Questões a serem respondidas: 2. e 3.

João Pessoa, Campina Grande e Patos são 3 referências para entender o clima na Paraíba. A primeira cidade está no litoral, a segunda próximo ao topo da Serra da Borborema, e a terceira no Sertão.

library(tidyverse)
library(here)
theme_set(theme_bw())
theme_update(plot.title = element_text(hjust = 0.5))
theme_update(plot.title = element_text(size = 13, color ="black"))
# 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_tudo <- na.omit(clima_tudo)

clima_2017_2019 = clima_tudo %>% 
    filter(ano >= 2017, ano <= 2019)

clima10 = clima_tudo %>% 
    filter(ano >= 2010, ano <= 2019)

Análise dos períodos de chuvas na última década

Foram utilizados os dados de chuvas do BDMEP: https://tempo.inmet.gov.br/ entre os anos de 2010 e 2019 agrupados por semana.

Fazendo uma vizualização simples dos dados de chuva das 3 cidades:

clima10 %>% 
    ggplot(mapping = aes(y = cidade, x  = chuva)) + 
    geom_jitter(height = .3, color = "steelblue", alpha = .2) +
    labs(
      y='',
      x='Chuva Média Semanal (mm)'
    )

Podemos observar que a maioria das semanas tem uma precipitação média semanal próxima ou igual a 0mm. Além disso, podemos observar que João Pessoa apresenta alguns pontos extremos, indicando níveis altos de chuva, se comparados as outras cidades em análise. Agora, podemos analizar como a chuva se comporta ao longo dos anos de 2010 até 2019:

  clima10 %>% 
    ggplot(aes(x = as.factor(ano), y = chuva)) +
    facet_wrap(~ cidade) +
    geom_point(alpha = .3, size = .9, color = "steelblue") + 
    stat_summary(geom = "point", color = "blue", fun = max) +
    stat_summary(geom = "point", color = "black", fun = min) +
    stat_summary(geom = "point", color = "red", fun = median, size = 2) +
    labs(
      y = "Chuva (mm)",
      x = ""
    ) + theme(axis.text.x=element_text(angle = -45, hjust = 0))

Observando a mediana (ponto vermelho), podemos observar que, historicamente, 50% das semanas destas 3 cidades tendem a não chover/chover muito pouco. Ainda, vemos que a cidade que as chuvas possuem um maior volume é João Pessoa, além de concentrar um maior número de semanas acima que 100mm. Visualizaremos agora 10% das semanas que mais choveram em cada cidade por ano:

media_10_maiores_chuvas = clima10 %>% 
    group_by(cidade, ano) %>% 
    summarise(chuva = chuva,
              chuva_90perc = quantile(chuva, .9),
              .groups = "drop") %>% 
    filter(chuva >= chuva_90perc) %>% 
    group_by(cidade, ano) %>% 
    summarise(chuva_media_10_maiores = mean(chuva), .groups = "drop")
  media_10_maiores_chuvas %>% 
    ggplot(aes(x = ano, y = chuva_media_10_maiores, color = cidade)) +
    geom_point()+
    geom_line()+
    scale_x_continuous(
      breaks = c(2010:2019),
     
    ) +
    labs(
      y = "Chuva (mm)",
      x = "",
      title = "Média de chuva nas 10% semanas que mais chovem por ano"
    )

Vemos que João Pessoa continua liderando, mesmo observando somente as semanas mais chuvosas. Porém, podemos ver um dado interessante ao fazermos uma análise dos dois gráficos anteriores: Vemos que Campina Grande tem mais semanas que houve alguma chuva se comparado a Patos. No entanto, Patos tem, em média, maior volume de precipitação ao observarmos as semanas com maior volume de chuva. Iremos analisar agora a quantidade de semanas que não choveu em cada cidade:

nao_choveu = clima10 %>% 
  filter(chuva == 0) %>% 
  group_by(cidade, ano) %>% 
  tally()
nao_choveu %>% 
  ggplot(aes(x = as.factor(ano), y = n, color = cidade)) +
  geom_point(alpha = .7) +
  labs( 
    y = "Quantidade de semanas que não choveu",
    x = ""
  )

O gráfico acima evidencia algo que nós já suspeitávamos a partir da análise de gráficos anteriores: Patos é a cidade que tem mais semanas sem chuva alguma, seguido de Campina Grande, e por último João Pessoa, que é a cidade que tem o menor número de semanas sem precipitação. Em Patos, é valido notar que há alguns anos que a maioria das semanas não choveu, ou seja, mais de 26 semanas no ano.

Comparando o comportamento da temperatura média em cada cidade entre os anos de 2010 e 2019.

Foram utilizados os dados de temperatura do BDMEP: https://tempo.inmet.gov.br/ entre os anos de 2010 e 2019 agrupados por semana.

clima10 %>% 
    ggplot(mapping = aes(y = cidade, x  = temp_media)) + 
    geom_jitter(height = .3, color = "orange", alpha = .2) +
    labs(
      y='',
      x='Temperatura Média Semanal (mm)'
    )

Como podemos observar no gráfico acima, Patos costuma atingir niveis mais altos de temperatura. Além disso, Campina Grande e Patos tem uma variação maior, em comparação a João Pessoa. É possível quantificar isso calculando a variância.

clima10 %>% 
    group_by(cidade) %>% 
    summarise(variancia = sum((temp_media - mean(temp_media))**2) / n())
## # A tibble: 3 x 2
##   cidade         variancia
##   <chr>              <dbl>
## 1 Campina Grande      2.26
## 2 João Pessoa         1.40
## 3 Patos               2.56
sumarios = clima10 %>% 
    group_by(cidade, mes) %>% 
    summarise(
              temp_media_mensal = mean(temp_media),
              .groups = "drop")
sumarios %>% 
    ggplot(aes(x = mes, y = temp_media_mensal, color = cidade)) + 
    geom_point() + 
    geom_line() +

  scale_x_continuous(
  breaks = c(1,2,3,4,5,6,7,8,9,10,11,12),
  label = c("jan", "fev", "mar","abr","mai","jun","jul","ago","set","out","nov","dez")
)+
    labs(title="Média de temperatura em cada mês entre 2010 e 2019",
         y="Temperatura Média (C°)",x=''
    )

É possível identificar que os meses de junho e julho são, historicamente, os meses mais frios do ano em todas as cidades, pontuando Campina Grande com uma média bem baixa, como já era de se esperar. Já os meses de novembro à janeiro são os meses mais quentes dessas cidades, típico do fim da primavera e ínicio do verão. É válido perceber a variação enorme em Campina Grande e Patos entre o inverno e verão, visto de forma mais clara quando olhamos para a amplitude (diferença em graus celsius entre o mês mais quente e o mais frio).

variacao = sumarios %>% 
    group_by(cidade) %>% 
    summarise(amplitude = max(temp_media_mensal) - min(temp_media_mensal),
              .groups = "drop")
head(variacao)
## # A tibble: 3 x 2
##   cidade         amplitude
##   <chr>              <dbl>
## 1 Campina Grande      3.69
## 2 João Pessoa         3.07
## 3 Patos               4.24

Como se caracterizam os períodos mais chuvosos nas 3 cidades?

Períodos mais chuvosos

Foram utilizados os dados de chuvas do BDMEP: https://tempo.inmet.gov.br/ entre os anos de 2010 e 2019 agrupados por semana.

  sumarios = clima10 %>% 
    group_by(cidade, mes) %>% 
    summarise(
              chuva_media_mensal = mean(chuva),
              .groups = "drop")
  sumarios %>% 
    ggplot(aes(x = mes, y = chuva_media_mensal, color = cidade)) + 
    geom_point() + 
    geom_line() +

  scale_x_continuous(
  breaks = c(1,2,3,4,5,6,7,8,9,10,11,12),
  label = c("jan", "fev", "mar","abr","mai","jun","jul","ago","set","out","nov","dez")
)+
    labs(title="Média de chuva em cada mês entre 2010 e 2019",
         y="Chuva Média (mm)",x=''
    )

O gráfico acima representa a média dos valores semanais de cada mês ao longo dos anos de 2010 à 2019. A partir disso, percebemos que: