Для анализа я выбрала статистику загрязнения воздуха в Дубаи. Эти данные я нашла на платформе Kaggle в разделе «Путешествия». Датасет содержит ежедневные измерения загрязняющих веществ (CO, NO2, SO2, O3, PM2.5, PM10) и индекса качества воздуха (AQI) в Дубае в 2024 году.
Я выбрала данную статистику, так как мне интересна тема экологии и я считаю ее важной. Такие данные особенно важны для городов с высокой плотностью населения, таких как Дубай, где экологические вопросы часто пересекаются с городской инфраструктурой. Анализ качества воздуха позволяет оценить влияние загрязнения на здоровье населения и разработать меры для улучшения экологической обстановки.
Prompt: Create color palette for air pollution in Dubai graphics Сделано в Qwen
В ходе анализа датасета я посчитала наиболее подходящими следующие виды графиков:
(1) Линейный график (AQI во времени).
(2) Гистограмма (распределение AQI).
(3) Диаграмма рассеяния (CO vs AQI).
(4) Тепловая карта (корреляции между параметрами).
(5) Линейные графики для трендов PM2.5 и PM10.
Для стилизации графиков я сгенерировала фотографию в нейросети Qwen и подобрала по ней палитру в Adobe Color.
Prompt: Create color palette for air pollution in Dubai graphics
В своём проекте я использовала библиотеки kagglehub для загрузки данных с Kaggle, pandas для обработки и анализа данных, matplotlib.pyplot для построения графиков и визуализации, а также библиотеку seaborn для создания более стильных и информативных графиков.
Перед началом анализа данных я столкнулась с проблемой, что в таблице практически отсутствуют данные по CO2, поэтому я обратилась к ChatGPT с просьбой помочь отформатировать данные для анализа и им был предложен данный способ:
(1) Преобразование столбца Date в формат datetime для упрощения анализа временных данных.
(2) Заполнение пропусков в данных с использованием временной интерполяции (например, для переменной CO2).
(3) Проверка наличия пропусков в других параметрах и анализ их влияния на результаты.
(4) Вычисление описательной статистики для оценки распределения данных.
data = pd.read_csv ('Dubai_Air_Quality.csv') data['Date'] = pd.to_datetime (data['Date']) data.set_index ('Date', inplace=True)
data['CO2'] = data['CO2'].interpolate (method='time')
missing_values = data.isnull ().sum () summary_stats = data.describe ()
print («Пропуски в данных:\n», missing_values) print («\nСтатистические показатели:\n», summary_stats)
Линейный график
Линейный график показывает изменения AQI с течением времени. Замечены сезонные колебания, которые могут быть связаны с изменениями температуры, влажности и погодными условиями. Например, зимой наблюдаются более высокие значения AQI, что может быть связано с более частым использованием отопительных систем и снижением уровня вентиляции воздуха. Летом же значения AQI стабилизируются, что может указывать на улучшение качества воздуха в тёплый сезон.
Гистограмма
Гистограмма демонстрирует распределение значений AQI, при этом большая часть находится в умеренном диапазоне (60–100). Однако также присутствуют выбросы с очень высокими значениями AQI, что указывает на периоды высокого загрязнения. Это может быть связано с конкретными событиями, такими как песчаные бури или повышенные выбросы от транспорта.
Диаграмма рассеяния
Диаграмма рассеяния демонстрирует, что увеличение концентрации CO связано с ростом AQI. Это указывает на прямую зависимость между угарным газом и ухудшением качества воздуха. Особенно это заметно в часы пик, когда выбросы от транспорта достигают своего максимума.
Корреляция загрязняющих веществ
Тепловая карта корреляций показывает сильные взаимосвязи между параметрами. Например, PM2.5 и PM10 имеют высокий коэффициент корреляции с AQI, что указывает на их значительное влияние на общее качество воздуха. Высокая корреляция между PM10 и PM2.5 также подтверждает, что оба этих загрязняющих вещества часто возникают в результате схожих источников, таких как строительные работы или дорожный транспорт.
Тренды PM2.5 и PM10
Линейные графики показывают, как меняются концентрации PM2.5 и PM10 с течением времени. Наблюдаются явные пики, которые могут быть связаны с погодными явлениями, такими как песчаные бури или сезоны высокой влажности. Эти вещества являются основными причинами ухудшения видимости и здоровья населения, особенно у людей с респираторными заболеваниями.
Выводы
(1) Загрязнение воздуха в Дубае во многом определяется частицами PM10, PM2.5 и угарным газом (CO).
(2) Сезонные колебания AQI и концентраций загрязняющих веществ предполагают влияние климатических условий, таких как температура и осадки.
Описание применения генеративной модели
ChatGPT https://chatgpt.com/ Обращения с целью помощи при возникающих ошибках.
Qwen https://chat.qwen.ai/c/6d7121f7-1a80-439a-927a-1770bf52b08d / Генерация изображений для проекта
