In bczernecki/imgw: Polish Meteorological and Hydrological Data

knitr::opts_chunk$set(echo = TRUE)

IMGW-PIB - dane meteo (example no. 1)

1. Pobieranie danych miesięcznych ze stacji meteo (SYNOP) dla Poznania w latach 1966-2018.
2. Przeliczenie wartości miesięcznych na wartości roczne
3. Wykonanie wykresu zmienności średniej rocznej temperatury oraz obliczenie trendu zmian za pomocą modelu regresji liniowej

library(imgw)
library(ggplot2)
library(dplyr)
meteo_poz = meteo("monthly", rank = "synop", year = 1966:2018, station = "POZNAŃ") %>% 
  select(id, station, yy, mm, t2m_mean_mon) %>% 
  group_by(yy) %>%
  summarise(t2 = mean(t2m_mean_mon))

ggplot(meteo_poz, aes(yy, t2)) +
  geom_line() + 
  geom_smooth(method = "lm", se = FALSE) +
  labs(title = "Poznań", 
       subtitle = "Annual mean air temperature (1966 - 2018)",
       x = "Year",
       y = "Temperature [*C]") +
  ggpubr::stat_regline_equation()

# or as an alternative:
plot(
  meteo_poz$yy,
  meteo_poz$t2,
  type = "l",
  xlab = "Year",
  ylab = "Temperature [*C]",
  main = "Poznań - annual mean air temperature (1966 - 2018)"
  )
model = lm(t2 ~ yy, data = meteo_poz)
abline(model, col = "red", lwd = 3)
legend("topleft",
       legend = paste0("y = ", round(coef(model)[2], 3), "x  ",
                       round(coef(model)[1], 1)), bty = "n")

IMGW-PIB - dane meteo (example no. 2)

1. Pobranie danych meteorologicznych dla wszystkich stacji synoptycznych za okres 1966-2017.
2. Przetworzenie pobranych danych na serie roczne
3. Przekształcenie współrzędnych geograficznych (EPSG 4326) na siatkę PUWG-1992 (EPSG 2180); Rozmiar zdefiniowanej domeny obliczeniowej 50 x 50 punktów
4. Transformacja wartości punktowych na rozkład przestrzenny za pomocą interpolacji IDW
5. Obliczenie trendu dla serii rocznej w punktach gridowych - mapa współczynnika kierunkowego trendu w Polsce w latach 1966-2017

library(imgw)
library(dplyr)
library(sf)
library(gstat)
library(tmap)
library(raster)
library(rnaturalearth)

# downloads monthly data and calculates annual mean air temperature
meteo_mon = meteo("monthly", rank = "synop", year = 1966:2017, coords = TRUE) %>%
  dplyr::select(id, station, X, Y, yy, mm, t2m_mean_mon) %>%
  dplyr::filter(id != 352180345) %>% # stacja w Kole ma kilka zer zamiast NA
  group_by(yy, id, station, X, Y) %>%
  summarise(t2 = mean(t2m_mean_mon))

# creates spatial object
meteo_mon_sp = meteo_mon %>%
  filter(!is.na(X)) %>% 
  st_as_sf(coords = c("X", "Y"), crs = 4326)

# plots spatial data
europe = ne_countries(scale = "medium", continent = "Europe", returnclass = "sf")
tm_shape(europe) +
  tm_borders(col = "black", lwd = 2) +
  tm_shape(meteo_mon_sp) +
  tm_symbols(col = "t2", title.col = "") +
  tm_facets(by = "yy")  +
  tm_layout(main.title = "Annual mean air temperature in Poland")

# prepares spatial data in a projected crs
meteo_mon_sp = st_transform(meteo_mon_sp, 2180)
poland = filter(europe, iso_a3 == "POL") %>% 
  st_transform(2180)

# creates an empty grid
meteo_grid = raster(poland, ncol = 50, nrow = 50)

# splits data by year, creates idw models, and make interpolations
meteo_inter = meteo_mon_sp %>%
  group_split(yy) %>%
  purrr::map(~gstat(formula = t2~1, data = ., #idw
                  nmax = 10, set = list(idp = 0.1))) %>% 
  purrr::map(~interpolate(meteo_grid, .)) %>%
  stack()

# calculates a trend for each pixel
years = 1966:2017
meteo_trend = calc(meteo_inter, fun = function(x) {summary(lm(x ~ years))$coefficients[2]}) %>% 
  mask(poland)

# plots a trend map
tm_shape(meteo_trend) +
  tm_raster(style = "cont", title = "", breaks = seq(0, 0.04, 0.01)) +
  tm_shape(europe) +
  tm_borders(col = "black", lwd = 2) +
  tm_layout(legend.outside = TRUE,
            main.title = "Annual mean air temperature in Poland - annual trend")

IMGW-PIB - dane hydrologicze (example no. 2)

Moze byc ten ktory jest w winietce z przeplywami

DANE RADIOSONDAŻOWE - meteo_sounding() -

Pobieranie danych i wykres roboczy dla inwersji

Pobieranie danych dla stacji radiosondażowej w Legionowie z dn. 16/02/2019:

  sounding <- meteo_sounding(wmo_id = 12374, yy = 2019, mm = 2, dd = 16, hh = 0)
  head(sounding)
  plot(sounding[[1]]$HGHT, sounding[[1]]$PRES, type = 'l')

  # lub cos bardziej uzytecznego:
  plot(sounding[[1]]$TEMP, sounding[[1]]$HGHT, col = 'blue', type = 'l', lwd=2 , xlab = 'Temperatura', ylab = 'm (n.p.m.)',
       ylim=c(0,4000),  xlim=c(-16, 6), main = "Inwersja w Legionowie")
  lines(sounding[[1]]$DWPT, sounding[[1]]$HGHT, col = 'red')
  grid()

Pobieranie danych dla dłuższego przedziału czasu

Pobieranie danych dla stacji w Łebie dla zdefiniowanego przedziału czas. W poniższym przykładzie pobierane są tylko dane radiosondażowe z godz. 00 UTC:

  daty <- seq.Date(as.Date("2015-02-27"), as.Date("2015-03-02"), by="day")
  daty <- strsplit(as.character(daty), "-")
  sounding <- lapply(daty, function(x) meteo_sounding(wmo_id = 12120, yy = x[1], mm = x[2], dd =  x[3], hh =  "00"))

bczernecki/imgw documentation built on Aug. 14, 2020, 3:09 p.m.