Introdução

O efeito estufa é um fenômeno natural e possibilita a vida humana na Terra. Porém, o grande problema é que o efeito estufa está aumentando muito rapidamente neste último século, pois está havendo uma alta emissão de gases como gás carbônico, metano e óxido nitroso para a atmosfera. Assim gerando um acúmulo de calor retido na atmosfera da terra, fazendo a temperatura aumentar. Nos últimos 140 anos houve um aumento de 0,76°C, causando uma preocupação com a vida na terra. Outro aspecto distinto da mudança atual do clima é a sua origem: ao passo que as mudanças do clima no passado decorreram de fenômenos naturais, a maior parte da atual mudança do clima, particularmente nos últimos 50 anos, é atribuída às atividades humanas.

http://www.usp.br/qambiental/tefeitoestufa.htm https://nacoesunidas.org/aumento-de-gases-do-efeito-estufa-prejudica-oxigenacao-dos-oceanos-diz-onu/

Objetivos

O Objetivo do trabalho é apresentar os números das emissões dos gases do efeito estufa por município, gás específico, gases totais e setor de origem. Comprovando assim a participação humana no fenômeno de aquecimento global por meio das emissões de gases poluintes,especificamente em Washington.Temos como finalidade Demonstrar por dados, os maiores setores, municípios mais poluentes e o gás mais recorrente.

Fonte da Base de Dados

https://www.kaggle.com/ramyaparimi/greenhouse-gas-report-data-2015

Descrição da Base de Dados

1● Source: a origem dos gases apresentados na base de dados, a empresa responsável e afins.

2● County: os municípios envolvidos.

3● Address: os endereços das empresas responsáveis e afins.

4● Total Emissions: o número de emissões totais de gases.

5● Biogenic CO2: um dos gases a serem analisados

6● Fossil CO2: um dos gases a serem analisados

7● Methane: um dos gases a serem analisados.

8● Nitrous Oxide: um dos gases a serem analisados.

9● Hydrofluorocarbons: um dos gases a serem analisados.

10● Perfluorocarbons: um dos gases a serem analisados.

11● Sulfur Hexafluoride: um dos gases a serem analisados.

12● Other: outros gases menos dispersados. 13.Location: coordenadas geográficas.

13● Sector: setores originários dos gases.

14● Sub Sector: sub setores originários dos gases.

15● Clean Air Rule: regra de Washington que obriga empresas muito poluentes de diminuírem suas emissões de carbono.

16● Energy- Intesive: intensidade energética.

17● Point Size: tamanho relativo das emissões.

18● WAOFM: legislação.

19● Counties: condados de Washington.

Número de Observações:

141 linhas representando as variáveis.

Metodologia:

Serão utilizados boxplots, gráfico de pizza, gráfico de barra, gráfico de linha e teste de hipótese.

Gráfico de pizza: utilizado para dividir em setores, exibindo uma informação relacionada.

Gráfico de Barras: é uma forma de resumir um conjunto de dados categóricos.

Gráfico de Linha: é utilizado para facilitar a identificação de tendências e anomalias.

A Base de Dados:

** Gráficos:**

1) Gráfico de Pizza

library(RColorBrewer)
COR<-brewer.pal(9,"GnBu")
COR
## [1] "#F7FCF0" "#E0F3DB" "#CCEBC5" "#A8DDB5" "#7BCCC4" "#4EB3D3" "#2B8CBE"
## [8] "#0868AC" "#084081"
pie(table(eco$Sector),col =COR, main = "Setores Poluentes")

Nesse gráfico pode-se ver que dentre os setores poluentes, o que mais aparece em termos de repetição e não maior poluição é a “Food Production”, mostrando que, ao menos em Washington, o setor de produção alimentícia é um setor que se repete, gerando impacto na emissão dos gases. Os outros dois setores são “Power Plants”, mostrando a poluição de usinas elétricas e “Wood Products”, que são produtos feitos de madeiras. Mostrando que esses três setores poluentes mais repetitivos , são setores de produção humana, e não naturais.

2) Gráfico de Barras

library(ggplot2)

ggplot(eco) +
 aes(x = County, fill = Sector, weight = `Point Size- Based on Total Emissions`) +
 geom_bar() +
 scale_fill_viridis_d(option = "viridis") +
 labs(x = "Municípios", y = "Point Size", title = "Gráfico", subtitle = "Tamanho Relativo das Emissões por Município e Setor", fill = "Setor") +
 theme_minimal() +  theme(axis.text.x = element_text(angle = 90))

Nesse gráfico vemos a relação de emissões por setores nos municípios.Podemos perceber que,os municípios King,Pierce e Whatcom são considerados os maiores causadores da poluição,uma vez que,a liberação dos gases influencia o efeito estufa.

3) Gráfico de Linha

ggplot(eco) +
 aes(x = `Total Emissions (MT CO2e)`, y = `Fossil CO2 (MT CO2)`) +
 geom_line(size = 1.5, colour = "#6dcd59") +
 labs(x = "Emissões Totais", y = "CO2 Fóssil", title = "Gráfico de Emissões Totais e CO2 Fóssil") +
 theme_minimal()

Mostra o aumento da concentração dos gases de CO2 Fóssil ao longo do crescimento das atividades:Refinaria- a utilização de combustivel é um risco para o meio ambiente pois,a extração e o transporte e até mesmo o consumo, provocam a ultilização de gases que atinge diretamente a natureza,“Wood Products” que são os produtos feitos por madeiras,“Power Plants” que apresenta a soltura dos gases poluentes por meios de usinas elétrica, e por ultimo,“Pulp and paper” celulose que é o aumento do desmatamento de árvores e ultilização de produtos químicos.

4)Boxplot

ggplot(eco) +
 aes(x = Sector, y = `Total Emissions (MT CO2e)`) +
 geom_boxplot(fill = "#a6cee3") +
 theme_minimal() + theme(axis.text.x = element_text(angle = 90))

Boxplot mostra que os setores com as maiores emissões são o de Refinaria, uma vez que, as instalaçÕes de produção por processos e operações químicas possibilitam ainda mais as emissões,quando ocorre a degradação de certos materiais ou convertem matéria-prima em produtos de valor. O de Pulp and paper, que são os setores de celulose e papel, utilizam madeiras como forma de criar matéria prima,assim produzindo a celulose,papel,papelão e outros produtos.Desta forma,os dois maiores são causados por ação humana pois ao derrubar as árvores e usar compostos químicos contribui para o aumento do efeito estufa.

5) Teste de Hipótese Cada gás específico com os municípios: CO2 Biogênico x Municípios

eco$County<- as.factor(eco$County)

Modelo1 <- aov (`Biogenic CO2 (MT CO2)` ~ County , data =eco)
residuos_Modelo1 <- residuals(Modelo1)
shapiro.test(residuos_Modelo1)
## 
##  Shapiro-Wilk normality test
## 
## data:  residuos_Modelo1
## W = 0.55349, p-value < 2.2e-16

Vemos que a distribuição não é normal, pois ‘p’ é menor que 0,05.

# Teste kruscal wallis
kruskal.test(eco$`Biogenic CO2 (MT CO2)`,eco$County)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  eco$`Biogenic CO2 (MT CO2)` and eco$County
## Kruskal-Wallis chi-squared = 53.254, df = 29, p-value = 0.003937

Existe diferença significativa entre os valores de emissão de CO2 Biogênico de acordo com os municípios, pois ‘p’ é menor que 0,05

ggplot(eco) +
 aes(x = County, weight = `Biogenic CO2 (MT CO2)`) +
 geom_bar(fill = "#b2df8a") +
 theme_minimal() +theme(axis.text.x = element_text(angle = 90))

CO2 Fossil x Municípios

eco$County<- as.factor(eco$County)
Modelo2 <- aov (`Fossil CO2 (MT CO2)` ~ County , data =eco)
residuos_Modelo2 <- residuals(Modelo2)
shapiro.test(residuos_Modelo2)
## 
##  Shapiro-Wilk normality test
## 
## data:  residuos_Modelo2
## W = 0.44201, p-value < 2.2e-16

Vemos que a distribuição é não normal, já que ‘p’ é menor que 0,05.

# Teste kruscal wallis
kruskal.test(eco$`Fossil CO2 (MT CO2)`,eco$County)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  eco$`Fossil CO2 (MT CO2)` and eco$County
## Kruskal-Wallis chi-squared = 44.103, df = 29, p-value = 0.03589

Podemos ver que existe diferença significativa entre os valores de emissão de CO2 Fóssil de acordo com os municípios, já que ‘p’ é menor que 0,05.

library(ggplot2)
ggplot(eco) +
 aes(x = County, weight = `Fossil CO2 (MT CO2)`) +
 geom_bar(fill = "#a6cee3") +
 theme_minimal() +theme(axis.text.x = element_text(angle = 90))

Metano x Municípios

Modelo3 <- aov (`Methane (MT CO2e)`~ County , data =eco)
residuos_Modelo3 <- residuals(Modelo3)
shapiro.test(residuos_Modelo3)
## 
##  Shapiro-Wilk normality test
## 
## data:  residuos_Modelo3
## W = 0.49862, p-value < 2.2e-16

Distribuição não é normal, como ‘p’ é menor que 0,05.

# Teste kruscal wallis
kruskal.test(eco$`Methane (MT CO2e)`,eco$County)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  eco$`Methane (MT CO2e)` and eco$County
## Kruskal-Wallis chi-squared = 36.83, df = 29, p-value = 0.1506

Podemos ver que não existe diferença significativa entre os valores de emissão de Metano de acordo com os municípios, pois ‘p’>0,05.

library(ggplot2)
ggplot(eco) +
 aes(x = County, weight = `Methane (MT CO2e)`) +
 geom_bar(fill = "#e5f5e0") +
 theme_minimal() +theme(axis.text.x = element_text(angle = 90))

Óxido Nitroso x Municípios

Modelo7 <- aov (eco$`Nitrous Oxide (MT CO2e)` ~ County , data= eco)
residuos_Modelo7 <- residuals(Modelo7)
shapiro.test(residuos_Modelo7)
## 
##  Shapiro-Wilk normality test
## 
## data:  residuos_Modelo7
## W = 0.35458, p-value < 2.2e-16

A distribuição não é normal, pois ‘p’<0,05.

# Teste kruscal wallis
kruskal.test(eco$`Nitrous Oxide (MT CO2e)`,eco$County)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  eco$`Nitrous Oxide (MT CO2e)` and eco$County
## Kruskal-Wallis chi-squared = 35.145, df = 29, p-value = 0.1998

Como ‘p’ é maior que 0,05 não existe diferença significativa entre os valores de emissão de Óxido Nitroso de acordo com os municípios, com exceção de ‘Adams’

library(ggplot2)
ggplot(eco) +
 aes(x = County, weight = `Nitrous Oxide (MT CO2e)`) +
 geom_bar(fill = "#66a61e") +
 theme_minimal() +theme(axis.text.x = element_text(angle = 90))

Hidrofluorocarbonetos x Municípios

Modelo4 <- aov (`Hydrofluorocarbons (MT CO2e)` ~ County , data =eco)
residuos_Modelo4 <- residuals(Modelo4)
shapiro.test(residuos_Modelo4)
## 
##  Shapiro-Wilk normality test
## 
## data:  residuos_Modelo4
## W = 0.1563, p-value < 2.2e-16

Distribuição não normal, pois ‘p’ é menor que 0,05.

# Teste kruscal wallis
kruskal.test(eco$`Hydrofluorocarbons (MT CO2e)`,eco$County)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  eco$`Hydrofluorocarbons (MT CO2e)` and eco$County
## Kruskal-Wallis chi-squared = 33.487, df = 29, p-value = 0.2585

Não existe diferença significativa entre os valores de emissão de Hidrofluorocarbonetos de acordo com os municípios, pois ‘p’ é maior que 0,05, e só é emitido em 01 município.

library(ggplot2)
ggplot(eco) +
 aes(x = County, weight = `Hydrofluorocarbons (MT CO2e)`) +
 geom_bar(fill = "#fba29d") +
 theme_minimal() +theme(axis.text.x = element_text(angle = 90))

Fluorocarbonetos x Municípios

Modelo5 <- aov (`Perfluorocarbons (MT CO2e)`~ County , data = eco)
residuos_Modelo5 <- residuals(Modelo5)
shapiro.test(residuos_Modelo5)
## 
##  Shapiro-Wilk normality test
## 
## data:  residuos_Modelo5
## W = 0.17386, p-value < 2.2e-16

Distribuição não é normal, já que ‘p’<0,05, assim, faremos o Kruskal Wallis.

# Teste kruscal wallis
kruskal.test(eco$`Perfluorocarbons (MT CO2e)`,eco$County)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  eco$`Perfluorocarbons (MT CO2e)` and eco$County
## Kruskal-Wallis chi-squared = 53.342, df = 29, p-value = 0.003848

Existe diferença significativa entre os valores de emissão de Fluorocarbonetos de acordo com os municípios, já que ‘p’ é menor que 0,05.

library(ggplot2)
ggplot(eco) +
 aes(x = County, weight = `Perfluorocarbons (MT CO2e)`) +
 geom_bar(fill = "#c9d175") +
 theme_minimal() +theme(axis.text.x = element_text(angle = 90))

Hexafluoreto de Enxofre x Municípios

Modelo8 <- aov (eco$`Sulfur Hexafluoride (MT CO2e)` ~ County , data=eco)
residuos_Modelo8 <- residuals(Modelo8)
shapiro.test(residuos_Modelo8)
## 
##  Shapiro-Wilk normality test
## 
## data:  residuos_Modelo8
## W = 0.151, p-value < 2.2e-16

Como ‘p’ é menor que 0,05 a distribuição não é normal.

# Teste kruscal wallis
kruskal.test(eco$`Sulfur Hexafluoride (MT CO2e)`,eco$County)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  eco$`Sulfur Hexafluoride (MT CO2e)` and eco$County
## Kruskal-Wallis chi-squared = 33.487, df = 29, p-value = 0.2585

Vemos que ‘p’ é maior que 0,05 então não existe diferença significativa entre os valores de emissão de Hexafluoreto de Enxofre de acordo com os municípios, já que só aparece em ‘Clark’.

library(ggplot2)
ggplot(eco) +
 aes(x = County, weight = `Sulfur Hexafluoride (MT CO2e)`) +
 geom_bar(fill = "#fba29d") +
 theme_minimal() +theme(axis.text.x = element_text(angle = 90))

Outros Gases x Municípios

Modelo6 <- aov (`Other (MT CO2e)` ~ County , data= eco)
residuos_Modelo6 <- residuals(Modelo6)
shapiro.test(residuos_Modelo6)
## 
##  Shapiro-Wilk normality test
## 
## data:  residuos_Modelo6
## W = 0.15009, p-value < 2.2e-16

Distribuição não é normal, pois ‘p’<0,05.

# Teste kruscal wallis
kruskal.test(eco$`Other (MT CO2e)`,eco$County)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  eco$`Other (MT CO2e)` and eco$County
## Kruskal-Wallis chi-squared = 33.487, df = 29, p-value = 0.2585

Valor de ‘p’ é maior que 0,05 então Não apresenta diferença significativa entre a quantidade de valores emitidos de outros gases de acordo com os municípios, pois só existem outros gases emitidos em ‘Clark’.

library(ggplot2)
ggplot(eco) +
 aes(x = County, weight = `Other (MT CO2e)`) +
 geom_bar(fill = "#006d2c") +
 theme_minimal()  +theme(axis.text.x = element_text(angle = 90))

Conclusão:

Analizando as variáveis, conclui-se que os maiores setores que emitem poluição são os de Refinaria,Setor de Celulose e Papel,porém os que mais aparecem em termos de números são Produção de Comida e Usinas Elétricas, o gás mais recorrente é o CO2 Fóssil e os principais municípios que poluem são King,Pierce/Lewis/Clark(com as mesmas quantidades relativas) e Whatcom.

Assim, podemos finalizar que, BP Cherry Point Refinery - Blaine, em Whatcom, é a indústria mais poluente de Washington, se enquadrando no quesito município, setor e maior gás emitido, tendo um número de emissões totais de 2.093.437 e 2.077.888 de emissões de CO2 Fóssil.