Wie man auf die Klimadaten der NASA zugibt – und wie sie den Kampf gegen den Klimawandel pt. 1

Ich kann mir keinen wichtigeren Datensatz vorstellen. Erst heute habe ich eine Überschrift wie diese gesehen: „Wärmewellen werden mit dem Klimawandel gefährlicher.“ Sie können nicht sagen, dass wir nicht gewarnt wurden. 1988 sahen wir wie folgt Schlagzeilen: ‚Die globale Erwärmung hat begonnen, sagt Experte dem Senat, erzählt den Senat. ‚ Und während Knowledge Science seine Rolle bei der Erkenntnis gespielt hat, dass wir wahrscheinlich das von der Pariser Vereinbarung festgelegte Ziel von 1,5 ° C übertreffen werden, gibt es weit mehr, was wir tun könnten. Zum einen glauben die Leute nicht, aber die Daten sind leicht verfügbar, kostenlos und leicht zugänglich. Sie können es selbst überprüfen! In dieser Episode werden wir es additionally tun. Wir werden auch über die überraschenden und interessanten Möglichkeiten sprechen, wie diese Daten derzeit verwendet werden, um die Auswirkungen des Klimawandels zu bekämpfen.

Aber auch Klimadaten sind unglaublich interessant. Sie haben wahrscheinlich auch Schlagzeilen wie: Der blaue Begin von 6 Personen in den suborbitalen Raum verzögerte sich aufgrund des Wetters erneut. Was lässt Sie denken, wenn wir jemanden zum Mond schicken können, warum können wir dann nicht sicher sein, dass das Wetter sich sicherstellen kann? Wenn schwierig es nicht beschreibt, dann a Mehrdimensionaler stochastischer Prozess könnte. Aus Sicht der Datenwissenschaft ist dies unsere Riemann -Hypothese, unser P vs NP -Drawback. Wie intestine wir Klimadaten modellieren und verstehen können, werden unsere nächsten Jahrzehnte auf dieser Erde prägen. Dies ist das wichtigste Drawback, an dem wir arbeiten könnten.

Und während New York gerade eine Hitzewelle durchgemacht hat, muss festgestellt werden, dass der Klimawandel schlechter ist als nur heißeres Wetter.

• Versagen von Ernten untergraben die globale Ernährungssicherheit, insbesondere in gefährdeten Regionen.
• Vektor übertragene Krankheiten erweitern sich mit zunehmendem Temperatur in neue Regionen.
• Massenaussterben stören Ökosysteme und erodieren die Resilienz der Planeten.
• Die Ozeanversuche lösten marine Lebensmittelketten, bedrohliche Fischerei und biologische Vielfalt.
• Süßwasserversorgung schwindet unter dem Druck von Trockenheit, Umweltverschmutzung und Überbeanspruchung.

Aber nicht alles ist verloren; Wir werden über einige der Artwork und Weise sprechen, wie Daten verwendet wurden, um diese Probleme anzugehen. Hier ist eine Zusammenfassung einiger Daten, die die NASA im Auge behalten. Wir werden auf einige dieser Parameter zugreifen.

Daten erhalten

Wir werden zunächst einige interessante Orte auswählen, die wir in dieser Serie untersuchen werden. Alles, was wir brauchen, sind ihre Koordinaten – einen Klick auf Google Maps. Ich verwende hier eine ganze Reihe von Dezimalstellen, aber die meteorologische Datenquellenauflösung beträgt ½ ° x ⅝ °, sodass nicht so genau sein müsste.

interesting_climate_sites = {
    "Barrow, Alaska (Utqiaġvik)": (71.2906, -156.7886),    # Arctic warming, permafrost soften
    "Greenland Ice Sheet": (72.0000, -40.0000),            # Glacial soften, sea stage rise
    "Amazon Rainforest (Manaus)": (-3.1190, -60.0217),     # Carbon sink, deforestation influence
    "Sahara Desert (Tamanrasset, Algeria)": (22.7850, 5.5228),  # Warmth extremes, desertification
    "Sahel (Niamey, Niger)": (13.5128, 2.1127),            # Precipitation shifts, droughts
    "Sydney, Australia": (-33.8688, 151.2093),             # Heatwaves, bushfires, El Niño sensitivity
    "Mumbai, India": (19.0760, 72.8777),                   # Monsoon variability, coastal flooding
    "Bangkok, Thailand": (13.7563, 100.5018),              # Sea-level rise, warmth + humidity
    "Svalbard, Norway": (78.2232, 15.6469),                # Quickest Arctic warming
    "McMurdo Station, Antarctica": (-77.8419, 166.6863),   # Ice loss, ozone gap proximity
    "Cape City, South Africa": (-33.9249, 18.4241),        # Water shortage, shifting rainfall
    "Mexico Metropolis, Mexico": (19.4326, -99.1332),            # Air air pollution, altitude-driven climate
    "Reykjavík, Iceland": (64.1355, -21.8954),             # Glacial soften, geothermal dynamics
}

Lassen Sie uns als nächstes einige Parameter auswählen. Sie können sie im Parameterwörterbuch durchblättern https://energy.larc.nasa.gov/parameters/

Sie können jeweils nur von einer Neighborhood anfordern, additionally gruppieren wir die Parameter nach Neighborhood.

community_params = {
    "AG": ("T2M","T2M_MAX","T2M_MIN","WS2M","ALLSKY_SFC_SW_DWN","ALLSKY_SFC_LW_DWN",
           "CLRSKY_SFC_SW_DWN","T2MDEW","T2MWET","PS","RAIN","TS","RH2M","QV2M","CLOUD_AMT"),
    "RE": ("WD2M","WD50M","WS50M"),
    "SB": ("IMERG_PRECTOT")
}

Wie werden diese Daten verwendet?

• AG = landwirtschaftliche. Agroökonomisten verwenden diese Neighborhood in der Regel in Pflanzenwachstumsmodellen wie DSSAT und APSIM sowie bei Bewässerungsplanern wie FAO Cropwat. Es wird auch für die Beurteilung der Viehzuchtwärmestress und für den Bau verwendet Frühwarnsysteme für Ernährungssicherheit. Dies hilft, die Unsicherheit der Lebensmittel aufgrund des Klimawandels zu mildern. Diese Daten folgen agroökonomischen Konventionen, sodass sie direkt durch landwirtschaftliche Entscheidungsunterstützungsinstrumente aufgenommen werden können.
• Re = erneuerbare Energien. Angesichts des Namens und der Tatsache, dass Sie Windspeed -Daten von hier erhalten können, können Sie möglicherweise die Verwendung erraten. Diese Daten werden hauptsächlich zur Vorhersage von langfristigen Energieerträgen verwendet. Windgeschwindigkeit für Turbinen, Sonnenstrahlung für Solarparks. Diese Daten können in PVSYST, NREL-SAM und WINDPRO eingespeist werden, um die jährlichen Energieerträge und -kosten abzuschätzen. Diese Daten unterstützt alles vom Dacharray -Design bis hin zu nationalen Zielen für saubere Energie.
• SB = nachhaltige Gebäude. Architekten und HLK -Ingenieure verwenden diese Daten, um sicherzustellen, dass ihre Gebäude den Energieleistungsvorschriften wie IECC oder Ashrae 90.1 entsprechen. Es kann direkt in EnergyPlus, OpenStudio, Retscreen oder Leed/Ashrae Compliance -Rechnungskenner fallen gelassen werden, um zu überprüfen, ob die Gebäude den Code entsprechen.

Jetzt wählen wir einen Begin- und Enddatum.

start_date = "19810101"
end_date   = "20241231"

Damit die API etwas wiederholbares aufruft, verwenden wir eine Funktion. Wir werden mit täglichen Daten arbeiten, aber wenn Sie jährliche, monatliche oder sogar stündliche Daten bevorzugen, müssen Sie nur die URL ändern, um die URL zu ändern

…/Temporal/{Auflösung}/Punkt.

import requests
import pandas as pd

def get_nasa_power_data(lat, lon, parameters, group, begin, finish):
    """
    Fetch every day information from NASA POWER API for given parameters and placement.
    Dates have to be in YYYYMMDD format (e.g., "20100101", "20201231").
    """
    url = "https://energy.larc.nasa.gov/api/temporal/every day/level"
    params = {
        "parameters": ",".be part of(parameters),
        "group": group,
        "latitude": lat,
        "longitude": lon,
        "begin": begin,
        "finish": finish,
        "format": "JSON"
    }
    response = requests.get(url, params=params)
    information = response.json()

    if "properties" not in information:
        print(f"Error fetching {group} information for lat={lat}, lon={lon}: {information}")
        return pd.DataFrame()

    # Construct one DataFrame per parameter, then mix
    param_data = information("properties")("parameter")
    dfs = (
        pd.DataFrame.from_dict(values, orient="index", columns=(param))
        for param, values in param_data.gadgets()
    )
    df_combined = pd.concat(dfs, axis=1)
    df_combined.index.identify = "Date"
    return df_combined.sort_index().astype(float)

Diese Funktion ruft die von uns angegebenen Parameter ab, die wir angefordert haben. Es wandelt auch JSON in einen Datenrahmen um. Jede Antwort enthält immer einen Eigenschaftschlüssel – wenn sie fehlt, drucken wir einen Fehler.

Nennen wir diese Funktion in einer Schleife, um die Daten für alle unsere Standorte abzurufen.

all_data = {}
for metropolis, (lat, lon) in interesting_climate_sites.gadgets():
    print(f"Fetching every day information for {metropolis}...")
    city_data = {}
    for group, params in community_params.gadgets():
        df = get_nasa_power_data(lat, lon, params, group, start_date, end_date)
        city_data(group) = df
    all_data(metropolis) = city_data

Im Second sind unsere Daten ein Wörterbuch, in dem die Werte auch Wörterbücher sind. Es sieht so aus:

Dies macht die Verwendung der Daten kompliziert. Als nächstes kombinieren wir diese zu einem Datenrahmen. Wir beitreten den Daten und verkettet dann. Da es keine fehlenden Werte gab, würde eine innere Verbindung das gleiche Ergebnis ergeben.

# 1) For every metropolis, be part of its communities on the date index
city_dfs = {
    metropolis: comms("AG")
                .be part of(comms("RE"), how="outer")
                .be part of(comms("SB"), how="outer")
    for metropolis, comms in all_data.gadgets()
}

# 2) Concatenate into one MultiIndexed DF: index = (Metropolis, Date)
combined_df = pd.concat(city_dfs, names=("Metropolis", "Date"))

# 3) Reset the index so Metropolis and Date develop into columns
combined_df = combined_df.reset_index()

# 4) Convey latitude/longitude in as columns
coords = pd.DataFrame.from_dict(
    interesting_climate_sites, orient="index", columns=("Latitude", "Longitude")
).reset_index().rename(columns={"index": "Metropolis"})

combined_df = combined_df.merge(coords, on="Metropolis", how="left")

# then save into your Drive folder
combined_df.to_csv('/content material/drive/MyDrive/climate_data.csv', index=False)

Wenn Sie es satt haben, für den Tag zu codieren, können Sie auch ihre verwenden Datenzugriffstool. Klicken Sie einfach überall auf der Karte, um die Daten abzurufen. Hier habe ich auf Venedig geklickt. Wählen Sie dann einfach eine Neighborhood, einen zeitlichen Durchschnitt und Ihren bevorzugten Dateityp, CSV, JSON, ASCII, NETCDF und TRITT Senden. Ein paar Klicks und Sie können alle Wetterdaten der Welt erhalten.

https://energy.larc.nasa.gov/dat-access-viewer

Vernunftprüfung

Führen Sie nun eine schnelle Überprüfung der Vernunft durch, um zu überprüfen, ob die Daten, die wir haben, Sinn machen.

import matplotlib.pyplot as plt
import seaborn as sns # Import seaborn

# Load information
climate_df = pd.read_csv('/content material/drive/MyDrive/TDS/Local weather/climate_data.csv')
climate_df('Date') = pd.to_datetime(climate_df('Date').astype(str), format='%Ypercentmpercentd')

# Filter for the desired cities
selected_cities = (
    'McMurdo Station, Antarctica',
    'Bangkok, Thailand',
)
df_selected_cities = climate_df(climate_df('Metropolis').isin(selected_cities)).copy()

# Create a scatter plot with totally different colours for every metropolis
plt.determine(figsize=(12, 8))

# Use a colormap for extra aesthetic colours
colours = sns.color_palette("Set2", len(selected_cities)) # Utilizing a seaborn shade palette

for i, metropolis in enumerate(selected_cities):
    df_city = df_selected_cities(df_selected_cities('Metropolis') == metropolis)
    plt.scatter(df_city('Date'), df_city('T2M'), label=metropolis, s=2, shade=colours(i)) # Utilizing T2M for temperature and smaller dots

plt.xlabel('Date')
plt.ylabel('Temperature (°C)')
plt.title('Day by day Temperature (°C) for Chosen Cities')
plt.legend()
plt.grid(alpha=0.3)
plt.tight_layout()
plt.present()

Ja, die Temperaturen in Bangkok sind etwas heißer als in der Arktis.

# Filter for the desired cities
selected_cities = (
    'Cape City, South Africa',
    'Amazon Rainforest (Manaus)',
)
df_selected_cities = climate_df(climate_df('Metropolis').isin(selected_cities)).copy()

# Arrange the colour palette
colours = sns.color_palette("Set1", len(selected_cities))

# Create vertically stacked subplots
fig, axes = plt.subplots(nrows=2, ncols=1, figsize=(12, 10), sharex=True)

for i, metropolis in enumerate(selected_cities):
    df_city = df_selected_cities(df_selected_cities('Metropolis') == metropolis)
    axes(i).scatter(df_city('Date'), df_city('PRECTOTCORR'), s=2, shade=colours(i))
    axes(i).set_title(f'Day by day Precipitation in {metropolis}')
    axes(i).set_ylabel('Precipitation (mm)')
    axes(i).grid(alpha=0.3)

# Label x-axis solely on the underside subplot
axes(-1).set_xlabel('Date')

plt.tight_layout()
plt.present()

Ja, es regnet mehr im Amazonas -Regenwald als in Südafrika.

Südafrika erfährt Dürren, die den Agrarsektor erheblich belasten.

# Filter for Mexico Metropolis
df_mexico = climate_df(climate_df('Metropolis') == 'Mexico Metropolis, Mexico').copy()

# Create the plot
plt.determine(figsize=(12, 6))
sns.set_palette("husl")

plt.scatter(df_mexico('Date'), df_mexico('WS2M'), s=2, label='WS2M (2m Wind Pace)')
plt.scatter(df_mexico('Date'), df_mexico('WS50M'), s=2, label='WS50M (50m Wind Pace)')

plt.xlabel('Date')
plt.ylabel('Wind Pace (m/s)')
plt.title('Day by day Wind Speeds at 2m and 50m in Mexico Metropolis')
plt.legend()
plt.grid(alpha=0.3)
plt.tight_layout()
plt.present()

Ja, Windgeschwindigkeiten bei 50 Metern sind viel schneller als bei 2 Metern.

Je höher Sie gehen, desto schneller bewegt sich der Wind. In der Flughöhe kann der Wind Geschwindigkeiten von 200 km/h erreichen. Das heißt, bis Sie auf 100.000 Meter Platz erreichen.

Wir werden uns diese Daten in den folgenden Kapiteln viel genauer ansehen.

Es erhitzt sich

Wir haben gerade eine Hitzewelle hier in Toronto durchlaufen. Nach den Geräuschen, die meine Klima gemacht hat, denke ich, dass es quick kaputt gemacht wurde. In einem Temperaturdiagramm müssen Sie jedoch ziemlich genau hinschauen, um zu sehen, dass sie steigen. Dies liegt daran, dass es Saisonalität und erhebliche Variabilität gibt. Die Dinge werden klarer, wenn wir uns den jährlichen Durchschnitt ansehen. Wir nennen eine Anomalie den Unterschied zwischen dem Durchschnitt für ein bestimmtes Jahr und der Grundlinie. Die Baseline ist die durchschnittliche Temperatur über 1981–2024 und wir können dann feststellen, dass der jüngste jährliche Durchschnitt signifikant höher ist als die Grundlinie, hauptsächlich aufgrund der in früheren Jahren vorhandenen kühleren Temperaturen. Das Gegenteil ist gleichermaßen wahr; Der frühe Jahresdurchschnitt ist aufgrund der heißeren Temperaturen in den letzten Jahren deutlich niedriger als die Grundlinie.

Mit allen hier vorhandenen technischen Artikeln mögen Schlagzeilen ‚Grammatik als injizierbar: Ein Trojanisches Pferd zur Verarbeitung natürlicher Sprache von NLP ‚. Ich hoffe, Sie sind nicht enttäuscht von einer einfachen linearen Regression. Aber das ist alles, was es braucht, um zu zeigen, dass die Temperaturen steigen. Dennoch glauben die Leute nicht.

# 1) Filter for Sahara Desert and exclude 2024
metropolis = 'Sahara Desert (Tamanrasset, Algeria)'
df = (
    climate_df
    .loc(climate_df('Metropolis') == metropolis)
    .set_index('Date')
    .sort_index()
)

# 2) Compute annual imply & anomaly
annual = df('T2M').resample('Y').imply()
baseline = annual.imply()
anomaly = annual - baseline

# 3) 5-year rolling imply
roll5 = anomaly.rolling(window=5, heart=True, min_periods=3).imply()

# 4) Linear development
years = anomaly.index.12 months
slope, intercept = np.polyfit(years, anomaly.values, 1)
development = slope * years + intercept

# 5) Plot
plt.determine(figsize=(10, 6))
plt.bar(years, anomaly, shade='lightgray', label='Annual Anomaly')
plt.plot(years, roll5, shade='C0', linewidth=2, label='5-yr Rolling Imply')
plt.plot(years, development, shade='C3', linestyle='--', linewidth=2,
         label=f'Development: {slope:.3f}°C/yr')
plt.axhline(0, shade='okay', linewidth=0.8, alpha=0.6)

plt.xlabel('12 months')
plt.ylabel('Temperature Anomaly (°C)')
plt.title(f'{metropolis} Annual Temperature Anomaly')
plt.legend()
plt.grid(alpha=0.3)
plt.tight_layout()
plt.present()

Die Sahara wird um 0,03 ° C professional Jahr heißer. Das ist die heißeste Wüste der Welt. Wir können sogar jeden Ort überprüfen, den wir ausgewählt haben, und sehen, dass kein einziger einen negativen Development hat.

Additionally ja, die Temperaturen steigen.

Der Wald für die Bäume

Ein großer Grund, warum die NASA diese Daten offen macht, ist die Bekämpfung der Auswirkungen des Klimawandels. Wir haben die Modellierung von Ernteerträgen, erneuerbare Energien und nachhaltige Einhaltung von Gebäuden erwähnt. Es gibt jedoch zusätzliche Möglichkeiten, wie Daten verwendet werden können, um den Klimawandel auf wissenschaftliche und mathematisch fundierte Weise anzugehen. Wenn Sie an diesem Thema interessiert sind, deckt dieses Video von Luis Seco über Dinge ab, die ich in diesem Artikel nicht angesprochen habe, wie wie

• Der Kohlenstoffhandel und der Kohlenstoffpreis
• Vorhersage -Biomasse -Werkzeugoptimierung von Baumpflanzung
• Sicheres Trinkwasser in Kenia
• Die sozioökonomischen Kosten der Emissionen
• Kontrolliertes Verbrennen von Wäldern

Ich hoffe, Sie werden sich mir auf dieser Reise begleiten. In der nächsten Folge werden wir diskutieren, wie Differentialgleichungen wurden verwendet, um das Klima zu modellieren. Und während viel getan wird, um den Klimawandel zu beheben, warfare die frühere Liste der Effekte nicht erschöpfend.

• Schmelzen von Eisblättern destabilisieren die globale Klimaregulierung und beschleunigen Sie den Anstieg des Meeresspiegels.
• Klimabezogene Schäden schädigen die Krüppelwirtschaften durch eskalierende Infrastruktur- und Gesundheitskosten.
• Steigende Anzahl von Klimaflüchtlingen belastet Grenzen und fuptische geopolitische Instabilität.
• Küstenstädte sehen sich aus
• Excessive Wetterereignisse erschüttern Rekorde und verdrängen Millionen.

Aber es gibt Rauschen und Sign, und sie können getrennt werden.

Quellen

• Klimawandel Auswirkungen | Nationales ozeanische und atmosphärische Verwaltung. (ND). https://www.noaa.gov/schooling/resource-collections/local weather/climate-change-impacts
• Freedman, A. (2025, 23. Juni). Wärmewellen werden mit dem Klimawandel gefährlicher – und wir können sie immer noch unterschätzen. CNN. https://www.cnn.com/2025/06/23/local weather/heat-wave-global-warming-links
• Globale Klimavorhersagen zeigen, dass die Temperaturen in den kommenden 5 Jahren erwartet werden oder nahezu Rekordniveau bleiben werden. Weltmeteorologische Organisation. (2025, 26. Mai). https://wmo.int/information/media-centre/global-climate-predictions-show-temperatures-expected-remain-or-near-record-level-coming-5-Jahre
• Die globale Erwärmung hat begonnen, erzählt Experte den Senat (veröffentlicht 1988). Die New York Occasions. (1988, 24. Juni). https://net.archive.org/net/20201202103915/https:/www.nytimes.com/1988/06/24/us/global-warming-has-begun-expert-tells-ssenate.html
• NASA. (ND). NASA LARC Energy Venture. NASA. https://energy.larc.nasa.gov/
• Wall, M. (2025, 20. Juni). Blauer Ursprung, um 6 Personen zum suborbitalen Raum 29. Juni nach Wetterverzögerung zu starten. Raum. https://www.house.com/space-exploration/private-spaceflight/watch-blue-origin-launch-6-people-touborbital-space-on-june-21

Code hier verfügbar

LinkedIn