Статистичний аналіз температурних даних Миколаївщини засобами PYTHON

Abstract

Зміни клімату є одним із найважливіших викликів сучасності, що впливає на природні та соціально-економічні процеси у світі. У цьому дослідженні проведено аналіз довгострокових змін середньорічної температури на Миколаївщині за період 1808-2025 років. Основним інструментом для обробки даних та моделювання трендів виступає мова програмування Python із використанням бібліотек Pandas, NumPy, Matplotlib, SciPy, Statsmodels, Sklearn та інших. Методологія дослідження включає статистичний аналіз метеорологічних даних із застосуванням лінійної та поліноміальної регресії, LOESS-згладжування, автокореляційного аналізу, а також аналізу сезонних змін температури. Використання бібліотек машинного навчання та часових рядів дозволило ефективно виявити довготривалі тренди та оцінити варіативність температури. Результати дослідження підтверджують існування чіткого тренду до потепління, особливо після 1980-х років. Використання Python дозволило автоматизувати обробку великого обсягу даних, візуалізувати кліматичні зміни та провести глибокий статистичний аналіз. Виявлено, що середня швидкість підвищення температури становить 0.014–0.016°C на рік, що еквівалентно зростанню на 1.4–1.6°C за століття. Поліноміальна регресія другого ступеня вказує на прискорення процесу потепління, а LOESSзгладжування підтверджує, що найбільше зростання температури відбувається у XXI столітті. Аналіз сезонних змін показав, що зими теплішають швидше, ніж літа, що спричиняє зменшення сезонного контрасту. У XIX столітті середня зимова температура часто опускалася нижче -5°C, тоді як у XXI столітті вона рідко падає нижче 0°C. Літня температура також зростає, але більш поступово, перевищуючи 25°C у багатьох роках сучасного періоду. Крім того, оцінка середньої температури за десятиріччя виявила, що найінтенсивніше потепління спостерігається після 1990-х років. Отримані результати свідчать про те, що зміни клімату є нелінійними, а їхня динаміка вказує на прискорене глобальне потепління. Це підтверджує важливість подальшого моніторингу кліматичних процесів та необхідність адаптаційних заходів для зменшення негативних наслідків змін клімату.

Climate change is one of the most important challenges of our time, affecting natural and socio-economic processes in the world. This study analyses long-term changes in the average annual temperature in the Mykolaiv region over the period 1808-2025. The main tool used for data processing and trend modelling is the Python programming language with the use of Pandas, NumPy, Matplotlib, SciPy, Statsmodels, Sklearn, and other libraries. The research methodology includes statistical analysis of meteorological data using linear and polynomial regression, LOESS smoothing, autocorrelation analysis, and analysis of seasonal temperature changes. The use of machine learning libraries and time series allowed us to effectively identify long-term trends and assess temperature variability. The results of the study confirm the existence of a clear warming trend, especially after the 1980s. The use of Python made it possible to automate the processing of a large amount of data, visualise climate change and conduct in-depth statistical analysis. It was found that the average rate of temperature increase is 0.014-0.016°C per year, which is equivalent to an increase of 1.4-1.6°C per century. The second-degree polynomial regression indicates an acceleration of the warming process, and LOESS smoothing confirms that the greatest temperature increase is occurring in the 21st century. The analysis of seasonal changes showed that winters are warming faster than summers, which leads to a decrease in the seasonal contrast. In the nineteenth century, the average winter temperature often dropped below -5°C, while in the twenty-first century it rarely falls below 0°C. Summer temperatures are also increasing, but more gradually, exceeding 25°C in many years of the modern period. In addition, an assessment of the average temperature per decade revealed that the most intense warming has occurred since the 1990s. The results obtained indicate that climate change is non-linear, and its dynamics point to accelerated global warming. This confirms the importance of further monitoring of climate processes and the need for adaptation measures to reduce the negative effects of climate change