Analyse de données météorologiques avec R

Ce MON traite de la découverte du langage R à travers l'analyse de données météorologiques.

Introduction

À travers ce MON, j'ai choisi de travailler sur un jeu de données météorologiques de Los Angeles. Ce dataset contient des informations sur la température, l'humidité, les précipitations et la vitesse du vent. Mon objectif était de manipuler, visualiser et prédire ces données pour mieux comprendre les tendances météorologiques afin d'approfondir mes connaissances en R.

1. Le dataset (source et description)

Le dataset utilisé dans ce projet provient de Kaggle et contient des données météorologiques quotidiennes pour la ville de Los Angeles entre janvier et mai 2024. Il comprend les colonnes suivantes :

• Date_Time : La date et l'heure de l'enregistrement.
• Temperature_C : La température en degrés Celsius.
• Humidity_pct : L'humidité pourcentage.
• Precipitation_mm : Les précipitations en millimètres.
• Wind_Speed_kmh : La vitesse du vent en kilomètres par heure.

Ce dataset m'a permis d'explorer les variations météorologiques et de découvrir les outils de manipulation et de visualisation de R.

2. Nettoyage des données

Encodage et format de date

Les données ont été chargées à partir d'un fichier CSV. La colonne Date_Time était initialement au format texte (dd/mm/YYYY HH:MM). J'ai utilisé la fonction as.POSIXct() pour la convertir en format datetime :

df$Date_Time <- as.POSIXct(df$Date_Time, format = "%d/%m/%Y")

Ensuite, j'ai extrait la date seule avec as.Date() pour faciliter l'analyse quotidienne :

df$Date <- as.Date(df$Date, format = "%d/%m/%Y")

Moyennes par jour

Comme les données contenaient plusieurs enregistrements par jour, j'ai calculé les moyennes quotidiennes pour chaque variable :

df_daily <- df %>%
  group_by(Date) %>%
  summarise(
    Temperature_C = mean(Temperature_C, na.rm = TRUE),
    Humidity_pct = mean(Humidity_pct, na.rm = TRUE),
    Precipitation_mm = mean(Precipitation_mm, na.rm = TRUE),
    Wind_Speed_kmh = mean(Wind_Speed_kmh, na.rm = TRUE)
  )

Ce nouveau dataset (df_daily) a servi de base pour les analyses et visualisations suivantes.

3. Visualisation des données

Courbes d'évolution

J'ai utilisé ggplot2 pour tracer l'évolution de la température et de l'humidité au fil du temps. Par exemple, voici la courbe d'évolution de la température :

Histogramme

Pour comprendre la répartition de l'humidité, j'ai créé un histogramme :

Relations entre variables

J'ai exploré la relation entre l'humidité et la température à l'aide d'un graphique de dispersion. La ligne rouge représente la régression linéaire, qui montre une tendance positive :

On observe une légère tendance positive indiquée par la droite de régression rouge, ce qui voudrait dire que l'humidité augmente légèrement avec la température. Cependant, la dispersion des points est importante, ce qui indique une corrélation très faible entre ces deux variables.

1. Prédictions

Modélisation avec Prophet

Pour prédire les températures futures, j'ai utilisé le modèle Prophet de Facebook. Voici les étapes :

1. Préparer les données pour Prophet :

df_prophet <- data.frame(
  ds = df_daily$Date,
  y = df_daily$Temperature_C
)

2. Entraîner le modèle :

model_prophet <- prophet(df_prophet)
future <- make_future_dataframe(model_prophet, periods = 30)

3. Faire des prévisions pour les 30 prochains jours :

forecast_prophet <- predict(model_prophet, future)

4. Visualisation des prévisions

Conclusion

Ce projet m'a permis de porsuivre ma découverte de R et ses principales librairies pour manipuler, visualiser et prédire des données. J'ai exploré les tendances météorologiques à travers des graphiques et des modèles de prévision.