Anomalias Térmicas

Max Anjos

April 08, 2026

Primeiros Passos

A anomalia térmica é uma ótima maneira de avaliar as diferenças intraurbanas de temperatura do ar. Em cada estação LCZ, a anomalia térmica é definida como a diferença entre sua temperatura e a temperatura média geral de todas as estações LCZ. Por exemplo, uma anomalia térmica positiva indica que uma determinada LCZ está mais quente em comparação com todas as outras LCZs.

A função lcz_anomaly() tem as mesmas utilidades que a lcz_ts() em relação à flexibilidade de seleção de tempo e divisão da série temporal LCZ por janela temporal ou local.

library(LCZ4r)

# Get the LCZ map for your city
lcz_map <- lcz_get_map_euro(city = "Berlin")

# Load sample data from LCZ4r
data("lcz_data")

::: {.callout .callout-note} ::: {.callout .callout-note} Entendendo Anomalias Térmicas:

• Anomalia positiva (cores vermelhas/quentes): Estação está mais quente que a média urbana
• Anomalia negativa (cores azuis/frias): Estação está mais fria que a média urbana
• Anomalia zero: Temperatura da estação igual à média urbana

Esta métrica ajuda a identificar ilhas de calor urbanas e pontos frios dentro da cidade. :::

Opções de Visualização com plot_type

O argumento plot_type na função lcz_anomaly() oferece várias visualizações:

• “diverging_bar”: Um gráfico de barras horizontais que diverge do centro (zero), com anomalias positivas se estendendo para a direita e anomalias negativas para a esquerda
• “bar”: Um gráfico de barras mostrando a magnitude da anomalia para cada estação, colorido conforme a anomalia seja positiva ou negativa
• “dot”: Um gráfico de pontos que exibe tanto os valores médios de temperatura quanto os valores de referência, com linhas conectando-os
• “lollipop”: Um gráfico de pirulito onde cada “haste” representa um valor de anomalia e os pontos no topo representam o tamanho da anomalia

Abaixo estão exemplos usando cada tipo de visualização.

1. Gráfico de Barras Divergentes

# Thermal anomalies for February 6, 2019 at 05:00h
lcz_anomaly(lcz_map, 
            data_frame = lcz_data, 
            var = "airT", 
            station_id = "station", 
            time.freq = "hour", 
            year = 2019, month = 2, day = 6, hour = 5,
            plot_type = "diverging_bar",
            ylab = "Air temperature [°C]",
            xlab = "Stations",
            title = "LCZ Thermal Anomalies",
            caption = "Source: LCZ4r, 2024")

Gráfico de barras divergentes mostrando anomalias térmicas nas estações LCZ em Berlim (6 de fevereiro de 2019, 05:00h). Anomalias positivas (vermelho) indicam estações mais quentes, anomalias negativas (azul) indicam estações mais frias.

2. Bar Plot

# Bar plot for February 6, 2019 at 05:00h
lcz_anomaly(lcz_map, 
            data_frame = lcz_data, 
            var = "airT", 
            station_id = "station", 
            time.freq = "hour", 
            year = 2019, month = 2, day = 6, hour = 5,
            plot_type = "bar")

Gráfico de barras mostrando a magnitude das anomalias térmicas para cada estação. Barras acima de zero indicam anomalias positivas (mais quentes), abaixo de zero indicam anomalias negativas (mais frias).

3. Dot Plot

# Dot plot for February 6, 2019 at 05:00h
lcz_anomaly(lcz_map, 
            data_frame = lcz_data, 
            var = "airT", 
            station_id = "station", 
            time.freq = "hour", 
            year = 2019, month = 2, day = 6, hour = 5,
            plot_type = "dot")

Gráfico de pontos mostrando as temperaturas individuais das estações (pontos coloridos) em comparação com a média urbana (linha vertical tracejada). A distância da linha representa a magnitude da anomalia térmica.

4. Lollipop Plot

# Lollipop plot for February 6, 2019 at 05:00h
lcz_anomaly(lcz_map, 
            data_frame = lcz_data, 
            var = "airT", 
            station_id = "station", 
            time.freq = "hour", 
            year = 2019, month = 2, day = 6, hour = 5,
            plot_type = "lollipop")

Gráfico de pirulito enfatizando a magnitude e a direção das anomalias térmicas. O comprimento de cada ‘haste’ representa o valor da anomalia, com o tamanho do ponto indicando a magnitude.

Dividindo Anomalias com o Argumento “by”

Comparação Diurno vs. Noturno

# Calculate anomalies for nighttime and daytime on February 6, 2019
lcz_anomaly(lcz_map, 
            data_frame = lcz_data, 
            var = "airT", 
            station_id = "station", 
            time.freq = "hour", 
            year = 2019, month = 2, day = 6, 
            plot_type = "diverging_bar",
            by = "daylight")

Comparação de anomalias térmicas entre diurno e noturno em 6 de fevereiro de 2019. Isso revela como os padrões térmicos urbanos variam entre os períodos diurnos.

Combinando Diurno com Meses

# Calculate monthly mean anomalies for February and August 2019
lcz_anomaly(lcz_map, 
            data_frame = lcz_data, 
            var = "airT", 
            station_id = "station", 
            time.freq = "hour", 
            year = 2019, month = c(2, 8), 
            plot_type = "bar",
            by = c("daylight", "month"))

Padrões sazonais e diurnos de anomalias térmicas: comparando inverno (fevereiro) e verão (agosto) entre períodos diurnos e noturnos.

Opções Avançadas de Análise

Agregação Temporal

Você pode agregar anomalias em diferentes frequências temporais:

# Calculate daily mean anomalies for February 2019
daily_anomalies <- lcz_anomaly(lcz_map, 
                               data_frame = lcz_data, 
                               var = "airT", 
                               station_id = "station", 
                               time.freq = "day", 
                               year = 2019, month = 2,
                               plot_type = "bar",
                               iplot = FALSE)

# Calculate monthly mean anomalies for 2019
monthly_anomalies <- lcz_anomaly(lcz_map, 
                                 data_frame = lcz_data, 
                                 var = "airT", 
                                 station_id = "station", 
                                 time.freq = "month", 
                                 year = 2019,
                                 plot_type = "bar",
                                 iplot = FALSE)

Personalizando a Aparência Visual

# Customized diverging bar plot with specific colors and labels
lcz_anomaly(lcz_map, 
            data_frame = lcz_data, 
            var = "airT", 
            station_id = "station", 
            time.freq = "hour", 
            year = 2019, month = 7, day = 15, hour = 14,  # Summer afternoon
            plot_type = "diverging_bar",
            ylab = "Temperature Anomaly [°C]",
            xlab = "LCZ Classes",
            title = "Summer Afternoon Thermal Anomalies",
            subtitle = "July 15, 2019 - 14:00h",
            caption = "Source: LCZ4r, 2024")

Retornar um Dataframe como Resultado

Para salvar o resultado no R, defina iplot = FALSE e crie um objeto.

# Return dataframe with thermal anomalies for February and August 2019
my_output <- lcz_anomaly(lcz_map, 
                         data_frame = lcz_data, 
                         var = "airT", 
                         station_id = "station", 
                         time.freq = "hour", 
                         year = 2019, month = c(2, 8), 
                         plot_type = "bar",
                         by = c("daylight", "month"),
                         iplot = FALSE)

# View the structure of the returned dataframe
str(my_output)

# View first few rows
head(my_output)

Salvar Gráficos

Para salvar um gráfico em seu computador, defina isave = TRUE e especifique o tipo de arquivo com save_extension (por exemplo, “png”, “jpeg”, “svg”, “pdf”).

# Save thermal anomalies plot to PC
lcz_anomaly(lcz_map, 
            data_frame = lcz_data, 
            var = "airT", 
            station_id = "station", 
            time.freq = "hour", 
            year = 2019, month = 7, day = 15, hour = 14,
            plot_type = "diverging_bar",
            by = "daylight",
            isave = TRUE,
            save_extension = "png")

Dica: Os gráficos salvos serão automaticamente organizados na pasta LCZ4r_output com nomes de arquivo timestampados para fácil referência. A pasta é criada no seu diretório de trabalho atual.

Resumo dos Parâmetros

Aqui está uma referência rápida para os principais parâmetros usados em lcz_anomaly():

Parâmetro	Descrição	Opções
time.freq	Frequência de agregação temporal	“hour”, “day”, “month”, “year”
plot_type	Tipo de visualização	“diverging_bar”, “bar”, “dot”, “lollipop”
by	Método de divisão dos dados	“daylight”, “month”, “season”, “weekday”, etc.
isave	Salvar saída no PC	TRUE/FALSE
iplot	Exibir gráfico	TRUE/FALSE
var	Variável a analisar	Nome da coluna com dados de temperatura
station_id	Coluna identificadora da estação	Nome da coluna com IDs das estações

Interpretando Anomalias Térmicas

Compreender os padrões nas anomalias térmicas pode fornecer insights valiosos:

• LCZs compactas construídas tipicamente mostram anomalias positivas durante o dia
• LCZs abertas de baixa elevação frequentemente exibem anomalias negativas devido à melhor ventilação
• Áreas industriais frequentemente apresentam fortes anomalias positivas
• LCZs vegetadas geralmente mostram anomalias negativas, especialmente durante o dia
• Corpos d’água podem criar ilhas frias com anomalias negativas persistentes

Exemplo de Aplicação: Planejadores urbanos podem usar mapas de anomalia térmica para identificar áreas vulneráveis ao calor e priorizar intervenções como infraestrutura verde ou materiais frios em locais com anomalias positivas persistentes.

---

Tem sugestões ou feedback?

Você tem uma ideia para melhoria ou encontrou um erro? Adoraríamos saber! Clique no botão abaixo para criar uma nova issue (GitHub) e compartilhar seu feedback ou sugestões diretamente conosco.

Open GitHub issue