Inteligência artificial no combate ao efeito estufa

Projetos de machine learning aplicado temperatura clima e modelos machine learning, series temporais. Nesse projeto modelo preve a temperatura como previsão do clima. Os dados foi coletadas de estações metrológicas salvado em csv. Os modelos vai ser utilizado modelo de classificação, modelos estatisticos como series temporais em Python, R. Criação de dashboards visualização das temperaturas e o clima. Esse projeto pode ajudar a criar soluções para o clima do nosso planeta combate o efeito estufa.

Autores

• @RafaelGallo

Projeto ML Climate

Nome	Projeto
Data Analytics - Co2	CO2 Emission
Série Temporal R - Effect Greenhouse	Effect Greenhouse
Série Temporal Python auto arima - Climate	Climate
Modelo regressão linear - NOAA Climate	NOAA Climate
Série Temporal Python auto arima - Temperature change	Temperature_model
Carbon Emissions	Co2_Carbon
NOAA Global Historical Climatology Network	NOAA Global
NOAA Severe Weather	NOAA Severe Weather
Climate Change Sentiment NLP	Link

Instalação

Instalação das bibliotecas para esse projeto no python.

  conda install pandas 
  conda install scikitlearn
  conda install numpy
  conda install scipy
  conda install matplotlib

  python==3.6.4
  numpy==1.13.3
  scipy==1.0.0
  matplotlib==2.1.2

Instalação do Python É altamente recomendável usar o anaconda para instalar o python. Clique aqui para ir para a página de download do Anaconda https://www.anaconda.com/download. Certifique-se de baixar a versão Python 3.6. Se você estiver em uma máquina Windows: Abra o executável após a conclusão do download e siga as instruções.

Assim que a instalação for concluída, abra o prompt do Anaconda no menu iniciar. Isso abrirá um terminal com o python ativado. Se você estiver em uma máquina Linux: Abra um terminal e navegue até o diretório onde o Anaconda foi baixado. Altere a permissão para o arquivo baixado para que ele possa ser executado. Portanto, se o nome do arquivo baixado for Anaconda3-5.1.0-Linux-x86_64.sh, use o seguinte comando: chmod a x Anaconda3-5.1.0-Linux-x86_64.sh.

Agora execute o script de instalação usando.

Depois de instalar o python, crie um novo ambiente python com todos os requisitos usando o seguinte comando

conda env create -f environment.yml

Após a configuração do novo ambiente, ative-o usando (windows)

activate "Nome do projeto"

ou se você estiver em uma máquina Linux

source "Nome do projeto" 

Agora que temos nosso ambiente Python todo configurado, podemos começar a trabalhar nas atribuições. Para fazer isso, navegue até o diretório onde as atribuições foram instaladas e inicie o notebook jupyter a partir do terminal usando o comando

jupyter notebook

Ferramentas vai ser utilizado nesse projeto.

• Python
• R
• Análise de dados
• Machine learning
• Dashboard
• Series temporais

Demo modelo Série temporal R

 # Série temporal Co2

# Carregando a bibliotecas
library(quantmod)
library(xts)
library(moments)
library(readxl) 
library(foreign)
library(dynlm) 
library(car) 
library(lmtest) 
library(sandwich)
library(fpp2) 
library(tseries) 
library(zoo)
library(xts)
library(forecast) 
library(ggplot2)

# Base de dados online
data <- read.csv("data.csv")
str(data)

# Dataset
data <-data <- apply.yearly(data, mean)
data

# Temperatura Global puxando dados de 1800 até 2021
temp <- data["1800/2017", 'Monthly.Anomaly.data']
temp

# Temperatura global puxando dados de 2001 até 2021
temp_test <- data["2001/2016", 'Monthly.Anomaly.data']
temp_test

#### Série temporal - modelo

library(tseries)

# Stationarity
data <- kpss.test(temp.data)
train_temp <- temp.data.diff1 <- diff(temp.data)
train_temp

# Stationarity - test
data_test <- kpss.test(temp.data.diff1)
data_test

# Transformando em séries temporal
lab_data <- BoxCox.lambda(temp.data)
temp_train <- BoxCox(temp.data,lambda)
temp_train

# Gráfico dos anos
library(dygraphs)

dygraph(temp.data, main = " Co2") %>%
  dyAxis("x", drawGrid = TRUE) %>% dyEvent("2000-1-01", "2022", labelLoc = "bottom") %>% 
  dyEvent("2000-1-01", "1800", labelLoc = "bottom") %>% 
  dyEvent("2000-5-01", "2000", labelLoc = "bottom") %>% 
  dyEvent("2017-12-11","2017", labelLoc = "bottom") %>%
  dyOptions(drawPoints = TRUE, pointSize = 2)


## PACF
p2 <- autoplot(Acf(temp.data.diff1, 
                   plot = F, 
                   lag.max = 15, 
                   type = 'partial')) + ggtitle('PACF')
p2


######### Modelo ARIMA ######### 

# Modelo ARIMA 1
model_arima_fit_1 <-Arima(temp.data, order = c(3, 1, 0))
model_arima_fit_1
summary(model_arima_fit_1)

checkresiduals(model_arima_fit_1)

# Modelo ARIMA 2
model_arima_fit_2 <- Arima(temp.data, order = c(3,1,1))
model_arima_fit_2      
summary(model_arima_fit_2)      

checkresiduals(model_arima_fit_2)

# Modelo ARIMA 3
model_arima_fit_3 <- Arima(temp.data, order = c(3,1,2))
model_arima_fit_3      
summary(model_arima_fit_3)         

checkresiduals(model_arima_fit_3)

# Modelo ARIMA 4
model_arima_fit_4 <- Arima(temp.data, order = c(2,1,2))
model_arima_fit_4      
summary(model_arima_fit_4)

checkresiduals(model_arima_fit_4)

# Modelo auto arima
model_arima_fit <- auto.arima(temp.data, seasonal = F)
model_arima_fit
summary(model_arima_fit)

checkresiduals(model_arima_fit)

# Residuos
g1 <- Acf(residuals(model_arima_fit))
g1

g1_test <- Box.test(residuals(model_arima_fit),
                    lag = 10,
                    fitdf = 6,
                    type = "L")
g1_test

# Previsão temperatura
model_predict <- predict(arima(temp.data, order = c(4,4,5)), n.ahead = 50)
model_predict

# Gráfico 1 - Previsão Co2
autoplot(forecast(model_arima_fit, h=50, title = "Revisão Co2",
                  xlab = "Total",
                  ylab = "Co2"))

# Gráfico 2 - Previsão Co2
plot(forecast(Arima(y = temp.data, order = c(1, 1, 2))))
plot(forecast(Arima(y = temp.data, order = c(3, 3, 4))))


# Gráfico 3 - Previsão das têmperaturas
pred.forecast <- forecast(model_arima_fit, h = 10)
plot(pred.forecast)
lines(ts(coredata(temp.global.test),
         start = start(temp.forecast$mean)[1],
         frequency = 1), col = 'magenta', main = "Co2")

Screenshots

Documentation

Documentation

🚀 Sobre mim

Cientista de dados

License

MIT

Roadmap

• Additional browser support

• Add more integrations

Contributing

Contributions are always welcome!

See contributing.md for ways to get started.

Please adhere to this project's code of conduct.