Introdução

O impacto das mudanças climáticas tem sido uma questão de crescente preocupação global, há preocupações que cercam o meio ambiente e a vivência humana. Dentre os principais fatores que afetam diretamente o clima, o destaque vai para o aumento das emissões de dióxido de carbono (CO₂), a elevação do nível do mar e as variações de temperatura.Paralelamente a isso, a população mundial cresce de forma exponencial. Pressionando a busca por recursos naturais e piorando os impactos climáticos.

Este projeto busca explorar a relação entre o crescimento populacional e as mudanças climáticas, analisando dados históricos de variáveis climáticas e populacionais. Utilizando dois conjuntos de dados abrangentes.

Por meio de uma análise exploratória dos dados, será possível compreender melhor como o crescimento populacional pode estar contribuindo para mudanças climáticas e, por outro lado, como essas mudanças podem impactar o desenvolvimento humano e ambiental.

Bibliotecas Usadas

Biblioteca Motivo
rmarkdown Para criar documentos dinâmicos
knitr Para geração de tabelas
lubridate Manipulação de datas
skimr Resumo de variáveis de uma base de dados
ggplot2 Para visualização de gráficos
dplyr Para manipulação avançada da base de dados

Preparação dos Dados

Os dados usados neste projeto foram encontrados na plataforma Kaggle.

  • A primeira base de dados, Mudança Climática, possui 10 mil linhas e 9 colunas, onde é possível encontrar informações como país, temperatura, emissões de CO2, nível do mar, velocidade do vento e outras coisas.

  • Já a segunda base de dados, Aumento Populacional, possui 73 linhas e 5 colunas, sendo elas: Ano, população total, crescimento percentual anual, número de pessoas que nasceram e densidade populacional por km2.

Leitura dos arquivos

Os dados vieram em formato CSV, formato simples, fácil de manusear e compatíveis com uma ampla variedade de ferramentas de análise de dados, o CSV permite uma visualização direta dos dados em texto, facilitando a verificação e manipulação das informações de forma eficiente.

Os caminhos das duas bases foram carregados:

clima <- read.csv("/Users/4seri/OneDrive/Área de Trabalho/climate_change_data.csv")
populacao <- read.csv("/Users/4seri/OneDrive/Área de Trabalho/World Population Growth.csv")

Breve Visualização das bases

Mudança Climática

kable(head(clima, 5), format = "markdown")
Date Location Country Temperature CO2.Emissions Sea.Level.Rise Precipitation Humidity Wind.Speed
2000-01-01 00:00:00.000000000 New Williamtown Latvia 10.68899 403.1189 0.7175060 13.835237 23.63126 18.492026
2000-01-01 20:09:43.258325832 North Rachel South Africa 13.81443 396.6635 1.2057146 40.974084 43.98295 34.249300
2000-01-02 16:19:26.516651665 West Williamland French Guiana 27.32372 451.5532 -0.1607830 42.697931 96.65260 34.124261
2000-01-03 12:29:09.774977497 South David Vietnam 12.30958 422.4050 -0.4759315 5.193341 47.46794 8.554563
2000-01-04 08:38:53.033303330 New Scottburgh Moldova 13.21089 410.4730 1.1357566 78.695280 61.78967 8.001164 
tipo_dados_clima <-  summary(clima)
tipo_dados_clima
##      Date             Location           Country           Temperature    
##  Length:10000       Length:10000       Length:10000       Min.   :-3.804  
##  Class :character   Class :character   Class :character   1st Qu.:11.578  
##  Mode  :character   Mode  :character   Mode  :character   Median :14.981  
##                                                           Mean   :14.936  
##                                                           3rd Qu.:18.306  
##                                                           Max.   :33.977  
##  CO2.Emissions   Sea.Level.Rise      Precipitation         Humidity     
##  Min.   :182.1   Min.   :-4.092155   Min.   : 0.01014   Min.   : 0.019  
##  1st Qu.:367.1   1st Qu.:-0.673809   1st Qu.:24.49752   1st Qu.:24.713  
##  Median :400.8   Median : 0.002332   Median :49.81897   Median :49.678  
##  Mean   :400.2   Mean   :-0.003152   Mean   :49.88121   Mean   :49.771  
##  3rd Qu.:433.3   3rd Qu.: 0.675723   3rd Qu.:74.52499   3rd Qu.:75.206  
##  Max.   :582.9   Max.   : 4.116559   Max.   :99.99190   Max.   :99.960  
##    Wind.Speed      
##  Min.   : 0.00173  
##  1st Qu.:12.53973  
##  Median :24.91079  
##  Mean   :25.08207  
##  3rd Qu.:37.67026  
##  Max.   :49.99766

Pontos observáveis:

  • A coluna “Date” está formatada em character
  • A coluna Population está formatada em character, o que pode prejudicar análises futuras

Aumento Populacional

kable(head(populacao, 5), format = "markdown")
Year Population Yearly.Growth.. Number Density..Pop.km2.
1951 2,543,130,380 1.75% 43,808,223 17
1952 2,590,270,899 1.85% 47,140,519 17
1953 2,640,278,797 1.93% 50,007,898 18
1954 2,691,979,339 1.96% 51,700,542 18
1955 2,746,072,141 2.01% 54,092,802 18 
tipo_dados_populacao <-  summary(populacao)
tipo_dados_populacao
##       Year       Population        Yearly.Growth..       Number         
##  Min.   :1951   Length:73          Length:73          Length:73         
##  1st Qu.:1969   Class :character   Class :character   Class :character  
##  Median :1987   Mode  :character   Mode  :character   Mode  :character  
##  Mean   :1987                                                           
##  3rd Qu.:2005                                                           
##  Max.   :2023                                                           
##  Density..Pop.km2.
##  Min.   :17.00    
##  1st Qu.:24.00    
##  Median :34.00    
##  Mean   :34.38    
##  3rd Qu.:44.00    
##  Max.   :54.00

Coluna Date

O primeiro passo foi transformar a coluna “Date” de character para Date, para conseguir manipular melhor

clima <- clima %>%
  mutate(Date = ymd_hms(Date))

O segundo passo foi recuperar apenas o ano, criando uma nova coluna e removendo a antiga

clima <- clima %>%
  mutate(Year = year(Date))

clima <- clima %>%
  select(-Date)

Resultado:

Location Country Temperature CO2.Emissions Sea.Level.Rise Precipitation Humidity Wind.Speed Year
New Williamtown Latvia 10.68899 403.1189 0.717506 13.83524 23.63126 18.49203 2000
North Rachel South Africa 13.81443 396.6635 1.205715 40.97408 43.98295 34.24930 2000

Verificação de Valores faltantes

colSums(is.na(clima))
##       Location        Country    Temperature  CO2.Emissions Sea.Level.Rise 
##              0              0              0              0              0 
##  Precipitation       Humidity     Wind.Speed           Year 
##              0              0              0              0
colSums(is.na(populacao))
##              Year        Population   Yearly.Growth..            Number 
##                 0                 0                 0                 0 
## Density..Pop.km2. 
##                 0

Ambos Datasets não possuem NAs para serem tratados.

União dos Datasets

A base de dados sobre aumento populacional abrange informações de 1951 a 2023. No entanto, foi necessário filtrar os dados entre 2000 e 2022 para que pudessem ser relacionados com os dados disponíveis na base de mudança climática, por meio da coluna “Year”, criada anteriormente

pop_00_22 <- populacao[populacao[[1]] >= 2000 & populacao[[1]] <= 2022, ]
final_data <- left_join(clima, pop_00_22, by = "Year")

Totalizando agora 13 colunas e 10.000 linhas

kable(head(final_data, 5), format = "markdown")
Location Country Temperature CO2.Emissions Sea.Level.Rise Precipitation Humidity Wind.Speed Year Population Yearly.Growth.. Number Density..Pop.km2.
New Williamtown Latvia 10.68899 403.1189 0.7175060 13.835237 23.63126 18.492026 2000 6,148,898,975 1.34% 81,140,517 41
North Rachel South Africa 13.81443 396.6635 1.2057146 40.974084 43.98295 34.249300 2000 6,148,898,975 1.34% 81,140,517 41
West Williamland French Guiana 27.32372 451.5532 -0.1607830 42.697931 96.65260 34.124261 2000 6,148,898,975 1.34% 81,140,517 41
South David Vietnam 12.30958 422.4050 -0.4759315 5.193341 47.46794 8.554563 2000 6,148,898,975 1.34% 81,140,517 41
New Scottburgh Moldova 13.21089 410.4730 1.1357566 78.695280 61.78967 8.001164 2000 6,148,898,975 1.34% 81,140,517 41

Ajustes de Colunas

Remoção da coluna Location, precisamos apenas dos dados dos países, que estão na coluna “Country”

final_data <- final_data %>%
  select(-Location)

Arredondando as colunas Temperature, Precipitation, Humidity para duas casa decimais

final_data$Temperature <- round(final_data$Temperature, 2)
final_data$Precipitation <- round(final_data$Precipitation, 2)
final_data$Humidity <- round(final_data$Humidity, 2)

Verificação de duplicatas

duplicadas <- final_data %>%
  filter(duplicated(.))
# Não há

Coluna Population de character para numérico

Análise Exploratória

O objetivo desta análise é explorar um dataset abrangente que traz informações sobre diversas variáveis climáticas e ambientais em diferentes países ao longo dos anos.

Ano x Crescimento Populacional

Na primeira plotagem, o gráfico de crescimento indica que a população está crescendo a uma taxa cada vez maior com o tempo. Isso é típico quando a taxa de natalidade excede a taxa de mortalidade de forma contínua, e os avanços na saúde e tecnologia permitem maior sobrevivência e longevidade.
O aumento populacional em ritmo acelerado coloca maior pressão sobre recursos naturais, infraestrutura e serviços públicos, como saúde, educação e habitação.

ggplot(data = final_data, aes(x = Year, y = Population)) +
  geom_line(color = "blue", linewidth = 1) +   
  geom_point(color = "red", size = 2) +   
  theme_minimal() +                       
  ggtitle("Crescimento Populacional") +  
  xlab("Ano") +                           
  ylab("População") +                     
  scale_y_continuous(labels = scales::comma)

Ano x Temperatura, no Brasil

Ao filtrar os dados de temperatura para o Brasil, o gráfico gerado demonstra como as temperaturas variaram ao longo dos anos, isso é um indicativo claro dos efeitos do aquecimento global. À medida que as temperaturas sobem, isso pode resultar em impactos significativos, como a intensificação de secas, mudanças nos padrões de precipitação e o agravamento de eventos climáticos extremos, como ondas de calor.

pais_selecionado <- final_data %>%
  filter(Country == "Brazil")

# Plotar o gráfico de temperatura ao longo dos anos
ggplot(data = pais_selecionado, aes(x = Year, y = Temperature)) +
  geom_line(color = "green", linewidth = 1) +       
  geom_point(color = "blue", size = 2) +       
  theme_minimal() +                           
  ggtitle("Temperatura no Brasil ao Longo dos Anos") +
  xlab("Ano") +                             
  ylab("Temperatura (°C)")

Ano x Emissões de CO2, no Brasil

Em 2014 podemos perceber um período específico de alta emissão, que pode estar relacionado a um evento, no Brasil em 2014 aconteceu a Copa do Mundo que contrbuiu para o pico, como mostrado no plot abaixo:

ggplot(data = pais_selecionado, aes(x = Year, y = CO2.Emissions)) +
  stat_density_2d(aes(fill = after_stat(level)), geom = "polygon") +  
  scale_fill_viridis_c(name = "Partes por Milhão") +                                            
  theme_minimal() +                                                   
  ggtitle("Emissões de CO2 no Brasil") +              
  xlab("Ano") +                                                
  ylab("Emissões de CO2")

Conclusão

A análise exploratória revela importantes tendências e correlações entre variáveis populacionais, climáticas e ambientais ao longo dos anos.

O gráfico de crescimento populacional ao longo dos anos mostra um padrão de crescimento que está alinhado com o que já é amplamente conhecido: a população mundial tem aumentado rapidamente nas últimas décadas. Esse crescimento é resultado de melhorias na saúde, avanços tecnológicos e condições de vida, que reduziram as taxas de mortalidade e aumentaram a expectativa de vida. No entanto, essa expansão exerce uma pressão crescente sobre os recursos naturais, a infraestrutura e os serviços públicos. Países ao redor do mundo enfrentam o desafio de equilibrar o desenvolvimento econômico com a sustentabilidade, em um cenário onde a demanda por água, alimentos e energia não diminui.

Quando observamos as temperaturas no Brasil, os resultados indicam um aumento ao longo dos anos, corroborando o consenso científico de que o aquecimento global é uma realidade cada vez mais presente. O aumento das temperaturas no Brasil é um reflexo das mudanças climáticas globais, com implicações diretas na ocorrência de eventos extremos, como ondas de calor, secas mais frequentes e alterações nos padrões de chuva. Estes efeitos podem impactar não apenas o meio ambiente, mas também setores vitais como a agricultura e o abastecimento de água, que já têm sido afetados pelas mudanças climáticas.

Além disso, o gráfico de emissões de CO2 no Brasil revela um pico notável em 2014, possivelmente influenciado pela Copa do Mundo, um evento que demandou maior atividade econômica e aumento no consumo de energia. Eventos como esse mostram o impacto que grandes aglomerações e investimentos em infraestrutura podem ter no meio ambiente.

Esses resultados mostram a interconexão entre crescimento populacional, mudanças climáticas e desenvolvimento sustentável, reforçando a urgência de medidas que mitiguem os impactos ambientais e garantam um futuro equilibrado para a humanidade e o planeta.