ~ year, data = variance_std_values_1_2)
summary(lm_model_std)##
## Call:
## lm(formula = std_deviation_value_1_2 ~ year, data = variance_std_values_1_2)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.0529 -0.5824 -0.1794 0.5631 2.5302
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 26.83014 53.75390 0.499 0.623
## year -0.01243 0.02673 -0.465 0.647
##
## Residual standard error: 0.8503 on 21 degrees of freedom
## Multiple R-squared: 0.01019, Adjusted R-squared: -0.03695
## F-statistic: 0.2161 on 1 and 21 DF, p-value: 0.6468ggplot(variance_std_values_1_2, aes(x = year, y = std_deviation_value_1_2)) +
geom_point() +
geom_smooth(method = "lm", se = FALSE, color = "blue") +
labs(
title = "Standard Deviation: Mean Temperature Over Years_2000-2022",
x = "Year",
y = "Mean Temperature"
)## `geom_smooth()` using formula = 'y ~ x'
2000-2022 standard deviation값의 lm 선그리기
colnames(variance_std_values3)## [1] "year" "variance_value3" "std_deviation_value3"library(dplyr)
lm_model_std3 <- lm(std_deviation_value3 ~ year, data = variance_std_values3)
summary(lm_model_std3)##
## Call:
## lm(formula = std_deviation_value3 ~ year, data = variance_std_values3)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.4832 -0.7465 -0.5207 0.9193 2.4210
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -115.37790 81.36633 -1.418 0.172
## year 0.06098 0.04216 1.447 0.164
##
## Residual standard error: 1.17 on 19 degrees of freedom
## Multiple R-squared: 0.09921, Adjusted R-squared: 0.0518
## F-statistic: 2.092 on 1 and 19 DF, p-value: 0.1643ggplot(variance_std_values3, aes(x = year, y = std_deviation_value3)) +
geom_point() +
geom_smooth(method = "lm", se = FALSE, color = "blue") +
labs(
title = "Standard Deviation: Mean Temperature Over Years_1920-1940",
x = "Year",
y = "Mean Temperature"
)## `geom_smooth()` using formula = 'y ~ x'