title: "Concentration de CO2 dans l'atmosphère depuis 1958"
author: "Fanny"
date: "2023-12-08"
output: word_document
---
```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
```
## Quelques explications
##Introduction
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).
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>.
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.
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:
Le fichier a été téléchargé le 08/12/2023.
On télécharge le document via le site [Scrippsco2](https://scrippsco2.ucsd.edu/data/atmospheric_co2/mlo.html)
On observe le fichier et on voir que les 44 premières lignes sont des commentaires. On va donc retirer les 43 premières lignes.
data = read.csv2(data_url, header= TRUE, sep= ",", skip=43)
```
```{r cars}
summary(cars)
Une copie locale du fichier a été sauvegarder au cas où les donnée soient modifiées ou supprimées. Il est possible d'ouvrir le fichier soit avec la version en ligne, soit via la copie locale.
```{r}
data_file = "weekly_in_situ_co2_mlo.csv"
if (!file.exists(data_file)) {
download.file(data_url, data_file, method="auto")
}
data <- data_file
```
Et on peut aussi aisément inclure des figures. Par exemple:
#Préparation et inspection des données
```{r pressure, echo=FALSE}
plot(pressure)
on regarde la base de données et comment sont codées les variables.
```{r}
head(data)
tail(data)
```
Les données vont de 1958 à 2023, et la concentration en CO2 est représenté par un indice chaque semaine.
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 regarde s'il y a des données manquantes
```{r, echo=FALSE}
na_records = apply(data, 1, function (x) any(is.na(x)))
data[na_records,]
```
Aucune données n'est manquantes dans la base de données.
On va renommer les colonnes pour pouvoir mieux analyser les données
```{r, echo=FALSE}
colnames(data) <- c("Date", "CO2")
data<-data[-1,]
```
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.
On regarde ensuite comment sont codé les variables.
```{r, echo=FALSE}
class(data$Date) #character
class(data$CO2) #numeric
```
La variable Date est codé comme un character et la variable CO2 comme un numérique. On va transformer la variable Date en format date. Les données date sont sous le format Année-mois-jour.
```{r}
data$Date = as.Date(data$Date)
class(data$Date)
```
La vairable "Date" est maintenant codé comme une date.
On vérifie bien qu'il y est 7 jours entre chaque semaine
```{r}
data = data[order(data$Date),]
all(diff(data$Date) == 7)
```
chaque semaine commence un samedi.
Maintenant, à vous de jouer! Vous pouvez effacer toutes ces informations et les remplacer par votre document computationnel.
On crée une variable année et une variable mois, pour regarder l'évolution annuelle et mensuelle de la concentration en CO2
On regarde ensuite la distibution de la moyenne de la concentration anuuelle de 1958 à 2023
```{r}
class(data$Année)
data$Année = as.numeric(data$Année)
library(dplyr)
data_annual_mean <- data %>%
group_by(Année) %>%
summarise(mean_CO2 = mean(CO2, na.rm= TRUE))
plot(data_annual_mean, type="l", xlab="Année", ylab="Concentratin moyenne annuelle en CO2")
```
**Interprétation**: on observe une augmentation de la concentration moyenne en CO2 de 1958 à 2023.
On cherche maintenant à montrer une oscillation périodique et l'évolution systématique plus lente. Pour cela nous avons utilisé la sinusoide avec le package ggplot2
```{r}
library(ggplot2)
x <- data$Date
y <- sin(data$CO2)
data_periodique <-data.frame(x, y, data$CO2)
ggplot(data_periodique, aes(x, y)) + geom_line(aes(y= y), color = "blue") + geom_line(aes(y= data.CO2), color = "red")
