R VE RSTUDIO

-R ve Rstudio yukledim

-projeler ve odevlerim yapmaya orendim

-Rmarkdown dosyasını açmak için sol üst köşede bulunan ok tuşuna bastim ve üçüncü sırada bulunan R Markdown seçtim.

-Proje adi neydi nasil kullanacagim ve neler yapacagim ogrenmeye baladim

-internetten projem sectim

* CO₂ Emisyonlar*

CO₂ (karbondioksit) emisyonları, küresel iklim değişikliğinin temel nedenidir. Bu emisyonların azaltılması, iklim değişikliğinin en kötü etkilerinden kaçınmak için acil olarak yapılması gereken bir adımdır. Ancak bu sorumluluğun bölgeler, ülkeler ve bireyler arasında nasıl paylaşıldığı, uluslararası tartışmalarda sürekli bir konu olmuştur.

-CO₂ emisyonları farklı şekillerde karşılaştırılabilir:

Yıllık ülke bazında emisyonlar: Ülkelerin yıllık emisyonları.

Kişi başına düşen emisyonlar: Bir kişinin yıllık emisyonları.

Tarihsel katkılar: Ülkelerin tarihsel olarak ne kadar emisyon ürettiği.

Ticaret malları ve hizmetleri için düzeltilmiş emisyonlar: İhracat ve ithalatı dikkate alan emisyonlar.

PAKETLER

R paketleri, R programlama dilinin temel işlevlerini genişletmek için tasarlanmış bir araç ve kaynaklar kümesidir. Bu paketler, işlevler, veri kümeleri ve diğer ek materyalieri bir araya getirir ve belirli bir amaca hizmet etmek üzere paketlenir. Her paket, belirli analitik veya hesaplama ihtiyaçlarını karşılamak için özel olarak tasarlanmış bir araç kutusu olarak hizmet eder. Bu paketler, çeşitli görevleri verimli ve etkili bir şekilde yerine getirmenizi sağlayarak R’nin makine tarafından kullanılan dişlileridir.

ornek 1 (dplyr paketi)

dplyr: Veri işleme ve manipülasyonu için kullanılır. Veri çerçeveleri üzerinde filtreleme, sıralama, toplama ve birleştirme gibi işlemleri kolaylaştırır.

dplyr, R programlama dilinde veri işleme ve manipülasyonu için geliştirilmiş bir pakettir. Bu paket, veri çerçeveleri üzerinde sıklıkla yapılan işlemleri kolaylaştırır ve veri analizi süreçlerini daha etkili hale getirir. Genel olarak, dplyr paketi R kullanıcılarına veri manipülasyon işlemlerini daha hızlı, daha okunabilir ve daha etkili bir şekilde gerçekleştirmelerine olanak tanır. Bu nedenle, R programlamada veri işleme ve analizinde sıklıkla kullanılan önemli bir araçtır.

Dplyr, R programlama dilinde veri işleme ve analizini kolaylaştıran bir pakettir. İşte temel prensipleri: Veri Setini İçeri Aktarma: Veri setini içeri aktarmak için read.csv(), read_excel() veya benzeri fonksiyonları kullanabilirsiniz. Örneğin, cbs_data <- read.csv(“veriseti.csv”) ile bir CSV dosyasını içeri aktarabilir. Örneğin, cbs_data %>% select(country, year, EN.ATM.CO2E.KT) ile sadece “country”, “year” ve “EN.ATM.CO2E.KT” sütunlarını seçebilirsiniz. cbs_data %>% filter(year >= 2000) ile 2000 yılından sonraki verileri filtreleyebilir.

Dplyr Fonksiyonları

Dplyr, altı temel fonksiyon içerir: select(): Belirli sütunları seçmek için. mutate(): Yeni sütunlar oluşturmak veya mevcut sütunları değiştirmek için. filter(): Belirli koşullara uyan satırları filtrelemek için. arrange(): Sıralama yapmak için. summarize(): İstatistiksel özetler oluşturmak için.

Dplyr, veri işleme ve analizinde güçlü bir araçtır

ornek 2 (tidyr paketi)

tidyr: Veri temizleme ve dönüştürme için kullanılır. Veri çerçevelerinde geniş veya uzun formata dönüştürme, eksik değerlerle başa çıkma gibi işlemleri sağlar.

“tidyr”, R programlama dilinde veri temizleme ve dönüştürme işlemleri için kullanılan bir pakettir. Veri analizi sırasında, veri setlerinin bazen düzensiz veya karmaşık bir yapıya sahip olması yaygındır. Bu durumda, veriyi analiz etmek ve modele sokmak için veriyi temizlemek ve düzenlemek önemlidir. İşte tidyr paketinin önemli olduğu bazı noktalar: -Veri Düzenleme ve Yapılandırma -Eksik Değerlerle Başa Çıkma -Veri Setlerini Birleştirme -Geniş Formatı Uzun Formata Dönüştürme -Veri Temizleme ve Hazırlık

Tidyr, veri çerçevelerini dönüştürmek ve düzenlemek için kullanılan bir R paketidir.

Tidyr’ı yüklemek için en kolay yol, tidyverse paketini tamamen yüklemektir: install.packages(“tidyverse”). Alternatif olarak, sadece tidyr’ı yükleyebilir: install.packages(“tidyr”). GitHub’dan geliştirme sürümünü yüklenir: pak::pak(“tidyverse/tidyr”)

-Uzun (long) ve geniş (wide) veri formatları arasında dönüşüm yapar.

Tidyr, veri düzenleme için tasarlanmıştır ve genel yeniden şekillendirme (reshape2) veya genel birleştirme (reshape) için değil. data.table, melt() ve dcast() fonksiyonlarının yüksek performanslı uygulamalarını sunar.

ornek 3 (stringr paketi)

stringr: Metin verileri üzerinde işlem yapmak için kullanılır. Dizeleri arama, değiştirme, bölme gibi işlemleri gerçekleştirmek için kullanılır.

“stringr”, R programlama dilinde metin işleme ve manipülasyonu için kullanılan bir pakettir. Metin verileri, birçok veri analizi ve makine öğrenimi projesinde önemli bir rol oynar. “stringr” paketi, metin verileri üzerinde çeşitli işlemler gerçekleştirmek için kullanılır ve R programlama dilinde metin verileriyle çalışmayı kolaylaştırır.

stringr paketi R kullanıcıları için metin verileriyle çalışmayı kolaylaştırır ve veri analizi sürecinde önemli bir araçtır. Metin verileri üzerinde düzenleme, arama ve manipülasyon işlemleri yapmak için yaygın olarak kullanılır.

ornek 4 (leaflet paketi)

leaflet paketi, coğrafi verileri görselleştirmek için kullanılır. Kullanıcılar, dünya haritası, ülke haritaları, bölge haritaları veya hatta özel haritalar oluşturabilirler. Bu haritalar üzerinde veri tabanlı işaretler, çizgiler, çokgenler ve diğer öğeler ekleyebilir ve bunları etkileşimli hale getirebilirler.

leaflet ile oluşturulan haritalar genellikle web tarayıcıları üzerinde görüntülenir ve kullanıcılar harita üzerinde gezinebilir, yakınlaştırabilir, uzaklaştırabilir ve haritadaki işaretlere tıklayarak ek bilgi alabilirler. Bu özellikler, coğrafi verileri görselleştirmek ve anlamak için güçlü bir araç seti sunar.

leaflet paketi, R kullanıcılarına coğrafi veri analizi ve görselleştirmesi için esnek bir çözüm sunar. Çeşitli endüstrilerde, coğrafi veri analizi, jeoloji, çevre bilimi, ulaşım planlaması ve pazarlama gibi alanlarda kullanılır.

Leaflet, R programlama dili için interaktif harita oluşturmayı sağlayan bir pakettir. Bu paket, basit harita görselleştirmelerinden daha karmaşık ve etkileşimli harita uygulamalarına kadar geniş bir yelpazede kullanılabilir. Leaflet, modern web teknolojilerini kullanarak haritalar oluşturur ve bu sayede kullanıcılara interaktif özellikler sunar.

leaflet: Harita görselleştirmesi için kullanılır. Haritalar üzerinde veri tabanlı gösterimler oluşturmak için kullanılır.

ornek 5 (climdex.pcic paketi )

“climdex.pcic”, R programlama dili için bir pakettir ve iklim değişikliği göstergelerini (climatextremes, climdex) hesaplamak için kullanılır. Bu göstergeler, ekstrem hava olaylarını (örneğin, aşırı sıcaklık, aşırı yağış) ölçmek ve izlemek için kullanılır.

climdex.pcic, iklim değişikliği göstergelerini hesaplamak için kullanılan bir R paketidir. Bu paket, Pasifik İklim Etki Merkezi (Pacific Climate Impacts Consortium - PCIC) tarafından geliştirilmiştir. İklim değişikliği göstergeleri, belirli bir bölgedeki iklim değişikliğinin etkilerini belirlemek ve izlemek için kullanılır. Bu göstergeler, belirli bir dönemde ve yerde meydana gelen ekstrem hava olaylarını (örneğin, aşırı sıcaklık, aşırı yağış) ölçmek ve analiz etmek için tasarlanmıştır.

climdex.pcic: İklim değişikliği göstergelerini (climatextremes, climdex) hesaplamak için kullanılır. İklim değişikliği göstergeleri, ekstrem hava olaylarını (örneğin, aşırı sıcaklık, aşırı yağış) ölçmek ve izlemek için kullanılır.

https://data.worldbank.org/indicator/EG.ELC.ACCS.ZS?view=chart https://data.worldbank.org/indicator/EN.ATM.CO2E.KT -EG.ELC.ACCS.ZS (Elektrik Erişim Oranı) -EN.ATM.CO2E.KT (Karbondioksit Emisyonu) “EG.ELC.ACCS.ZS” (Elektrik Erişim Oranı) ve “EN.ATM.CO2E.KT” (Karbondioksit Emisyonu) göstergelerini içeren veri setinin 2000 yılından başlayarak çekilmesini sağlar.

library(WDI)

## Warning: le package 'WDI' a été compilé avec la version R 4.3.3

data_wdi <- WDI(country = "all", indicator = c("EG.ELC.ACCS.ZS","EN.ATM.CO2E.KT"),start = 2000)

Bu ifade, dünya ülkelerinin elektrik erişim oranı ve karbondioksit emisyonu gibi verilerini çekmek için kullanılabilir.

str(data_wdi)

## 'data.frame':    6384 obs. of  6 variables:
##  $ country       : chr  "Afghanistan" "Afghanistan" "Afghanistan" "Afghanistan" ...
##  $ iso2c         : chr  "AF" "AF" "AF" "AF" ...
##  $ iso3c         : chr  "AFG" "AFG" "AFG" "AFG" ...
##  $ year          : int  2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 ...
##  $ EG.ELC.ACCS.ZS: num  4.45 9.29 14.13 18.97 23.81 ...
##   ..- attr(*, "label")= chr "Access to electricity (% of population)"
##  $ EN.ATM.CO2E.KT: num  1078 1089 1403 1653 1292 ...
##   ..- attr(*, "label")= chr "CO2 emissions (kt)"

library(explore)

## Warning: le package 'explore' a été compilé avec la version R 4.3.3

“Explore” işlevi, veri setinin genel yapısını ve özelliklerini anlamak için kullanıcıya geniş bir bakış sunar ve daha derinlemesine analizler yapmak için temel bir adım olabilir.

describe_all(data_wdi)

## # A tibble: 6 × 8
##   variable       type     na na_pct unique    min      mean       max
##   <chr>          <chr> <int>  <dbl>  <int>  <dbl>     <dbl>     <dbl>
## 1 country        chr       0    0      266   NA        NA         NA 
## 2 iso2c          chr       0    0      266   NA        NA         NA 
## 3 iso3c          chr       0    0      262   NA        NA         NA 
## 4 year           int       0    0       24 2000      2012.      2023 
## 5 EG.ELC.ACCS.ZS dbl     623    9.8   3644    0.8      80.2      100 
## 6 EN.ATM.CO2E.KT dbl    1365   21.4   4905    0   1142610.  35560556.

Ekstra veri

Ekstra_veri <- WDI_data$country

library(tidyverse)

data_Ekstra <- left_join(data_wdi, Ekstra_veri)

## Joining with `by = join_by(country, iso2c, iso3c)`

data_Ekstra <- data_Ekstra %>% filter(region != "Aggregates" )

library(dplyr)

data_Ekstra <- data_Ekstra %>%
  mutate(EG.ELC.ACCS.ZS = coalesce(EG.ELC.ACCS.ZS, 0),
         EN.ATM.CO2E.KT = coalesce(EN.ATM.CO2E.KT, 0))

data_Ekstra %>% describe_all()

## # A tibble: 12 × 8
##    variable       type     na na_pct unique   min     mean       max
##    <chr>          <chr> <int>  <dbl>  <int> <dbl>    <dbl>     <dbl>
##  1 country        chr       0      0    215    NA     NA         NA 
##  2 iso2c          chr       0      0    215    NA     NA         NA 
##  3 iso3c          chr       0      0    215    NA     NA         NA 
##  4 year           int       0      0     24  2000   2012.      2023 
##  5 EG.ELC.ACCS.ZS dbl       0      0   2654     0     73.0      100 
##  6 EN.ATM.CO2E.KT dbl       0      0   3917     0 119354.  10944686.
##  7 region         chr       0      0      7    NA     NA         NA 
##  8 capital        chr       0      0    210    NA     NA         NA 
##  9 longitude      chr       0      0    210    NA     NA         NA 
## 10 latitude       chr       0      0    210    NA     NA         NA 
## 11 income         chr       0      0      5    NA     NA         NA 
## 12 lending        chr       0      0      4    NA     NA         NA

data_wdi_TCD_TUR <-data_wdi %>% filter(iso3c %in% c("TCD" , "TUR"))

library(ggplot2)

Bu kod, “TCD” (Çad) ve “TUR” (Türkiye) ülkelerinin yıllara göre “EN.ATM.CO2E.KT” (birim başına CO2 emisyonu) değişimini gösteren bir çizgi grafiği oluşturur. Çizgi grafiği, her bir ülkeyi farklı renkte temsil ederek karşılaştırmayı sağlar.

ggplot(data_wdi_TCD_TUR, aes(year, EN.ATM.CO2E.KT, color = country)) +
geom_line() +
labs(x = "Year", y = "EG", title = "EN.ATM.CO2E.KT TCD and TUR")

## Warning: Removed 6 rows containing missing values or values outside the scale range
## (`geom_line()`).

library(tibble)

print(data_wdi_TCD_TUR)

##    country iso2c iso3c year EG.ELC.ACCS.ZS EN.ATM.CO2E.KT
## 1     Chad    TD   TCD 2000       3.110457        507.400
## 2     Chad    TD   TCD 2001       3.442218        521.700
## 3     Chad    TD   TCD 2002       3.765432        532.400
## 4     Chad    TD   TCD 2003       4.087106        764.900
## 5     Chad    TD   TCD 2004       3.500000        773.100
## 6     Chad    TD   TCD 2005       4.753862        796.600
## 7     Chad    TD   TCD 2006       5.112732        815.200
## 8     Chad    TD   TCD 2007       5.492441        876.500
## 9     Chad    TD   TCD 2008       5.889375       1027.700
## 10    Chad    TD   TCD 2009       6.299696       1114.200
## 11    Chad    TD   TCD 2010       6.400000       1190.000
## 12    Chad    TD   TCD 2011       8.980000       1003.665
## 13    Chad    TD   TCD 2012       7.791710       1233.730
## 14    Chad    TD   TCD 2013       8.090240       1487.260
## 15    Chad    TD   TCD 2014       8.432096       1483.100
## 16    Chad    TD   TCD 2015       7.700000       1478.550
## 17    Chad    TD   TCD 2016       9.245298       1469.870
## 18    Chad    TD   TCD 2017      10.900000       1488.200
## 19    Chad    TD   TCD 2018      10.058806       1557.400
## 20    Chad    TD   TCD 2019       8.400000       1583.600
## 21    Chad    TD   TCD 2020      10.865677       1568.400
## 22    Chad    TD   TCD 2021      11.268559             NA
## 23    Chad    TD   TCD 2022             NA             NA
## 24    Chad    TD   TCD 2023             NA             NA
## 25 Turkiye    TR   TUR 2000      99.899727     216396.500
## 26 Turkiye    TR   TUR 2001      99.868591     197771.100
## 27 Turkiye    TR   TUR 2002      99.816429     208107.600
## 28 Turkiye    TR   TUR 2003      99.762733     219158.600
## 29 Turkiye    TR   TUR 2004      99.714508     224601.200
## 30 Turkiye    TR   TUR 2005      99.678757     235003.000
## 31 Turkiye    TR   TUR 2006      99.662254     261083.600
## 32 Turkiye    TR   TUR 2007      99.666595     288967.800
## 33 Turkiye    TR   TUR 2008      99.688156     287205.000
## 34 Turkiye    TR   TUR 2009      99.723106     288307.200
## 35 Turkiye    TR   TUR 2010     100.000000     297814.000
## 36 Turkiye    TR   TUR 2011     100.000000     318641.200
## 37 Turkiye    TR   TUR 2012     100.000000     329797.800
## 38 Turkiye    TR   TUR 2013     100.000000     319088.600
## 39 Turkiye    TR   TUR 2014     100.000000     341671.500
## 40 Turkiye    TR   TUR 2015     100.000000     353413.800
## 41 Turkiye    TR   TUR 2016     100.000000     376399.000
## 42 Turkiye    TR   TUR 2017     100.000000     418098.200
## 43 Turkiye    TR   TUR 2018     100.000000     414111.900
## 44 Turkiye    TR   TUR 2019     100.000000     398772.900
## 45 Turkiye    TR   TUR 2020     100.000000     407406.200
## 46 Turkiye    TR   TUR 2021     100.000000             NA
## 47 Turkiye    TR   TUR 2022             NA             NA
## 48 Turkiye    TR   TUR 2023             NA             NA

kayip_degerler <- data_Ekstra %>% group_by(country) %>% summarise(kayip_degerler = sum(is.na(EN.ATM.CO2E.KT)))

Kesit veri

data_kesitveri <- data_Ekstra%>%filter(year == 2019)

ggplot(data_kesitveri, aes(x= EG.ELC.ACCS.ZS , y= EN.ATM.CO2E.KT)) +  geom_line()

data_kesitveri_CNveINsiz <- data_kesitveri %>% filter(iso2c !="CN")

data_kesitveri_CNveINsiz <- data_kesitveri_CNveINsiz %>% filter(iso2c !="IN")

data_kesitveri_CNveINveUSsiz <- data_kesitveri_CNveINsiz %>% filter(iso2c !="US")

data_kesitveri_CNveINveUSveRUsiz <- data_kesitveri_CNveINveUSsiz %>% filter(iso2c !="RU")

data_kesitveri_CNveINveUSveRUveJPsiz <- data_kesitveri_CNveINveUSveRUsiz %>% filter(iso2c !="JP")

Bu ifade, “data_kesitveri_CNveINveUSveRUveJPsiz” adlı bir veri çerçevesi kullanılarak ggplot2 paketinin grafik oluşturma işlevlerini kullanarak bir nokta grafiği oluşturulduğunu belirtir. ggplot() işlevi, temel grafik nesnesini oluştururken “data_kesitveri_CNveINveUSveRUveJPsiz” veri çerçevesini kullanır. aes() işlevi, x ve y eksenlerinin hangi değişkenlere bağlanacağını belirtir. Bu örnekte, “EG.ELC.ACCS.ZS” değişkeni x eksenine bağlanırken “EN.ATM.CO2E.KT” değişkeni y eksenine bağlanır. Ayrıca, “iso2c” değişkeni label (etiket) olarak kullanılacak ve “region” değişkeni renk olarak belirlenecek. geom_point() işlevi, nokta grafiği oluşturmak için kullanılır. Bu ifade, “EG.ELC.ACCS.ZS” ve “EN.ATM.CO2E.KT” değişkenlerine göre nokta grafiği oluşturmayı ifade eder. geom_text() işlevi, her noktanın üzerine etiket yazmak için kullanılır. Bu ifade, “iso2c” değişkeni kullanarak noktaların üzerine ülke kodlarının yazılmasını ifade eder. Sonuç olarak, bu ifade “data_kesitveri_CNveINveUSveRUveJPsiz” veri çerçevesi üzerinde “EG.ELC.ACCS.ZS” ve “EN.ATM.CO2E.KT” değişkenlerine göre bir nokta grafiği oluşturmayı ifade eder. Ayrıca, her noktanın üzerinde ilgili ülke kodunu gösteren bir etiket bulunur. Noktalar, “region” değişkenine göre renklendirilmiştir.

ggplot(data_kesitveri_CNveINveUSveRUveJPsiz, aes(x = EG.ELC.ACCS.ZS, y =EN.ATM.CO2E.KT, label = iso2c,  color = region)) +
  geom_point() +
  geom_text()

Dunya toplam verisi olusturma

2019 yılına kadar küresel CO2 emisyonlarının 33 milyar ton civarında olduğu tahmin ediliyordu. Ancak bu rakam yıllara göre değişebilir ve farklı kuruluşlar tarafından farklı tahminler sunulabilir. Özellikle 2020 ve sonrasındaki COVİD-19 pandemisi gibi olaylar, sera gazı emisyonları üzerinde önemli miktarda sahip olduğumuz olaylar olmuş olabilir.

• Enerji Tüketimi, elektrik, ısıtma, ulaşım, endüstriyel üretim ve diğer davranışları için kullanılan enerji miktarını temsil eder. - CO2 Emisyon Faktörü, kullanılan enerji kaynaklarına ve enerjinin dönüşümüne bağlı olarak değişir. Örneğin, kömür gibi fosil yakıtların yanması genellikle yüksek CO2 emisyonlarına neden olur, rüzgar veya güneş gibi ayrılabilir enerji kaynakları neredeyse hiç CO2 üretmez. Toplam dünya CO2 emisyonunu hesaplamak için, dünya genelindeki enerji tüketimini ve ortalama CO2 emisyon faktörünü dikkate alarak bu formülü kullanabilirsiniz.

Toplam dünya CO2 emisyonunu doğrudan hesaplamak için basit bir formül mevcut değildir, çünkü bu emisyonlar birçok faktörden etkilenir ve karmaşık bir hesaplamayı gerektirir. Ancak, genel olarak, dünya genelindeki CO2 emisyonlarını tahmin etmek için aşağıdaki gibi bir yaklaşım kullanılabilir:

Toplam CO2 Emisyonu= ∑(Ülkelerin CO2 Emisyonları)

Toplam dünya CO2 emisyonunu kesin olarak belirlemek için, bu hesaplamaları yapmak ve ardından tüm ülkelerin emisyonlarını toplamak gerekir. Ancak, bu karmaşık bir süreçtir ve genellikle uluslararası enerji ajansları ve bilimsel araştırma enstitüleri tarafından gerçekleştirilir. Bu nedenle, spesifik verilere ulaşmak için bu kuruluşların yayınladığı raporları takip etmek önemlidir.

-toplam dunya emisyonu , toplam kulanan elektrisite , her sene icin dunya kisi basi ne kardar enerji tuketilmis

dunya_datasi <- data_Ekstra %>% group_by(year) %>% summarise(dunyaenerji = sum(EN.ATM.CO2E.KT ) , dunyanusfusu = sum(EG.ELC.ACCS.ZS),
 kisibasienerji=dunyaenerji/dunyanusfusu)

ggplot(dunya_datasi, aes(x = dunyaenerji, y = year, color="blue")) + 
geom_line() 

ggplot(dunya_datasi, aes(x = year, y = dunyanusfusu, color= year)) + 
geom_line()

ggplot(dunya_datasi, aes(x = year, y = kisibasienerji)) + 
geom_line()

## Warning: Removed 2 rows containing missing values or values outside the scale range
## (`geom_line()`).

ggplot(dunya_datasi, aes(x = year, y = kisibasienerji,color="red")) + 
geom_line()+labs(title=" kisibasienerji",y=" kisibasienerji",x= "sene")+ theme_linedraw()

## Warning: Removed 2 rows containing missing values or values outside the scale range
## (`geom_line()`).

data_wdi <- left_join(data_wdi,dunya_datasi,by="year")

ulkelerin paylari

Belirli ulkenin bir sene co2 payi ve enerji payi

mutate

data_wdi <- data_wdi%>% mutate(ulkeninenerjiorani = EG.ELC.ACCS.ZS/dunyanusfusu , ulkeninemisyonu= EN.ATM.CO2E.KT/dunyaenerji, verim= ulkeninemisyonu/ulkeninenerjiorani )

cad enerji orani

bu grafik Çad’ın zaman içindeki enerji verimliliğindeki değişimi gösterir. Ancak, veri çerçevesinin tamamını incelemek ve “ulkeninenerjiorani” değişkeninin tam anlamını anlamak daha iyi bir değerlendirme sağlayacaktır.

ggplot(data_wdi[1033:1054,], aes(x=year , y= ulkeninenerjiorani, color="red")) + geom_line()

## turkiye enerji orani bu grafik Turkiyede zaman içindeki enerji verimliliğindeki değişimi gösterir. Ancak, veri çerçevesinin tamamını incelemek ve “ulkeninenerjiorani” değişkeninin tam anlamını anlamak daha iyi bir değerlendirme sağlayacaktır.Çizgi grafiği kırmızı renkte gösterildiği için enerji oranındaki genel trendin düşüş olduğunu gösterir. Eğri eğer yukarı doğru hareket ediyorsa, Türkiye’nin enerji oranının artış eğilimi olduğunu gösterirken, aşağı doğru eğilim sergiliyorsa enerji oranının azaldığını gösterir.

ggplot(data_wdi[5881:5904,], aes(x=year , y= ulkeninenerjiorani, color="blue")) + geom_line()

## Warning: Removed 2 rows containing missing values or values outside the scale range
## (`geom_line()`).

##cin enerji orani

ggplot(data_wdi[1105:1128,], aes(x=year , y= ulkeninenerjiorani, colour= "black")) + geom_line()

## Warning: Removed 2 rows containing missing values or values outside the scale range
## (`geom_line()`).

##Senegal orani

ggplot(data_wdi[4993:5016,], aes(x=year , y= ulkeninenerjiorani, colour= "black")) + geom_line()

## Warning: Removed 2 rows containing missing values or values outside the scale range
## (`geom_line()`).

library(plotly)

## 
## Attachement du package : 'plotly'

## L'objet suivant est masqué depuis 'package:ggplot2':
## 
##     last_plot

## L'objet suivant est masqué depuis 'package:stats':
## 
##     filter

## L'objet suivant est masqué depuis 'package:graphics':
## 
##     layout

data_wdi <- data.frame(
  Year = c(2000, 2001, 2002, 2003, 2004),
  World = c(5.2, 5.5, 5.7, 6.0, 6.3))

CHAD

TURKEY

CO2 Emisyonlarını Tahmin Etmek Karbon emisyonlarının doğru bir şekilde izlenebilmesi, iklim değişikliğiyle mücadelede kritik bir adımdır. Hassas karbon okumaları, araştırmacıların ve hükümetlerin karbon kütlesi üretiminin kaynaklarını ve modellerini anlamalarına olanak tanır. Avrupa ve Kuzey Amerika’da karbon emisyonlarını izlemek için kapsamlı sistemler bulunurken, Afrika’da çok az sistem mevcut.

Bu zorluğun amacı, gelecekteki karbon emisyonlarını tahmin etmek için Sentinel-5P uydu gözlemlerinden elde edilen açık kaynaklı CO2 emisyon verilerini kullanan bir makine öğrenimi modeli oluşturmaktır.