Vizualizacija podnebnih podatkov NetCDF4
To so zapiski za vizualizacijo podnebnih podatkov iz Climate Data Store s Panoply in R.
Dostop do podatkov #
Uporabljali bomo podatke iz Climate Data Store. Za oddajo zahtevkov za prenos podatkov morate ustvariti račun ECMWF. Podatki so običajno na voljo v datotekah NetCDF (*.nc datoteke).
Risanje zemljevidov s Panoply #
Za vizualizacijo podatkov v datotekah NetCDF bomo uporabili Panoply. Panoply je uporaben za hitro ustvarjanje zemljevidov ali linijskih grafov ter omogoča splošen pregled podatkov. Prav tako omogoča ogled geografskih podatkov v tabeli.
Namestitev #
Panoply lahko prenesete na https://www.giss.nasa.gov/tools/panoply/download/
Na strani so tudi navodila za namestitev programa na vaš operacijski sistem. Za zagon Panoply boste morda morali namestiti Javo. Priporočljivo je namestiti Java Temurin iz https://adoptium.net/
Osnovna vizualizacija #
Vodič o osnovah uporabe Panoply za ogled zemljevidov je na voljo na povezavi.
Kombiniranje podatkov #
Dve tabeli lahko združimo, na primer za vizualizacijo razlik med dvema naboroma podatkov.
Vodič o tem, kako združiti dva podatkovna niza na eni sliki, je na voljo na povezavi
Delo z NetCDF podatki v R #
Uporabljali bomo podatke iz niza Temperature statistics for Europe derived from climate projections. In the download tab select Average temperature, Year, Time average, both RCP4.5 and RCP8.5, Ensemble members average. After submitting the form, the data will be prepared for download. In the downloaded zip file there should be two files: one with RCP4.5 data and one with RCP8.5 data.
Na zavihku za prenos izberite povprečno temperaturo, leto, časovno povprečje, scenarija RCP4.5 in RCP8.5 ter povprečje članov ansambla. Po oddaji obrazca bodo podatki pripravljeni za prenos. V preneseni ZIP datoteki bi morali biti dve datoteki: ena s podatki za RCP4.5 in ena s podatki za RCP8.5.
Z uporabo R lahko iz pridobljenih datotek izvlečemo podatke in jih
prikažemo. Uporabili bomo paket ncdf4, ki omogoča branje in
ustvarjanje NetCDF datotek. Najprej namestimo paket (to vrstico je
dovolj izvesti samo enkrat):
install.packages("ncdf4")
Nato naložimo paket ncdf4 in tudi ggplot2, ki ga bomo uporabili za
risanje grafov.
library(ncdf4)
library(ggplot2)
Začnimo s podatki za scenarij RCP4.5.
# Odpremo datoteko NetCDF
ncfile <- nc_open("mean_Tmean_Yearly_rcp45_mean_v1.0.nc")
print(ncfile)
File mean_Tmean_Yearly_rcp45_mean_v1.0.nc (NC_FORMAT_NETCDF4):
2 variables (excluding dimension variables):
float mean_Tmean_Yearly[lon,lat,time] (Contiguous storage)
_FillValue: NaN
units: degrees C
long_name: Ensemble members average of mean Yearly Tmean for future climate under rcp45
coordinates: height
double height[] (Contiguous storage)
_FillValue: NaN
units: m
axis: Z
positive: up
long_name: height
standard_name: height
3 dimensions:
lat Size:425
_FillValue: NaN
units: degrees_north
standard_name: latitude
lon Size:599
_FillValue: NaN
units: degrees_east
standard_name: longitude
time Size:100
standard_name: time
units: days since 1986-01-01 00:00:00
calendar: proleptic_gregorian
7 global attributes:
title: Processed EURO-CORDEX future climate data for the health sector
conventions: CF-1.6
project: Copernicus Climate Change Service Sectoral Information System European Health
source: Processing of bias-corrected EURO-CORDEX data by VITO
contact: [email protected]
creation_date: Tue May 21 16:43:59 2019
institution: VITO (https://vito.be/en)
V zgornjem izpisu lahko vidimo imena spremenljivk v datoteki in imena
dimenzij (longitude, latitute, time). Izpisana je tudi velikost
posameznih dimenzij. Podatki so podani na mreži s 425 točkami geografske
širine, 599 točkami geografske dolžine. V datoteki je 100 takih mrež, ki
predstavljajo število dni vročinskih valov povprečenih po 100 različnih
tridesetletnih periodah. Prva mreža torej predstavlja število dni
vročinskih valov na leto, povprečeno po obdobju 1971–2000. Do vrednosti
spremenljivk in dimenzij lahko dostopamo s klicem funckije nc_get,
kjer podamo njihovo ime.
# Preberemo vrednosti za geografsko dolžino, širino in časovne intervale
lon <- ncvar_get(ncfile, "lon")
lat <- ncvar_get(ncfile, "lat")
time <- ncvar_get(ncfile, "time")
print(lon)
[1] -24.9 -24.8 -24.7 -24.6 -24.5 -24.4 -24.3 -24.2 -24.1 -24.0 -23.9 -23.8
[13] -23.7 -23.6 -23.5 -23.4 -23.3 -23.2 -23.1 -23.0 -22.9 -22.8 -22.7 -22.6
[25] -22.5 -22.4 -22.3 -22.2 -22.1 -22.0 -21.9 -21.8 -21.7 -21.6 -21.5 -21.4
[37] -21.3 -21.2 -21.1 -21.0 -20.9 -20.8 -20.7 -20.6 -20.5 -20.4 -20.3 -20.2
[49] -20.1 -20.0 -19.9 -19.8 -19.7 -19.6 -19.5 -19.4 -19.3 -19.2 -19.1 -19.0
[61] -18.9 -18.8 -18.7 -18.6 -18.5 -18.4 -18.3 -18.2 -18.1 -18.0 -17.9 -17.8
[73] -17.7 -17.6 -17.5 -17.4 -17.3 -17.2 -17.1 -17.0 -16.9 -16.8 -16.7 -16.6
[85] -16.5 -16.4 -16.3 -16.2 -16.1 -16.0 -15.9 -15.8 -15.7 -15.6 -15.5 -15.4
[97] -15.3 -15.2 -15.1 -15.0 -14.9 -14.8 -14.7 -14.6 -14.5 -14.4 -14.3 -14.2
[109] -14.1 -14.0 -13.9 -13.8 -13.7 -13.6 -13.5 -13.4 -13.3 -13.2 -13.1 -13.0
[121] -12.9 -12.8 -12.7 -12.6 -12.5 -12.4 -12.3 -12.2 -12.1 -12.0 -11.9 -11.8
[133] -11.7 -11.6 -11.5 -11.4 -11.3 -11.2 -11.1 -11.0 -10.9 -10.8 -10.7 -10.6
[145] -10.5 -10.4 -10.3 -10.2 -10.1 -10.0 -9.9 -9.8 -9.7 -9.6 -9.5 -9.4
[157] -9.3 -9.2 -9.1 -9.0 -8.9 -8.8 -8.7 -8.6 -8.5 -8.4 -8.3 -8.2
[169] -8.1 -8.0 -7.9 -7.8 -7.7 -7.6 -7.5 -7.4 -7.3 -7.2 -7.1 -7.0
[181] -6.9 -6.8 -6.7 -6.6 -6.5 -6.4 -6.3 -6.2 -6.1 -6.0 -5.9 -5.8
[193] -5.7 -5.6 -5.5 -5.4 -5.3 -5.2 -5.1 -5.0 -4.9 -4.8 -4.7 -4.6
[205] -4.5 -4.4 -4.3 -4.2 -4.1 -4.0 -3.9 -3.8 -3.7 -3.6 -3.5 -3.4
[217] -3.3 -3.2 -3.1 -3.0 -2.9 -2.8 -2.7 -2.6 -2.5 -2.4 -2.3 -2.2
[229] -2.1 -2.0 -1.9 -1.8 -1.7 -1.6 -1.5 -1.4 -1.3 -1.2 -1.1 -1.0
[241] -0.9 -0.8 -0.7 -0.6 -0.5 -0.4 -0.3 -0.2 -0.1 0.0 0.1 0.2
[253] 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4
[265] 1.5 1.6 1.7 1.8 1.9 2.0 2.1 2.2 2.3 2.4 2.5 2.6
[277] 2.7 2.8 2.9 3.0 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8
[289] 3.9 4.0 4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8 4.9 5.0
[301] 5.1 5.2 5.3 5.4 5.5 5.6 5.7 5.8 5.9 6.0 6.1 6.2
[313] 6.3 6.4 6.5 6.6 6.7 6.8 6.9 7.0 7.1 7.2 7.3 7.4
[325] 7.5 7.6 7.7 7.8 7.9 8.0 8.1 8.2 8.3 8.4 8.5 8.6
[337] 8.7 8.8 8.9 9.0 9.1 9.2 9.3 9.4 9.5 9.6 9.7 9.8
[349] 9.9 10.0 10.1 10.2 10.3 10.4 10.5 10.6 10.7 10.8 10.9 11.0
[361] 11.1 11.2 11.3 11.4 11.5 11.6 11.7 11.8 11.9 12.0 12.1 12.2
[373] 12.3 12.4 12.5 12.6 12.7 12.8 12.9 13.0 13.1 13.2 13.3 13.4
[385] 13.5 13.6 13.7 13.8 13.9 14.0 14.1 14.2 14.3 14.4 14.5 14.6
[397] 14.7 14.8 14.9 15.0 15.1 15.2 15.3 15.4 15.5 15.6 15.7 15.8
[409] 15.9 16.0 16.1 16.2 16.3 16.4 16.5 16.6 16.7 16.8 16.9 17.0
[421] 17.1 17.2 17.3 17.4 17.5 17.6 17.7 17.8 17.9 18.0 18.1 18.2
[433] 18.3 18.4 18.5 18.6 18.7 18.8 18.9 19.0 19.1 19.2 19.3 19.4
[445] 19.5 19.6 19.7 19.8 19.9 20.0 20.1 20.2 20.3 20.4 20.5 20.6
[457] 20.7 20.8 20.9 21.0 21.1 21.2 21.3 21.4 21.5 21.6 21.7 21.8
[469] 21.9 22.0 22.1 22.2 22.3 22.4 22.5 22.6 22.7 22.8 22.9 23.0
[481] 23.1 23.2 23.3 23.4 23.5 23.6 23.7 23.8 23.9 24.0 24.1 24.2
[493] 24.3 24.4 24.5 24.6 24.7 24.8 24.9 25.0 25.1 25.2 25.3 25.4
[505] 25.5 25.6 25.7 25.8 25.9 26.0 26.1 26.2 26.3 26.4 26.5 26.6
[517] 26.7 26.8 26.9 27.0 27.1 27.2 27.3 27.4 27.5 27.6 27.7 27.8
[529] 27.9 28.0 28.1 28.2 28.3 28.4 28.5 28.6 28.7 28.8 28.9 29.0
[541] 29.1 29.2 29.3 29.4 29.5 29.6 29.7 29.8 29.9 30.0 30.1 30.2
[553] 30.3 30.4 30.5 30.6 30.7 30.8 30.9 31.0 31.1 31.2 31.3 31.4
[565] 31.5 31.6 31.7 31.8 31.9 32.0 32.1 32.2 32.3 32.4 32.5 32.6
[577] 32.7 32.8 32.9 33.0 33.1 33.2 33.3 33.4 33.5 33.6 33.7 33.8
[589] 33.9 34.0 34.1 34.2 34.3 34.4 34.5 34.6 34.7 34.8 34.9
print(lat)
[1] 30.1 30.2 30.3 30.4 30.5 30.6 30.7 30.8 30.9 31.0 31.1 31.2 31.3 31.4 31.5
[16] 31.6 31.7 31.8 31.9 32.0 32.1 32.2 32.3 32.4 32.5 32.6 32.7 32.8 32.9 33.0
[31] 33.1 33.2 33.3 33.4 33.5 33.6 33.7 33.8 33.9 34.0 34.1 34.2 34.3 34.4 34.5
[46] 34.6 34.7 34.8 34.9 35.0 35.1 35.2 35.3 35.4 35.5 35.6 35.7 35.8 35.9 36.0
[61] 36.1 36.2 36.3 36.4 36.5 36.6 36.7 36.8 36.9 37.0 37.1 37.2 37.3 37.4 37.5
[76] 37.6 37.7 37.8 37.9 38.0 38.1 38.2 38.3 38.4 38.5 38.6 38.7 38.8 38.9 39.0
[91] 39.1 39.2 39.3 39.4 39.5 39.6 39.7 39.8 39.9 40.0 40.1 40.2 40.3 40.4 40.5
[106] 40.6 40.7 40.8 40.9 41.0 41.1 41.2 41.3 41.4 41.5 41.6 41.7 41.8 41.9 42.0
[121] 42.1 42.2 42.3 42.4 42.5 42.6 42.7 42.8 42.9 43.0 43.1 43.2 43.3 43.4 43.5
[136] 43.6 43.7 43.8 43.9 44.0 44.1 44.2 44.3 44.4 44.5 44.6 44.7 44.8 44.9 45.0
[151] 45.1 45.2 45.3 45.4 45.5 45.6 45.7 45.8 45.9 46.0 46.1 46.2 46.3 46.4 46.5
[166] 46.6 46.7 46.8 46.9 47.0 47.1 47.2 47.3 47.4 47.5 47.6 47.7 47.8 47.9 48.0
[181] 48.1 48.2 48.3 48.4 48.5 48.6 48.7 48.8 48.9 49.0 49.1 49.2 49.3 49.4 49.5
[196] 49.6 49.7 49.8 49.9 50.0 50.1 50.2 50.3 50.4 50.5 50.6 50.7 50.8 50.9 51.0
[211] 51.1 51.2 51.3 51.4 51.5 51.6 51.7 51.8 51.9 52.0 52.1 52.2 52.3 52.4 52.5
[226] 52.6 52.7 52.8 52.9 53.0 53.1 53.2 53.3 53.4 53.5 53.6 53.7 53.8 53.9 54.0
[241] 54.1 54.2 54.3 54.4 54.5 54.6 54.7 54.8 54.9 55.0 55.1 55.2 55.3 55.4 55.5
[256] 55.6 55.7 55.8 55.9 56.0 56.1 56.2 56.3 56.4 56.5 56.6 56.7 56.8 56.9 57.0
[271] 57.1 57.2 57.3 57.4 57.5 57.6 57.7 57.8 57.9 58.0 58.1 58.2 58.3 58.4 58.5
[286] 58.6 58.7 58.8 58.9 59.0 59.1 59.2 59.3 59.4 59.5 59.6 59.7 59.8 59.9 60.0
[301] 60.1 60.2 60.3 60.4 60.5 60.6 60.7 60.8 60.9 61.0 61.1 61.2 61.3 61.4 61.5
[316] 61.6 61.7 61.8 61.9 62.0 62.1 62.2 62.3 62.4 62.5 62.6 62.7 62.8 62.9 63.0
[331] 63.1 63.2 63.3 63.4 63.5 63.6 63.7 63.8 63.9 64.0 64.1 64.2 64.3 64.4 64.5
[346] 64.6 64.7 64.8 64.9 65.0 65.1 65.2 65.3 65.4 65.5 65.6 65.7 65.8 65.9 66.0
[361] 66.1 66.2 66.3 66.4 66.5 66.6 66.7 66.8 66.9 67.0 67.1 67.2 67.3 67.4 67.5
[376] 67.6 67.7 67.8 67.9 68.0 68.1 68.2 68.3 68.4 68.5 68.6 68.7 68.8 68.9 69.0
[391] 69.1 69.2 69.3 69.4 69.5 69.6 69.7 69.8 69.9 70.0 70.1 70.2 70.3 70.4 70.5
[406] 70.6 70.7 70.8 70.9 71.0 71.1 71.2 71.3 71.4 71.5 71.6 71.7 71.8 71.9 72.0
[421] 72.1 72.2 72.3 72.4 72.5
print(time)
[1] 0 365 730 1096 1461 1826 2191 2557 2922 3287 3652 4018
[13] 4383 4748 5113 5479 5844 6209 6574 6940 7305 7670 8035 8401
[25] 8766 9131 9496 9862 10227 10592 10957 11323 11688 12053 12418 12784
[37] 13149 13514 13879 14245 14610 14975 15340 15706 16071 16436 16801 17167
[49] 17532 17897 18262 18628 18993 19358 19723 20089 20454 20819 21184 21550
[61] 21915 22280 22645 23011 23376 23741 24106 24472 24837 25202 25567 25933
[73] 26298 26663 27028 27394 27759 28124 28489 28855 29220 29585 29950 30316
[85] 30681 31046 31411 31777 32142 32507 32872 33238 33603 33968 34333 34699
[97] 35064 35429 35794 36160
# V izpisu vidimo, da se spremenljivka, ki nas zanima, imenuje mean_Tmean_Yearly
temp <- ncvar_get(ncfile, "mean_Tmean_Yearly")
# Po branju podatkov zapremo NetCDF datoteko
nc_close(ncfile)
Dobimo 3-dimenzionalno matriko [lon,lat,time]. Poglejmo [lon,lat] za prvi časovni zapis, ki ustreza letu 1986 (sredina 30-letnega obdobja 1971-2000).
# Tole je tabela vrednosti na mreži geografske širine in dolžine
temp_first_table <- temp[,,1]
# Vizualizacija podatkov za prvo časovno točko
image(temp_first_table)
Poglejmo si kolikšne so vrednosti za točko na mreži, ki se nahaja blizu Ljubljane. Koordinate Ljubljane so 46° severno in 14,5° vzhodno. Da bi iz tabele izpisali podatke za to točko, moramo doličiti katera dva indeksa v dimenziji latitude in logitude pripadata tej točki. To najlažje naredimo v Panoply, kjer narišemo zemljevid in nato v zavihku Array 1 razberemo indekse (obkljukamo Show cell indices na dnu okna). Za datoteko, ki jo uporabljamo sta to indeksa 160 in 395. –>
# Preverimo indeks, ki ustreza točki blizu Ljubljane (46.0° severno, 14,5° vzhodno)
print(lon[395])
[1] 14.5
print(lat[160])
[1] 46
Pri indeksu 395 je geografska dolžina res 46° in pri 160 je geografska širina 14,5°. S tema indeksoma lahko sedaj izpišemo vrednost iz tabele.
# Vrednost za točko blizu Ljubljane v obdobju 1970-2000
print(temp_first_table[395,160])
[1] 10.3733
Zgoraj smo izpisali vrednost iz prve tabele. To tabelo smo prej izbrali z indeksom z 1 v tretji dimenziji - času. Poglejmo še vrednost v zadnji tabeli. Na začetku smo razbrali, da je velikost dimenzije časa 100. Iz 3D seznama izberemo našo točko s prvim in drugim indeksom ter čas s tretjim indeksom.
# Vrednost za točko blizu Ljubljane v zadnjem obdobju (2071-2100)
print(temp[395,160,100])
[1] 12.64245
Izpišimo še seznam vrednosti za našo točko ob vseh možnih časih. To naredimo tako, da ne podamo zadnjega indeksa za čas.
temp_Ljubljana_RCP45 <- temp[395,160,] # Izberemo vrednosti za izbrane koordinate skozi vsa obdobja
print(temp_Ljubljana_RCP45)
[1] 10.37330 10.40969 10.41473 10.41373 10.44592 10.48794 10.54408 10.58044
[9] 10.60750 10.65774 10.68678 10.72603 10.75881 10.79806 10.83322 10.85831
[17] 10.90655 10.93261 10.95412 10.99847 11.02307 11.03563 11.06941 11.08192
[25] 11.07606 11.11603 11.15922 11.19318 11.21749 11.22657 11.23662 11.25818
[33] 11.28755 11.31124 11.33801 11.34929 11.35216 11.39833 11.43960 11.49866
[41] 11.52768 11.56144 11.56463 11.56806 11.59415 11.62253 11.62730 11.65783
[49] 11.69197 11.69607 11.72961 11.75652 11.77154 11.79863 11.83682 11.88678
[57] 11.91093 11.92822 11.96137 11.98587 11.99646 12.01689 12.03862 12.07371
[65] 12.09351 12.13286 12.16952 12.16726 12.17873 12.16550 12.17491 12.18100
[73] 12.21153 12.22814 12.25608 12.27929 12.30535 12.31716 12.31898 12.36077
[81] 12.38916 12.42370 12.42962 12.45740 12.50144 12.48335 12.48907 12.52053
[89] 12.53619 12.55270 12.57030 12.57410 12.59077 12.60277 12.61470 12.61660
[97] 12.61825 12.64514 12.64020 12.64245
Sedaj lahko narišemo graf povprečne temperature za točko blizu Ljubljane. V začetnem izpisu spremenljivk v datoteki piše še, da je čas podan kot število dni od 1986-01-01. Čas pretvorimo v leto.
#plot(temp_Ljubljana)
#plot(time, temp_Ljubljana)
plot(time/365.25+1986, temp_Ljubljana_RCP45) # čas je podan v dnevih od 1.1.1986
Da bi določili, kolikšna je sprememba temperature od prvega obdobja, od vseh vrednosti na grafu odštejemo prvo vrednost.
# Narišemo spremembo temperature glede na povprečje v obdobju 1971-2000
change_RCP45 <- temp_Ljubljana_RCP45 - temp_first_table[395,160]
plot(time/365.25+1986, change_RCP45)
Enako naredimo še za drug scenarij, za katerega so vrednosti podane v drugi datoteki.
# Enako naredimo za scenarij RCP8.5 za primerjavo
ncfile <- nc_open("mean_Tmean_Yearly_rcp85_mean_v1.0.nc")
temp <- ncvar_get(ncfile, "mean_Tmean_Yearly")
nc_close(ncfile)
change_RCP85 <- temp[395,160,] - temp[395,160,1]
plot(time/365.25+1986, change_RCP85)
Lepše grafe lahko narišemo s knjižnico ggplot2. Za to pripravimo
podatke v obliki tabele.
# Pripravimo podatke za risanje:
# Ustvarimo tabelo s časom, temperaturnimi spremembami v scenarijih RCP4.5 in RCP8.5
plotdata <- data.frame(x = time/365.25+1986, y45 = change_RCP45, y85 = change_RCP85)
print(plotdata)
x y45 y85
1 1986.000 0.00000000 0.00000000
2 1986.999 0.03639221 0.03639221
3 1987.999 0.04142857 0.04142857
4 1989.001 0.04042625 0.04042625
5 1990.000 0.07261658 0.07261658
6 1990.999 0.11464310 0.11464310
7 1991.999 0.17078114 0.15867043
8 1993.001 0.20714283 0.18704033
9 1994.000 0.23419857 0.23097038
10 1994.999 0.28444195 0.27253914
11 1995.999 0.31347370 0.30024433
12 1997.001 0.35272789 0.33452988
13 1998.000 0.38550663 0.35890770
14 1998.999 0.42475700 0.38620472
15 1999.999 0.45992184 0.43427372
16 2001.001 0.48500919 0.47550011
17 2002.000 0.53324509 0.51612759
18 2002.999 0.55930710 0.55255985
19 2003.999 0.58081436 0.57579994
20 2005.001 0.62517262 0.61712933
21 2006.000 0.64977264 0.65882969
22 2006.999 0.66233253 0.66609573
23 2007.999 0.69610786 0.70986843
24 2009.001 0.70862103 0.72747231
25 2010.000 0.70275497 0.74527264
26 2010.999 0.74273300 0.79337788
27 2011.999 0.78591919 0.83062649
28 2013.001 0.81987953 0.86634731
29 2014.000 0.84418392 0.90106678
30 2014.999 0.85327244 0.90408611
31 2015.999 0.86332321 0.90262985
32 2017.001 0.88488197 0.91084099
33 2018.000 0.91424751 0.95037651
34 2018.999 0.93793964 0.98895454
35 2019.999 0.96470833 1.02676773
36 2021.001 0.97598839 1.04468250
37 2022.000 0.97885418 1.06610584
38 2022.999 1.02502728 1.11194611
39 2023.999 1.06629372 1.14249897
40 2025.001 1.12535763 1.18590164
41 2026.000 1.15437508 1.21918392
42 2026.999 1.18813896 1.24562740
43 2027.999 1.19133186 1.27245140
44 2029.001 1.19475651 1.31396770
45 2030.000 1.22085285 1.33670521
46 2030.999 1.24922371 1.35449123
47 2031.999 1.25400066 1.39383221
48 2033.001 1.28452682 1.41616249
49 2034.000 1.31867218 1.42453766
50 2034.999 1.32276440 1.45147514
51 2035.999 1.35631084 1.48581314
52 2037.001 1.38322163 1.54252815
53 2038.000 1.39824104 1.56827736
54 2038.999 1.42532921 1.60920525
55 2039.999 1.46351528 1.65624428
56 2041.001 1.51348019 1.69470978
57 2042.000 1.53762913 1.74234486
58 2042.999 1.55492020 1.79725361
59 2043.999 1.58806419 1.83542538
60 2045.001 1.61256886 1.88332748
61 2046.000 1.62315750 1.94067669
62 2046.999 1.64359188 1.99069977
63 2047.999 1.66532040 2.03759575
64 2049.001 1.70040798 2.08555794
65 2050.000 1.72021103 2.12621498
66 2050.999 1.75956345 2.17373943
67 2051.999 1.79621506 2.21265793
68 2053.001 1.79395485 2.25470734
69 2054.000 1.80542374 2.30176258
70 2054.999 1.79220009 2.35371304
71 2055.999 1.80160999 2.40933418
72 2057.001 1.80770206 2.45055294
73 2058.000 1.83822441 2.49646282
74 2058.999 1.85483646 2.54080200
75 2059.999 1.88278103 2.59409332
76 2061.001 1.90598869 2.65756130
77 2062.000 1.93204880 2.71367836
78 2062.999 1.94386196 2.80047035
79 2063.999 1.94567966 2.87983894
80 2065.001 1.98747253 2.94308662
81 2066.000 2.01585770 2.99915409
82 2066.999 2.05040073 3.04403973
83 2067.999 2.05631542 3.09358215
84 2069.001 2.08409977 3.14963531
85 2070.000 2.12813377 3.19127083
86 2070.999 2.11005116 3.25215721
87 2071.999 2.11577129 3.31425762
88 2073.001 2.14723206 3.36216450
89 2074.000 2.16289139 3.41604233
90 2074.999 2.17939854 3.49062061
91 2075.999 2.19699669 3.54005623
92 2077.001 2.20079803 3.61339092
93 2078.000 2.21746635 3.65500832
94 2078.999 2.22946930 3.71486568
95 2079.999 2.24139404 3.76093102
96 2081.001 2.24329662 3.83106232
97 2082.000 2.24495220 3.89047623
98 2082.999 2.27184010 3.94866943
99 2083.999 2.26690102 4.00435257
100 2085.001 2.26914501 4.05499649
# Narišemo graf za oba scenarija
ggplot(plotdata) +
geom_line(aes(x=x, y=y45, color="RCP45"), linewidth=1) +
geom_line(aes(x=x, y=y85, color="RCP85"), linewidth=1) +
xlab("srednje leto of 30-letnega obdobja") +
ylab("temperaturna sprememba [\u00B0C]") +
labs(color="scenarij", subtitle="Povprečje ansambla projekcij", title="Sprememba povprečne temperature glede na 1971-2000") +
theme_bw()
Dodatno #
Narisali smo projekcije, ki so podane kot povprečje vrednosti
izračunanih z več modeli. Da bi dobili predstavo o negotovosti
projekcij, ki izhaja iz modelov, narišimo še standardni odklon
projekcij. Iz Climate Data Store lahko prenesemo tudi te podatke, če
izberemo parameter Ensemble members standard deviation.
ncfile <- nc_open("mean_Tmean_Yearly_rcp45_stdev_v1.0.nc")
temp <- ncvar_get(ncfile, "mean_Tmean_Yearly")
nc_close(ncfile)
stdev_RCP45 <- temp[395,160,]
ncfile <- nc_open("mean_Tmean_Yearly_rcp85_stdev_v1.0.nc")
temp <- ncvar_get(ncfile, "mean_Tmean_Yearly")
nc_close(ncfile)
stdev_RCP85 <- temp[395,160,]
plotdata <- data.frame(x = time/365.25+1986, y45 = change_RCP45, y85 = change_RCP85, stdev45 = stdev_RCP45+stdev_RCP45[1], stdev85 = stdev_RCP85+stdev_RCP85[1]) # Za oceno negotovosti razlike vsem vrednostim standardnega odklona prištejemo standardni odklon prve vrednosti
# Narišemo graf za oba scenarija
ggplot(plotdata) +
geom_line(aes(x=x, y=y45, color="RCP45"), linewidth=1) +
geom_line(aes(x=x, y=y85, color="RCP85"), linewidth=1) +
geom_ribbon(aes(x=x, ymin=y45-stdev45, ymax=y45+stdev45, color="RCP45", fill="RCP45"), alpha=0.15) + # negotovost pri RCP45
geom_ribbon(aes(x=x, ymin=y85-stdev85, ymax=y85+stdev85, color="RCP85", fill="RCP85"), alpha=0.15) + # negotovost pri RCP85
xlab("srednje leto of 30-letnega obdobja") +
ylab("temperaturna sprememba [\u00B0C]") +
guides(fill="none") +
labs(color="scenarij", subtitle="Povprečje in standardni odklon ansambla projekcij", title="Sprememba povprečne temperature glede na 1971-2000") +
theme_bw()
