9.8 Exercícios

  1. Importe os dados disponíveis em http://www.aos.wisc.edu/~dvimont/MModes/RealTime/AMM.txt. A estrutura esperada dos dados importados no R é mostrada abaixo.
'data.frame':   867 obs. of  4 variables:
 $ Year: int  1948 1948 1948 1948 1948 1948 1948 1948 1948 1948 ...
 $ Mo  : int  1 2 3 4 5 6 7 8 9 10 ...
 $ SST : num  0.66 0 1 1.86 1.3 2.51 1.63 0.55 -0.48 -0.24 ...
 $ Wind: num  -0.76 5.78 -1.47 4.74 4.81 4.34 3.92 2.6 1.46 2.11 ...
    1. Leia os dados texto não estruturados disponíveis em https://iri.columbia.edu/~forecast/ensofcst/Data/ensofcst_ALLto0520 e salve-os em um arquivo texto nomeado previsoes-enos.txt, mantendo a formatação original dos dados.

  1. Encontre a linha do arquivo previsoes-enos.txt que contenha o caractere "Jun 2020". Utilize a função grep(pattern = "Jun 2020", x = ...). Salve o resultado em uma variável chamada lin_ini.

  2. Determine o número de linhas do arquivo previsoes-enos.txt e atribua o resultado desta operação a uma variável chamada lin_fin.

  3. Utilize a função adequada para importar os dados do arquivo previsoes-enos.txt, referentes à previsão iniciada em Junho de 2020. A variável da letra b pode ser útil. Faça as tranformações necessárias para obter os dados na estrutura mostrada abaixo, esperada como resultado. {#enosdf}

#str(prev_enos_jun2020)
'data.frame':   24 obs. of  11 variables:
 $ JJA        : num  -77 -50 -36 -63 -53 3 -49 -48 -42 -41 ...
 $ JAS        : num  -96 -76 -30 -52 -52 -2 -50 -60 -25 -50 ...
 $ ASO        : num  -104 -92 -25 -25 -48 8 -52 -68 3 -70 ...
 $ SON        : num  -111 -101 -26 -4 -39 28 -50 -74 27 -87 ...
 $ OND        : num  -127 -103 -27 7 -31 41 -49 NA 42 -101 ...
 $ NDJ        : num  -142 -105 NA 16 -21 50 NA NA 50 -107 ...
 $ DJF        : num  -137 -93 NA 27 -11 59 NA NA 50 -107 ...
 $ JFM        : num  NA -68 NA 41 2 67 NA NA 51 -97 ...
 $ FMA        : num  NA NA NA 58 16 60 NA NA 50 -82 ...
 $ tipo_modelo: chr  "  D" "  D" "  D" "  D" ...
 $ modelo     : chr  " NASA GMAO" " NCEP CFSv" " JMA" " BCC_CSM11" ...
 
#tail(prev_enos_jun2020)
#     JJA  JAS  ASO  SON  OND  NDJ  DJF  JFM  FMA tipo_modelo     modelo
# 22  -36  -35  -38  -41  -45  -48  -50  -47  -39           S   FSU REGR
# 23  -26  -39  -52  -63  -69  -69  -64  -55  -44           S   UCLA-TCD
# 24  -37  -47  -60  -65  -67  -67  -60   -1   13           C  CPC CONSO
    1. Escreva o quadro de dados do último item da questão anterior em um arquivo excel no formato xlsx e nomeado previsoes-enos.xlsx.

  1. Verifique se o arquivo previsoes-enos.xlsx realmente existe em seu computador.

  2. Importe no R o arquivo previsoes-enos.xlsx e mostre a estrutura dos dados importados.

'data.frame':   24 obs. of  11 variables:
 $ JJA        : num  -77 -50 -36 -63 -53 3 -49 -48 -42 -41 ...
 $ JAS        : num  -96 -76 -30 -52 -52 -2 -50 -60 -25 -50 ...
 $ ASO        : num  -104 -92 -25 -25 -48 8 -52 -68 3 -70 ...
 $ SON        : num  -111 -101 -26 -4 -39 28 -50 -74 27 -87 ...
 $ OND        : num  -127 -103 -27 7 -31 41 -49 NA 42 -101 ...
 $ NDJ        : num  -142 -105 NA 16 -21 50 NA NA 50 -107 ...
 $ DJF        : num  -137 -93 NA 27 -11 59 NA NA 50 -107 ...
 $ JFM        : num  NA -68 NA 41 2 67 NA NA 51 -97 ...
 $ FMA        : num  NA NA NA 58 16 60 NA NA 50 -82 ...
 $ tipo_modelo: chr  "D" "D" "D" "D" ...
 $ modelo     : chr  "NASA GMAO" "NCEP CFSv" "JMA" "BCC_CSM11" ...
  1. Importe os dados da Oscilação Antártica disponível neste link. A estrutura esperada dos dados importados é:
#str(aao)
'data.frame':   42 obs. of  13 variables:
 $ Ano: int  1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 ...
 $ Jan: num  0.209 -0.447 0.231 -0.554 -1.34 ...
 $ Feb: num  0.356 -0.98 0.039 0.277 -1.081 ...
 $ Mar: num  0.899 -1.424 -0.966 1.603 0.166 ...
 $ Apr: num  0.678 -2.068 -1.462 1.531 0.149 ...
 $ May: num  0.724 -0.479 -0.344 0.118 -0.437 ...
 $ Jun: num  1.7 0.286 0.352 0.92 -0.263 ...
 $ Jul: num  2.412 -1.944 -0.986 -0.415 1.114 ...
 $ Aug: num  0.546 -0.997 -2.118 0.779 0.792 ...
 $ Sep: num  0.629 -1.701 -1.509 1.58 -0.696 ...
 $ Oct: num  0.16 0.577 -0.26 -0.702 1.193 ...
 $ Nov: num  -0.423 -2.013 0.626 -0.849 0.727 ...
 $ Dec: num  -0.951 -0.356 1.116 -1.934 0.475 ...
    1. Faça o download deste arquivo Excel.

  1. Abra o arquivo e procure entender como estão organizados os dados. Responda: (i) o que significa cada coluna e cada linha em termos de variáveis e observações para este conjunto de dados horários medidas meteorológicas; (ii) quantas variáveis meteorológicas contém esta tabela de dados? (iii) O número de observações horárias (para cada dia) é o mesmo para todas variáveis?

  2. Importe o arquivo no R selecionado somente os dados das variáveis meteorológicas após a linha com a informação da hora (HORA_UTC).

  3. Para tornar este dados mais fáceis de entender, crie e adicione nomes às variáveis da tabela de dados importada usando os novos nomes para as variáveis, conforme tabela abaixo.

Como não faz sentido termos variáveis com nomes repetidos, use os novos nomes apendando a eles um "_" (underline) a hora correspondente à observação (e.g.: velmax_ms_12). A estrutura dos dados com os novos nomes é representada simplificadamente como mostrado abaixo. Note que N e a hora inicial podem diferir para alguma(s) variável(is).

tibble [730 x 183] (S3: tbl_df/tbl/data.frame)
 $ data           : POSIXct[1:730], format: "2010-01-01" ...
 $ p_hpa_0        : num [1:730] 1003 999 1000 999 997 ...
 $ p_hpa_1        : num [1:730] 1003 999 1001 1000 996 ...
 ...
 $ p_hpa_N       : num [1:730] 999 999 999 996 994 ...
 $ vel_ms_0       : num [1:730] 5.1 1.3 1.9 1.5 2.3 2.2 4.5 4.2 2.8 1.9 ...
 $ vel_ms_1       : num [1:730] 4.3 1.8 3.7 3.4 1 1.9 3.5 5.1 2 1.2 ...
 ...
 $ vel_ms_N      : num [1:730] 1.1 1.4 4.5 2.6 1 0.2 5 1.8 1.3 1.3 ...
 $ dir_graus_0    : num [1:730] 100 126 93 192 124 63 149 90 149 53 ...
 $ dir_graus_1    : num [1:730] 104 91 99 68 350 77 150 89 171 87 ...
 ...
 $ dir_graus_N   : num [1:730] 123 95 65 57 101 360 88 120 103 338 ...
 ...
  [list output truncated]
    1. Utilizando o R, faça o download deste arquivo netCDF com dados de profundidade do lençol freático para a América do Sul.

  1. Descubra o(s) nome(s) e a(s) unidades da(s) variável(is) armazenada(s) no arquivo netCDF usando o pacote ncdf4. A resposta desta questão são dois vetores do tipo caractere, um com cada informação: var_name e var_unidade.

  2. Importe os dados para o R usando o pacote raster.

  3. Converta os dados importados em um quadro de dados (data frame) incluindo as coordenadas das células do raster e ignorando as células sem informação (oceanos).

  4. Altere os nomes das colunas do quadro de dados para "wtd", "lon", "lat"

  5. Compare as dimensões do quadro de dados com as dimensões do objeto importado como raster. Por que o número de linhas do quadro de dados não corresponde ao número de células do raster?

    1. Importe da web diretamente para o R os dados do índice multivariado em tempo real da Oscilação de Madden-Julian disponível em http://www.bom.gov.au/climate/mjo/graphics/rmm.74toRealtime.txt.

  1. Defina o nome das variáveis como: year month day RMM1 RMM2 phase amplitude status. Tente obter os nomes das variáveis do próprio link para os dados (a releitura desta seção do livro e deste apêndice pode ajudar). Mostre os 10 primeiros valores da variável RMM1.

  2. Escreva os dados importados em um arquivo excel no formato xls e nomeado mjo.xls. Dê uma olhada nesta seção do livro.

  3. Importe no R o arquivo excel nomeado mjo.xls e mostre qual a classe dos dados importados.

  4. Mostre as primeiras e as últimas 10 linhas dos dados.

  5. Qual o código para mostrar quantas linhas e colunas possui a tabela de dados.

  6. Interprete a saída da glimpse() do pacote dplyr aplicada aos dados importados. O resultado parece com o de alguma outra função que você já conhece, qual?

  1. Importe as anomalias padronizadas dos dados do SOI (2ª tabela, linhas após "STANDARDIZED DATA"). Veja esta seção do livro para detalhes. Mostre as primeiras e as últimas linhas dos dados importados.
  1. Importe no R o arquivo excel com a climatologia das temperaturas mínimas do INMET no período de 1981-2010, disponível aqui. Mostre a estrutura dos dados e certifique-se de as colunas dos meses e ano são numéricas.

  1. Faça download de dados gradeados de precipitação diário para todo Brasil com resolução horizontal de 0,25° (arquivo prec_daily_UT_Brazil_v2.2_20100101_20151231.nc), disponível em https://utexas.app.box.com/v/Xavier-etal-IJOC-DATA. Navegue pelas páginas até encontrar o arquivo NetCDF.

    1. Importe os dados para o R, converta-os para data frame e verifique o número de colunas e linhas resultantes.

    2. Compare as dimensões do quadro de dados com as dimensões do objeto importado, o número de linhas e de colunas do quadro de dados correspondem a quais propriedades ou dimensões do objeto importado? Faça essa comparação usando os diferentes valores lógicos para os argumentos na.rm e xy.