Вводная часть
Я решил сделать исследование на представленную тему, так как мне было интересно пронаблюдать за изменениями температур в разных регионах. Данные взяты из архива фактической погоды Гидрометцентра России. Каждая запись отражает измерение температуры в конкретном городе во время волны жары. Набор содержит среднесуточные температуры, максимальные дневные значения и климатическую аномалию — отклонение от 90-го процентиля исторической нормы (1981–2010).
Интерес исследования — сравнить абсолютную интенсивность жары, аномальность относительно климата и характер распределения температур.
Для объясняющей визуализации выбраны разные типы графиков: столбчатые диаграммы (рейтинги), scatter-диаграмма (взаимосвязь), гистограмма (распределение) и временной график (динамика).
Этапы работы
- Очистка и подготовка данных
— приведение дат к datetime — переименование колонок — преобразование длинного формата в широкий (pivot) — агрегация по волнам жары
Это позволило получить ключевые показатели: — максимальная температура волны — средняя аномалия — длительность
- Статистические методы Использованы:
— агрегация (groupby) — анализ по волнам жары — описательная статистика — экстремумы и средние значения — распределительный анализ — гистограмма — визуальный корреляционный анализ — scatter
Цель — выявить различия между физической жарой и климатической аномалией.
Графики
График 1 — Топ городов по пиковому Tmax
Показывает абсолютные экстремумы жары. Лидируют южные регионы — там физическая температура выше всего.
Вывод: экстремальная жара концентрируется в традиционно тёплых регионах.
График 2 — Топ по аномалии
Здесь лидируют северные города — температура там не рекордная, но сильнее отклоняется от климатической нормы.
Вывод: климатический стресс выше в регионах, не адаптированных к жаре.
График 3 — Tmax vs Аномалия
Scatter показывает слабую прямую связь: высокая температура ≠ высокая аномалия.
Ключевой вывод проекта: жара и климатическая аномалия — разные феномены.
График 4 — Распределение аномалий
Большинство волн находятся в умеренном диапазоне, экстремальные значения редки.
Вывод: сильные климатические отклонения — статистические выбросы.
График 5 — Динамика внутри волны
Показывает изменение температуры по дням.
Вывод: жара развивается неравномерно, возможны резкие пики и спады.
Пример кода
Загрузка и подготовка
import pandas as pd
df = pd.read_excel («data.xlsx»)
df = df.rename (columns={ «indicator_name»: «indicator», «indicator_value»: «value», «heat_wave_index»: «wave» })
df[«date»] = pd.to_datetime (df[«date»])
Pivot + агрегация
pivot = df.pivot_table ( index=[«city», «wave», «date»], columns="indicator», values="value» ).reset_index ()
pivot.columns.name = None
pivot = pivot.rename (columns={ pivot.columns[3]: «Tavg», pivot.columns[4]: «Tmax», pivot.columns[5]: «Anom» })
agg = pivot.groupby ([«city», «wave»]).agg ( duration=(«date»,"count»), max_tmax=(«Tmax»,"max»), mean_anom=(«Anom»,"mean») ).reset_index ()
Пример графика
import matplotlib.pyplot as plt
top = agg.sort_values («max_tmax», ascending=False).head (10)
plt.barh (top[«city»], top[«max_tmax»]) plt.gca ().invert_yaxis () plt.title («Top heat peaks») plt.show ()
Итог
Проведённый анализ показал, что волны жары летом 2023 года в разных городах России различались не только по абсолютным температурным значениям, но и по степени климатической аномальности. В южных регионах фиксировались наиболее высокие физические пики температуры, тогда как в северных и умеренных зонах жара чаще проявлялась как статистическое отклонение от климатической нормы.
Сопоставление максимальных температур и аномалий показало, что экстремальная жара и климатическая необычность события — не одно и то же явление. Это подчёркивает необходимость комплексного подхода к оценке погодных экстремумов: важно учитывать не только абсолютные показатели, но и их контекст относительно климатических норм.
Распределительный анализ выявил, что большинство волн жары находились в умеренном диапазоне аномалий, а экстремальные значения встречались значительно реже, что указывает на их статистическую исключительность. Временная динамика отдельных волн показала, что развитие жары может быть неравномерным, с резкими пиками и спадом температуры.
Таким образом, визуализация данных позволила выявить скрытые закономерности и различия между типами экстремальной жары, продемонстрировав возможности инструментов анализа данных для изучения реальных климатических процессов.
