Toto je cvičení z klimatických změn a vodních zdrojů 2024

#zde musíte nastavit cestu k souborům.txt
setwd("C:/Users/micha/Desktop/CZU/r/kz2024")
library(ggplot2)
library(data.table)
library(dplyr)
library(kableExtra)

Cvičení1

Lze vidět jasný mezirroční vezstupný trend teploty T

## `geom_smooth()` using formula = 'y ~ x'

Cvičení2

lze jasně vidět, že měsíční průměr srážek P zobrazen 3-mi boxploty pro různá období se posouvá směrem nahoru, variabilita srážek P také významně roste, což lze vyvodit vizuálním porovnáním rozpětí boxplotů. V letech 2071-2100 je podle daného modelu dokonce i více extrémů dosahujících vyšších maxim zobrazených jako odlehlé hodnoty(outliers). Projevy budou takové, že po rychlých deštích se extrémně rychle uzavřou póry, poté nastane ponding, po naplnění kapacity povrchového efektu-ponding(Dingman 2014) voda rychle odteče po povrchu pryč a půda najednou i za stejných srážek bude mít méně vody než za stejných srážek a mírných deštích. Tento efekt jsem empiricky pozoroval zejména na jílovitých půdách, kde se vytvoří souvislá téměř nepropustná vrstvička. Takže není využito plného potenciálu infiltrační kapacity dané půdy, VŠECHNO RYCHLE ODTEČE(diskuze,Jačka2024).

Pro hydrologické modelování pohybu vody povrchového a podpovrchového prostředí ve svahu stále platí, že není úplně jasné, kde se voda vlastně infiltruje a kde například hypodermický odtok již bude mít vliv na povrchový odtok ve formě recharge(neznám český výraz-asi neexistuje), také není jisté, kde dochází k známému efektu fill n spill(naplnění půdních porézních menisků a jejich rychlé uvolnění) a jak ho modelovat(Beven, 2014).

Ve výsledku nastanou ohromné povodně, obrovskou roli zde v regionálním měřítku bude hrát i intercepce-u ní většina greybox modelů - HBV96 greybox(bilan je odvozen z hbv - říká Máca) používá intercepční koeficient (G6ran Lindstr6m*, Barbro Johansson, Magnus Persson, Marie Gardelin, Sten Bergstr6m) místo pořádné intercepční rutiny, když se int. rutina provedla na HBV96, výsledky modelu byly zhoršeny. Je to asi tím, že všechny intercepční modely byly designovány na měřítko jednoho stanoviště a slouží k lepšímu porozumění daného procesu(rozdělení podle účelu:3druhy h. modelu - I. lepší schopnost predikovat výstup odtoku na vstup efektivního deště např, II.lepší porozumění daného procesu, III.dle Mácy schopnost odhadovat, jaký bude mít vliv změna využití krajiny na odpověď vstupu efektivního deště(fúze informací Muzylo et al 2007, Beven 2014).

obdobi sd_srazky mean_srazky
1961-1990 29.75896 44.51336
2021-2050 32.18776 46.12981
2071-2100 36.42514 52.40083

Cvičení3

Celosvětově zvyšující se odtok by mohl mít vliv na hladinu světových oceánů a mohl by tedy teoreticky zvýšit celkovou evapotranspiraci. Množství a rychlost odtoku také možná hraje roli na mikroklima, poblíž hlavních toků je vždy pocitově chladněji, když poteče voda rychleji, bude tam více chladněji.
Toto zvýšení je již dáno zvýšenými srážkami a změnou distribuce. Zajímavostí je Dingmanovo(2014) poukázání na nebezpečí povodní zejména za přítomnosti sněhové pokrývky.
Otázkou pro mě zůstává vliv zvýšené evaporace na vodní toky. Možná je tak malý, že se zanedbává, na tuto otázku env. modeláři budou muset odpovědět.

obdobi sd_odtok mean_odtok
1961-1990 7.812355 7.373693
2021-2050 9.771273 7.836504
2071-2100 14.187719 11.640318

Cvičení4

Evapotranspirace se zvyšuje. Nejsem si jist, který druh t-testu při sumarizaci byl použit, budu předpokládat, že to byl ten správný dvouvýběrový. F-test shody rozptylu říká, jestli výběr pochází ze stejného základního souboru o rozptylu sigma kvadrát. Na hladině významnosti 3% můžu zamítnout nulovou hypotézu o shodě rozptylů, takže mohu použít dvouvýběrový t-test o shodě středních hodnot, kde na hladině významnosti 1% i méně mohu zamítnou nulovou hypotézu o nezávislosti PET na čase t. PET závisí na čase t. 

## 
## Call:
## lm(formula = pet_data$PET ~ pet_data$DTM)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -58.07 -42.01 -11.93  44.99  97.46 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  4.839e+01  1.889e+00  25.622   <2e-16 ***
## pet_data$DTM 2.116e-04  7.067e-05   2.994   0.0028 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 42.76 on 1678 degrees of freedom
## Multiple R-squared:  0.005313,   Adjusted R-squared:  0.00472 
## F-statistic: 8.963 on 1 and 1678 DF,  p-value: 0.002796