Det er ingen god måte å si det på: Ekstremt vær har resultert i 2 millioner drept og 4,3 billioner dollar i skade i løpet av det siste halve århundret. I denne svimlende statistikken er det både håpefulle og urovekkende nyheter. Takket være enorme forbedringer i systemer for tidlig varsling, fortsetter tapte menneskeliv å reduseres etter hvert som tiden går. Det samme kan imidlertid ikke sies om hjemmene, lokalsamfunnene og infrastrukturen som ikke akkurat kan stikke av på kort varsel. Skader på eiendom og lokalsamfunn fortsetter å øke, og dette vil sannsynligvis ikke stoppe med det første. Og når det gjelder menneskelig tap, er det et uforholdsmessig antall menneskeliv som går tapt i de mest underutviklede områdene. Det kan være lett og fristende å gi opp håpet helt, men siden dette er vårt eneste hjem og vil være det i veldig lang tid, får vi ikke gi opp. Ekstremvær skaper stadig flere bekymringer tap av både mennesker og eiendom påvirker lokalsamfunn globalt. Og hvis vi kan hjelpe, bør vi gjøre det.
Gitt det, hva kan gjøres? Mens regjeringer og andre organisasjoner jobber med problemet, gir det noen muligheter for oss andre? Kan være.
Ekstremvær er per definisjon uforutsigbart, men ved å studere de historiske trendene i et gitt område kan vi få en bedre ide om hva vi kan forvente på en kvantifiserbar måte. Hvorfor er dette viktig? Fordi det ofte krever penger å lage bedre forberedelser, og det er viktig å vite at denne typen forberedelser kan utgjøre en reell forskjell. Det er umulig å sette en spesifikk verdi på menneskeliv, men bare ved å se på skade på eiendom kan du ta lokalsamfunnet ditt, gjennomgå trendene for ekstremvær (mengde og type), gjennomgå skadene fra de tidligere hendelsene og anslå hva du kan forvente i de neste 5-10 årene etter hvert som antall arrangementer øker. Dette kan være et kraftig verktøy for å be samfunnet om støtte, spesielt hvis du kan finne pålitelige investeringer som kan bidra til å forhindre skade på eiendom og fellesskap, eller som kan redusere risikoen for menneskelig tap.
Mens beregning av tidligere tap fra ekstremvær varierer fra samfunn til samfunn, kan det være overraskende enkelt å kunne bestemme tidligere ekstremværtrender. Med litt koding kan vi til og med ta inn dataene vi har om kvantifiserbare tap og slå dem sammen med historiske datatrender.
Veiledning: Trekke historiske ekstremværdata og slå sammen med værrelaterte tap
For denne opplæringen vil vi ta et realistisk eksempel på hvordan du kan undersøke en bestemt type ekstremvær og matche den med de negative effektene den har på samfunnet ditt. For å holde det enkelt, vil vi bruke historiske værdata via API . Vi vil kryssreferanser antallet og trenden av vinterstormer for et gitt sted, og deretter kryssreferanser det med antall leveringsforsinkelser for reseptbelagte medisiner, noe som indikerer stress for den generelle helsen og sikkerheten til samfunnet.
Introduksjon
For denne datatrekket vil vi bruke Python til å koble sammen vær-API og informasjon om levering av reseptbelagte medisiner. Ved å bruke de historiske endepunktene siden 2015 kan vi få en ide om forsinkelsene som en direkte årsak til vinterstormer.
API-nøkkel
Siden vi bruker Tomorrow.io-dataene, må du registrere deg for en API-nøkkel for å få tilgang til dataene.
Velg Sted
For dette trinnet kan du velge koordinatene for et hvilket som helst sted. Hvis du søker etter et bestemt fellesskap, velger du sentrum av byen/byen.
Interessefelt
Velg de forskjellige feltene du ønsker å hente værdata for. Siden vi er ute etter vinterstormer, kan vi trekke flere vindfelt (maks hastighet, retning og vindkast), og snøakkumulering.
Enhetssystem
I dette trinnet velger du enten imperial eller metrisk for dine måleenheter.
Tidssteg
Avhengig av vinduet med historisk tid du søker, velg et passende tidstrinn som kan gi en solid trendlinje. Du kan velge 1t eller 1d (time og dag) tidstrinn.
Tidsramme
Velg tidsperioden du vil dekke. Dette kan ta noen dager eller strekke seg helt tilbake til 2015 (bruk dato/klokkeslett-formatet vist nedenfor).
Tidssone
Bruke standard IANA Time Zone Database-format for å velge tidssonen du vil vise alle elementene.
Be om tidslinjene
Dette trinnet lar deg kompilere alle spørringsstrengparameterne (sørg for å legge til måleenhetene slik at dataene fortsatt er lett å forstå).
Dataramme
Dette trinnet bruker Python Pandas til å sette opp dataene slik at vi kan legge dem inn i et datarammeobjekt.
Ta med dine egne data
Dette trinnet er svært avhengig av hva du ønsker å gjøre. I dette tilfellet trekker vi inn leveringsforsinkelsene fra den reseptbelagte medisinen i løpet av tiden vi ser på.
Visualiser
Til slutt kan du bygge et plott som raskt kan identifisere sammenhenger mellom medisinforsinkelser og samtidig vinterstormaktivitet.
Siste tanker
Ved å bruke data til å få verdifull innsikt og forstå kostnadene og effektene av voksende ekstremvær, kan vi bidra til å vise andre hvor stort et problem det er, og samarbeide for å finne innovasjonene og ressursene for å bedre beskytte lokalsamfunnene våre.
(Devdiscourses journalister var ikke involvert i produksjonen av denne artikkelen. Fakta og meninger som vises i artikkelen reflekterer ikke synspunktene til Devdiscourse og Devdiscourse påtar seg ikke noe ansvar for det samme.)