Exploração do clima em João Pessoa, Campina Grande e Patos - PB
Perguntas respondidas foram 1 e 2
library(tidyverse)
library(here)
theme_set(theme_bw())O que analizaremos são dados meteorológicos que foram coletadas de 3 cidades da paraiba: Campina Grande, João Pessoa e Patos. Os dados estão separados por semanas para melhorar a vizualização.
# SEMPRE read_csv NUNCA read.csv
clima_tudo = read_csv(
here("data/tempo-jp-cg-pt.csv"),
col_types = cols(
.default = col_double(),
cidade = col_character(),
semana = col_date(format = ""),
ano = col_integer(),
mes = col_integer()
)
)
clima = clima_tudo %>%
filter(ano == 2019)
clima %>%
slice(1:8)## # A tibble: 8 x 11
## cidade semana temp_max temp_media temp_min vento_medio vento_max umidade
## <chr> <date> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Campina… 2019-01-06 32.1 25.6 19.6 3.57 4.6 74.9
## 2 Campina… 2019-01-13 33.5 27.1 20 3.29 4.5 69
## 3 Campina… 2019-01-20 33.3 26.7 19.6 4.01 6.5 72.5
## 4 Campina… 2019-01-27 32.4 26.4 19.6 3.53 5 75.0
## 5 Campina… 2019-02-03 32.2 25.3 19.5 2.95 4.8 83
## 6 Campina… 2019-02-10 31.1 25.6 20.1 3.17 5 84.1
## 7 Campina… 2019-02-17 31.6 25.9 20.5 2.89 4.1 79.2
## 8 Campina… 2019-02-24 31.1 25.9 20.5 3.63 4.8 76.8
## # … with 3 more variables: chuva <dbl>, ano <int>, mes <int>Primeiramente iremos gerar um gráfico simples da variação de temperatura media das 3 cidades que estamos analizando em 2019, que será necessario para compararmos com dados futuros.
clima %>%
ggplot(aes(x=temp_media, y = cidade))+
geom_jitter(height = .1, color = "firebrick1")+
labs(
y = "",
x = "Temperatura Média Semanal (celcius)"
)
A primeira analise a ser feita é sobre a distribuição de vento nas 3 cidades no ano de 2019, estamos analisando o parametro vento medio. Os resultados podem ser visto no grafico abaixo.
clima %>%
ggplot(aes(x = vento_medio, y = cidade))+
geom_jitter(height = .1, color = "gold4")+
labs(
y = "",
x = "Velocidade media do vento em m/s"
)
Como é possível ver nesse grafico de pontos:
João pessoa é a cidade onde a velocidade média está mais concentrada em valores abaixo de 3 m/s. Pode-se considerar que ela é uma cidade que possui ventos de baixa velocidade
Patos possui uma faixa de valores bastante espalhada, tendo valores baixos, (cerca de 1.5 m/s) até valores mais altos (cerca 5 m/s). Por isso, não se pode determinar se ela é uma cidade com ventos fortes ou fracos, podendo ter as duas caracteristicas através dos dias
Campina grande possiu valores mais proximos de velocidades mais altas, acima de 3 m/s. Assim, torna-se uma cidade com ventos mais rapidos. Nela existe um unico ponto acima dos 6 m/s que é um ponto exremo e que não caracteriza a nuvem de pontos de CG
A partir desse histograma abaixo, é possivel ver de outra maneira como se comporta a velocidade media do vento dessas cidades.
clima %>%
ggplot(aes(x=vento_medio))+
facet_wrap(~ cidade)+
geom_histogram(binwidth=.5, fill="deepskyblue", color="black")+
labs(
y = "contador de vezes",
x = "Velocidade do vento em m/s"
)
Uma questão que pode ser analizada é se existe uma relação entre velocidade media do vento e temperatura media.
Podemos ver uma relação mais clara entre essas duas variaveis nas cidades de João Pessoa e Campina Grande.
Foi registrado em Joao Pessoa pouca incidencia de ventos, sendo assim, podemos dizer que o calor da cidade não está sendo dispersado,ficando concentrado na captal.
Campina grande pode possuir uma relação, já que possui mais medias de ventos acima de 3, o que o levaria a dispersar mais calor.
Porém em Patos, não parece possuir uma relação direta entre vento e clima. Como suas disposiçoes são bastantes esparças, juntamente com o clima, não pode-se assumir que o vento contribui para a diminuição da temperatura do local.
Uma duvida que ficou sem explicação foi porque Joao Pessoa , uma cidade a beira mar possui uma velocidade media de vento bastante baixo. O que consegui entender é que pode dizer que seria por causa da quantidade de predios que existe a beira mar, que impede o fluxo de vento para dentro da cidade.
Agora, iremos analizar o calor dos meses de janeiro e fevereiro a partir de 2018
clima_ultimos_anos =clima_tudo %>%
filter(ano >= "2010" ,mes == "1" | mes =="2", !is.na(temp_media))clima_ultimos_anos ## # A tibble: 296 x 11
## cidade semana temp_max temp_media temp_min vento_medio vento_max umidade
## <chr> <date> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Campin… 2010-01-03 31.4 25.5 21.2 4.08 5.3 76.2
## 2 Campin… 2010-01-10 32.1 25.6 21.3 3.95 6.6 76.0
## 3 Campin… 2010-01-17 31 24.2 20.5 2.86 5 85.3
## 4 Campin… 2010-01-24 31.2 26.1 21.2 3.69 5.5 77.8
## 5 Campin… 2010-01-31 32.1 26.0 21.4 3.97 6.5 76.0
## 6 Campin… 2010-02-07 32.2 26.0 20.4 3.40 6.3 77.8
## 7 Campin… 2010-02-14 31.3 25.8 21.5 3.40 5.5 80.4
## 8 Campin… 2010-02-21 32.9 27.0 22.1 3.54 5.5 76.0
## 9 Campin… 2010-02-28 34.1 28.0 22 3.06 4 71
## 10 Campin… 2011-01-02 32.8 25.5 20.4 3.93 5 74.8
## # … with 286 more rows, and 3 more variables: chuva <dbl>, ano <int>, mes <int>clima_ultimos_anos %>%
ggplot(aes(x = temp_media, y = cidade))+
geom_point(alpha=.6)+
facet_wrap(~ano, ncol=3)+
labs(
y = "",
x = "Temperatura media nos meses de janeiro e fevereiro"
)
clima_ultimos_anos %>%
ggplot(aes(x = temp_media, y = cidade))+
geom_jitter(height = .1, color = "firebrick1")+
labs(
y = "",
x = "Temperatura media nos meses de janeiro e fevereiro"
)
Nos graficos gerado acima podemos tirar algumas conclusoes:
João pessoa se comporta de maneira parecida desde 2010, contendo a grande maioria de seus valores entre 27.5 graus celsius até 30 graus celsius. Sua nuvem de pontos é bastante concentrada nessa faixa de valores.
Campina possui a menor media de valores, estando na casa dos 26 graus celsius. Porém, é visto que sua nuvem de pontos não é tão concentrada como a de João pessoa, tendo uma faixa de temperatura maior que a outra cidade
Patos contém uma distribuição de valores bastante grande, contendo muitos valores entre 26.2 até valores acima de 30 graus.