sujet : En 1958, Charles David Keeling a initié une mesure de la concentration de CO2 dans l'atmosphère à l'observatoire de Mauna Loa, Hawaii, États-Unis qui continue jusqu'à aujourd'hui. L'objectif initial était d'étudier la variation saisonnière, mais l'intérêt s'est déplacé plus tard vers l'étude de la tendance croissante dans le contexte du changement climatique. En honneur à Keeling, ce jeu de données est souvent appelé "Keeling Curve" (voir https://en.wikipedia.org/wiki/Keeling_Curve pour l'histoire et l'importance de ces données).
Les données sont disponibles sur le site Web de l'institut Scripps. Utilisez le fichier avec les observations hebdomadaires. Attention, ce fichier est mis à jour régulièrement avec de nouvelles observations. Notez donc bien la date du téléchargement, et gardez une copie locale de la version précise que vous analysez. Faites aussi attention aux données manquantes.
Votre mission si vous l'acceptez :
1. Réalisez un graphique qui vous montrera une oscillation périodique superposée à une évolution systématique plus lente.
2. Séparez ces deux phénomènes. Caractérisez l'oscillation périodique. Proposez un modèle simple de la contribution lente, estimez ses paramètres et tentez une extrapolation jusqu'à 2025 (dans le but de pouvoir valider le modèle par des observations futures).
3. Déposer dans FUN votre résultat
On commence par importer les données :
Elles sont disponible sur le site internet suivant : [observatoire Hawaï](https://scrippsco2.ucsd.edu/data/atmospheric_co2/mlo.html)
Ceci est un document R markdown que vous pouvez aisément exporter au format HTML, PDF, et MS Word. Pour plus de détails sur R Markdown consultez <http://rmarkdown.rstudio.com>.
on importe la librairy parsedate:
```{r}
library(parsedate)
data$date=parse_iso_8601(data$date)
data$date=as.character(data$date)
data$date=as.Date(data$date)
class(data$date)
class(data$concentration)
```
On vérifie que tout est bon :
Lorsque vous cliquerez sur le bouton **Knit** ce document sera compilé afin de ré-exécuter le code R et d'inclure les résultats dans un document final. Comme nous vous l'avons montré dans la vidéo, on inclue du code R de la façon suivante:
```{r}
head(data$date)
```
On trace l'évolution de la concentration périodique :
```{r cars}
```{r}
summary(cars)
plot(x=data$date, y=data$concentration, type="l", xlab="annee", ylab="concentration CO2", main="évolution périodique de la concentration en CO2")
Et on peut aussi aisément inclure des figures. Par exemple:
les oscilations sont cycliques sur environ 1 an. On eput donc faire une moyenne sur chaque année et tracer l'évolution.
On va partir du 30 juin de l'année N jusqu'au 30 juin de l'année N+1. On prend l'année N+1 comme étiquette.
```{r}
moyenne_annuelle= function(annee) {
debut=paste0(annee-1,"-06-30")
fin=paste0(annee,"-06-30")
semaines=data$date>debut & data$date<=fin
mean(data$concentration[semaines], na.rm = TRUE)
}
```
l'année 1958 n'est pas complète, on commence conc à 1959 et on s'arréte à 2019
```{r pressure, echo=FALSE}
```{r}
plot(pressure)
annees=1959:2019
class(annees)
```
```
Vous remarquerez le paramètre `echo = FALSE` qui indique que le code ne doit pas apparaître dans la version finale du document. Nous vous recommandons dans le cadre de ce MOOC de ne pas utiliser ce paramètre car l'objectif est que vos analyses de données soient parfaitement transparentes pour être reproductibles.
On crée un nouveau jeu de données concentration_annuelle qui représente la variation annuelle:
Comme les résultats ne sont pas stockés dans les fichiers Rmd, pour faciliter la relecture de vos analyses par d'autres personnes, vous aurez donc intérêt à générer un HTML ou un PDF et à le commiter.
Maintenant, à vous de jouer! Vous pouvez effacer toutes ces informations et les remplacer par votre document computationnel.
On trace l'évolution :
```{r}
plot(concentration_annuelle, type="l", xlab="annee", ylab="concentration CO2", main="évolution annuelle de la concentration en CO2")
```
Je ne suis pas parvenu à afficher les deux courbes sur le même graphique...
Modéle simple de la contribution lente : régression linéaire :
```{r}
mod=(lm(concen~annee, concentration_annuelle))
summary(mod)
```
on a les coefficients du modèle, on peut donc extrapoler jusqu'en 2025 :
