Análise de Série Temporal

Max Anjos

April 08, 2026

Primeiros Passos

A função lcz_ts() permite analisar dados de temperatura do ar associados a Zonas Climáticas Locais (LCZ) ao longo do tempo. Neste tutorial, realizaremos uma análise de frequência horária da temperatura do ar em Berlim para os anos de 2019-2020 usando o lcz_data do pacote LCZ4r.

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")

Análise Básica de Séries Temporais

Vamos começar com uma análise básica usando lcz_ts() para observar as flutuações horárias de temperatura.

# Get monthly LCZ-air temperature time series
lcz_ts(lcz_map, 
       data_frame = lcz_data, 
       var = "airT", 
       station_id = "station",
       time.freq = "month",
       ylab = "Air temperature [°C]",
       xlab = "Date",
       title = "LCZ - Time Series",
       caption = "Source: LCZ4r, 2024.")

Série temporal mensal de temperatura do ar por LCZ para Berlim mostrando variações sazonais de temperatura entre diferentes classes LCZ

Opções de Visualização com plot_type

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

• “basic_line”: Gráfico de linhas simples
• “faceted_line”: Gráfico de linhas com facetas por LCZ ou estação
• “heatmap”: Mapa de calor para visualizar padrões temporais
• **“warming_stripes”“: Listras representando variações de temperatura ao longo do tempo

Abaixo estão exemplos usando cada tipo de visualização.

1. Gráfico de Linhas Básico

# Daily air temperature for September 2019
lcz_ts(lcz_map, 
       data_frame = lcz_data, 
       var = "airT", 
       station_id = "station",
       time.freq = "day",
       year = 2019, month = 9,
       plot_type = "basic_line")

Gráfico de linhas básico mostrando variações diárias de temperatura em Berlim durante setembro de 2019

2. Gráfico de Linhas com Facetas por Estação

# Daily air temperature from January to March 2019, faceted by station
lcz_ts(lcz_map, 
       data_frame = lcz_data, 
       var = "airT", 
       station_id = "station", 
       time.freq = "hour",
       year = 2019, month = 1:3,
       plot_type = "facet_line", 
       facet = "station")

Gráfico de linhas com facetas mostrando padrões de temperatura em diferentes estações meteorológicas em Berlim (janeiro-março de 2019)

3. Mapa de Calor da Temperatura ao Longo do Tempo

# Hourly air temperature on January 15, 2020, with LCZ facets
lcz_ts(lcz_map, 
       data_frame = lcz_data, 
       var = "airT", 
       station_id = "station", 
       time.freq = "hour",
       year = 2020, month = 1, day = 15,
       plot_type = "heatmap", 
       facet = "LCZ")

Mapa de calor mostrando variações horárias de temperatura entre diferentes classes LCZ em 15 de janeiro de 2020

4. Listras de Aquecimento (Warming Stripes)

# Hourly air temperature for 2020, visualized as warming stripes
lcz_ts(lcz_map, 
       data_frame = lcz_data, 
       var = "airT", 
       station_id = "station", 
       time.freq = "hour", 
       year = 2020, month = 1:12,
       plot_type = "warming_stripes",
       facet = "LCZ")

Visualização de listras de aquecimento mostrando tendências de temperatura entre diferentes classes LCZ ao longo de 2020

Dividindo Dados com o Argumento “by”

Você pode dividir os dados por categorias temporais ou espaciais como “year”, “month”, “season”, “weekday”, “weekend”, “yearseason”, entre outras.

# Daily air temperature by seasons of 2020
lcz_ts(lcz_map, 
       data_frame = lcz_data, 
       var = "airT", 
       station_id = "station", 
       time.freq = "day",
       year = 2020,
       plot_type = "basic_line", 
       by = "season")

Variações de temperatura entre diferentes estações em Berlim durante 2020

Dividindo Períodos Noturnos e Diurnos com o Argumento “by”

Você também pode dividir os dados por períodos noturnos e diurnos com by = "daylight".

# Diurnal cycle of air temperature on January 15, 2020
lcz_ts(lcz_map, 
       data_frame = lcz_data, 
       var = "airT", 
       station_id = "station", 
       time.freq = "hour",
       year = 2020, month = 1, day = 15,
       plot_type = "heatmap", 
       by = "daylight")

Comparação de padrões de temperatura diurnos e noturnos em 15 de janeiro de 2020

Combinando Diurno com Meses

# Diurnal cycle of air temperature on January 15 and July 15, 2020
lcz_ts(lcz_map, 
       data_frame = lcz_data, 
       var = "airT", 
       station_id = "station", 
       time.freq = "hour",
       year = 2020, month = c(1, 7), day = 15,
       plot_type = "basic_line", 
       by = c("daylight", "monthyear"))

Comparação de ciclos diurnos de temperatura no inverno (janeiro) e verão (julho) de 2020

Suavização de Tendências de Temperatura

Habilite a suavização definindo smooth = TRUE, que adiciona uma linha de modelo aditivo generalizado (GAM) para mostrar a tendência de temperatura.

# Trends of daily air temperature for 2019-2020 by station
lcz_ts(lcz_map, 
       data_frame = lcz_data, 
       var = "airT", 
       station_id = "station", 
       time.freq = "hour",
       year = 2019:2020,
       plot_type = "basic_line", 
       smooth = TRUE)

Tendências de temperatura com suavização GAM entre estações para 2019-2020

Salvar Gráficos

Para salvar um gráfico e um dataframe, defina isave = TRUE e especifique o tipo de arquivo com save_extension (por exemplo, “png”, “jpeg”, “svg”, “pdf”). Uma pasta LCZ4r_output é criada no seu PC.

# Save daylight plot and dataframe to PC
lcz_ts(lcz_map, 
       data_frame = lcz_data, 
       var = "airT", 
       station_id = "station", 
       time.freq = "hour",
       year = 2020, month = 1, day = 15,
       plot_type = "basic_line", 
       by = "daylight", 
       isave = TRUE)

Dica: Os arquivos salvos serão automaticamente organizados na pasta LCZ4r_output com nomes de arquivo timestampados para fácil referência.

Retornar um Dataframe como Resultado

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

# Return daylight dataframe for January 15, 2020
my_output <- lcz_ts(lcz_map, 
                    data_frame = lcz_data, 
                    var = "airT", 
                    station_id = "station", 
                    time.freq = "hour",
                    year = 2020, month = 1, day = 15,
                    plot_type = "basic_line", 
                    by = "daylight", 
                    iplot = FALSE)

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

Resumo dos Parâmetros

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

Parâmetro	Descrição	Opções
time.freq	Frequência de agregação temporal	“hour”, “day”, “month”, “year”
plot_type	Tipo de visualização	“basic_line”, “facet_line”, “heatmap”, “warming_stripes”
by	Método de divisão dos dados	“season”, “month”, “weekday”, “daylight”, “yearseason”
smooth	Adicionar linha de tendência GAM	TRUE/FALSE
isave	Salvar saída no PC	TRUE/FALSE
iplot	Exibir gráfico	TRUE/FALSE

---

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