977 words
5 minutes
霍恩博尔加斯舍恩湖鹤群观测数据分析报告 (1994–2024)
霍恩博尔加斯舍恩湖鹤群观测数据分析报告 (1994–2024)
该数据源自于 https://www.hornborga.com/naturen/transtatistik/，由 Contributor Carl Borstell 提供。
[!note] 背景介绍 30多年来，停靠在瑞典西约特兰州霍恩博尔加斯约恩湖（“霍恩堡湖”）的鹤一直从 春季和秋季的霍恩博尔加舍恩野外站 ，因为它们在每年的迁徙过程中经过。 接下来从三个角度出发分析霍恩堡湖的鹤迁徙过程的观测数据
- 在过去的 30 年里，霍恩博尔加斯舍恩湖的鹤数量变化情况
- 如果您想看到成千上万的鹤，一年中什么时候是最佳游览时间？
- 探究天气干扰
数据清洗
由于数据存在部分缺失（如：NA） 对现有数据的缺失项剔除，并修改数据类型（比如时间数据date），将其拆分成year,month,week_of_year等等variables方便后续分析
cranes <- read.csv(file_path)cleaned_cranes <- cranes %>% mutate(date = as.character(date)) %>% mutate(date = as.Date(date, format = "%Y/%m/%d")) %>% mutate( year = format(date, "%Y"), month = format(date, "%m"), week_of_year = lubridate::week(date) ) %>%
filter(!is.na(observations)) %>% mutate(observations = as.numeric(observations))glimpse(cleaned_cranes)Q1：在过去的 30 年里，霍恩博尔加斯舍恩湖的鹤数量变化情况
- 在清洗后的数据中，我们可以将每年都分成一组，然后统计每一组的最大观测数（observations）。按照年份作为横轴，年度最大观测数为纵轴，我们可以获得相关的折线图，并推算出线性回归（红色虚线表示），如下图（Annual Maximum Crane Observations Trend）：
yearly_max_counts <- cleaned_cranes %>% group_by(year) %>% summarise( max_count = max(observations, na.rm = TRUE), .groups = 'drop' ) %>% mutate(year = as.numeric(year))print(yearly_max_counts)yearly_max_plot <-yearly_max_counts %>% ggplot(aes(x = year, y = max_count)) + geom_line(color = "#8C8CFF", linewidth = 1) + geom_point(color = "#0000ff", size = 1.5) + geom_smooth(method = "lm", color = "red", se = TRUE, linetype = "dashed") + labs( title = "Annual Maximum Crane Observations Trend", x = "Year", y = "Maximum Observation Count (Thousands)") + scale_y_continuous(labels = scales::label_number(scale = 1/1000, suffix = "K")) + theme_minimal()print(yearly_max_plot)- 结论：霍恩博尔加斯舍恩湖作为鹤类栖息地的重要性在不断提升，鹤群的数量在过去 30 年里增长显著。
Q2：如果您想看到成千上万的鹤，一年中什么时候是最佳游览时间？
- 回答该问题，最重要的是统计全部年份中每一周鹤的平均观测数(Average Observation Count)。于是我们可以将week_of_year相同的分一组，并计算每一组的平均观测数。如下图所示（Seasonal Pattern of Crane Observations），其中红色点线表明观测数达到5千。
weekly_avg_counts <- cleaned_cranes %>% group_by(week_of_year) %>% summarise( avg_count = mean(observations), .groups = 'drop' )print(weekly_avg_counts)weekly_avg_plot <- weekly_avg_counts %>% ggplot(aes(x = week_of_year, y = avg_count)) + geom_col(fill = "#009E73") + geom_hline(yintercept = 5000, linetype = "dotted", color = "red", linewidth = 1) + labs( title = "Seasonal Pattern of Crane Observations", x = "Week of the Year (1-52)", y = "Average Observation Count (Thousands)") + scale_y_continuous(labels = scales::label_number(scale = 1/1000, suffix = "K")) + scale_x_continuous(breaks = seq(0, 52, by = 4)) + theme_minimal()print(weekly_avg_plot)- 结论：若想看到更多的鹤，优先选择三月中旬到四月初，其次是九月到十月。
Q3：测算天气干扰频率
观测记录中的天气干扰频率（Weather Disruption Frequency）可以作为衡量该地区采样环境稳定性的指标。天气干扰最直接的影响是导致“取消观测”。我们可以计算干扰发生的频率，以及在干扰期间数据缺失（NA）的比例。
weather_impact_freq <- cranes %>% mutate(year = format(as.Date(date), "%Y")) %>% group_by(year) %>% summarise( total_days = n(), disrupted_days = sum(weather_disruption == TRUE), disruption_rate = disrupted_days / total_days, missing_obs = sum(is.na(observations) & weather_disruption == TRUE) )
ggplot(weather_impact_freq, aes(x = as.numeric(year), y = disrupted_days)) + geom_col(fill = "steelblue") + labs(title = "Annual Weather Disruption Frequency", x = "Year", y = "Number of Disrupted Days")- 结论：如果这种干扰频率与迁徙高峰期高度重合，将显著增加监测工作的不确定性。这提示我们在未来的监测规划中，可能需要增加自动化观测手段（如卫星追踪或远程监控），以弥补极端天气下人工观测的覆盖不足。
霍恩博尔加斯舍恩湖鹤群观测数据分析报告 (1994–2024)
https://www.hornborga.com/naturen/transtatistik/ Some information may be outdated