仿历史网站模板下载,dw自我介绍网页制作步骤,wordpress评论显示游客,目前做响应式网站最好的cms原文链接#xff1a;http://tecdat.cn/?p23800 由于空气污染对公众健康的不利影响#xff0c;人们一直非常关注。世界各国的环境部门都通过各种方法#xff08;例如地面观测网络#xff09;来监测和评估空气污染问题#xff08;点击文末“阅读原文”获取完整代码数据http://tecdat.cn/?p23800 由于空气污染对公众健康的不利影响人们一直非常关注。世界各国的环境部门都通过各种方法例如地面观测网络来监测和评估空气污染问题点击文末“阅读原文”获取完整代码数据。 介绍 全球的地面站及时测量了许多空气污染物例如臭氧、一氧化碳、颗粒物。EPA环境保护署提供了空气污染数据本文选择了颗粒物2.5PM2.5和空气质量指数AQI这两个关键变量以可视化和分析空气污染的趋势和模式。PM2.5代表直径小于2.5微米的颗粒物浓度AQI是综合考虑所有主要污染物的空气污染状况的整体指标。具体来说此工作的数据源列出如下 监测人员每天的PM 2.5浓度水平和AQI指数数据;县一级的AQI年度摘要。 数据预处理 每日站点数据包含每个地面站与PM2.5相关的各种属性。有关站信息污染物的关键变量通过以下代码从原始数据中过滤掉。重命名过滤后的数据框的列名以方便以下分析。 #导入数据
aqi - read_csv(aqi.csv) daily- read_csv(daily.csv) names(data) - c( date, pm25, aqi, long, lat) 统计摘要 对点级PM2.5浓度和县级AQI指数的基本统计描述可以帮助更好地理解这两个变量。在这里直方图和箱形图用于可视化PM2.5浓度和AQI的分布特征。每日AQI指数可衡量空气污染的严重程度可用于根据AQI的值将天数分为不同的类别。就空气污染水平而言通常可以将天气分为四类包括良好中度不健康和危险。 本报告中使用的县级AQI数据包括四个类别变量代表每个类别的天数。下面的代码直观地显示了四个类别变量的分布。根据直方图大多数县在整年总体空气质量良好这可以通过良好分布的偏斜来表示不健康和危险的0天左右的分布间隔非常窄。此外良好和中等的分布显示出相反的偏斜这表明空气质量中等的日子在全年并不典型因为中等的分布集中在50天以下而良好的分布在250天以上。 ## 县域内aqi的直方图
vi -aqi %% select(好, 中等, 不健康, 危险) %%ggplot(data vi ) 县级数据代表空气污染的平均水平。来自地面站的PM2.5和AQI的点级测量描述了空气污染的详细情况和当地情况。 点击标题查阅往期内容 R语言空间可视化绘制英国脱欧投票地图 左右滑动查看更多 01 02 03 04 站级的PM2.5和AQI的分布如下所示。两种分布都显示出正偏度AQI聚集在50附近而PM2.5低于25。在这一年中很少出现两个变量都具有高值的站点。 ## AQI和PM2.5的直方图pmaqi %%
ggplot(data) geom_histogram(aes(x value), bins 35) ggplot(data) geom_boxplot(aes(x class, y value)) 时间变化 每日数据记录了2018年监测站点每天的观测时间序列可用于探索PM2.5和AQI的趋势。首先针对每种数据对每种状态下站点的测量值求平均。选择了七个州的时间序列以显示其一年中的变化如下所示。从该图可以看出南部和西部各州在年初就经历了严重的空气污染问题。趋势曲线的高峰表明下半年的空气质量均较差。 ##按州和日排列
vis - select(state, date, pm25, aqi) %%group_by(state, date) %%summarise(pm25 mean(pm25), aqi mean(aqi)) %%ggplot(data vis) 为了显示总体变化每天汇总来自所有监视的测量值。一年中的总体变化绘制如下。我们可以看到AQI和PM2.5的变化趋势显示出相似的模式而夏季和冬季的空气污染更为严重。 ##按天数计算select(date, pm25, aqi) %%group_by(date) %%summarise( mean(pm25), mean(aqi)) %%
ggplot(data vis) 空间分布 汇总了针对不同州的县级AQI指数以探索每个州的空气质量的空间变化。下图通过渐变颜色绘制了变量良好天气的不同平均值。该地图显示了各州空气质量良好的日子。从地图上可以看出北部和东部地区的空气条件比其他州更好。 ##按州汇总aqi区域水平。vis - aqi %%group_by(State) %%ggplot() geom_polygon(aes(x long, y lat, group group, fill good) 下面还绘制了不健康天数变量的平均值这证实了以前的观察结果即东部各州的空气条件较好。 ggplot() geom_polygon(aes(x long, y lat, group , fill ), scale\_fill\_distiller 每个站点的站点级别测量值汇总为年平均值。下图显示了美国年平均PM2.5浓度的空间分布。绿色点表示较低的PM2.5浓度。西部的测站测得的PM2.5浓度较高。 ## 数据的汇总
###用于pm2.5pmaqi %%summarise(pm25 mean(pm25), aqi mean(aqi), long mean(long), lat mean(lat)) %%
ggplot() geom_polygon(aes(x long, y lat, group group) AQI可以提供更全面的空气状况度量。站点上的点级AQI映射如下。由于AQI考虑了许多典型污染物因此与PM2.5的模式相比AQI的分布显示出不同的模式。 ###aqi指数
vi- vi\[class aqi, \]
ggplot(vi) geom_polygon(aes(x long, y lat, group group) 结论 本报告利用了空气污染数据和R的可视化从时空维度探讨了空气污染的分布和格局。从数据中可以识别出PM2.5和AQI的时空变化。夏季和冬季均遇到空气污染问题。西部和南部的州比北部和东部的州更容易遭受空气污染问题。 本文中分析的数据分享到会员群扫描下面二维码即可加群 点击文末“阅读原文” 获取全文完整资料。 本文选自《R语言空气污染数据的地理空间可视化和分析颗粒物2.5PM2.5和空气质量指数AQI》。 点击标题查阅往期内容 上海无印良品地理空间分布特征与选址策略可视化研究 R语言空间可视化绘制英国脱欧投票地图 R语言在地图上绘制散点饼图可视化 r语言空间可视化绘制道路交通安全事故地图 在GIS中用ggmap地理空间数据分析 tableau的骑行路线地理数据可视化 R语言推特twitter转发可视化分析 618电商大数据分析可视化报告 用RSHINY DASHBOARD可视化美国投票记录 python主题LDA建模和t-SNE可视化 R语言高维数据的主成分pca、 t-SNE算法降维与可视化分析案例报告 R语言动态图可视化如何、创建具有精美动画的图 Tableau 数据可视化探索性图形分析新生儿死亡率数据 R语言动态可视化制作历史全球平均温度的累积动态折线图动画gif视频图
