Climate change and environmental data science study

Aquesta tesi pretén demostrar que canvis ambientals i climàtiques són reals mitjançant l’ús de tècniques d’aprenentatge automàtic per analitzar les dades. També fa ús del preprocessament i de l’anàlisi de sèries temporals. Als efectes d'aquesta dissertació, es van triar 50 països aleatoris amb diverses variables climàtiques i ambientals en un període de 26 anys. L'anàlisi de dades exploratòries va ajudar a visualitzar i comprendre millor els canvis en temes específics i la tendència general de cada país i del món. Aquests temes són la contaminació atmosfèrica, els gasos d’efecte hivernacle, el canvi climàtic i la cobertura del sòl. El clúster K-Means dels països va mostrar la dependència entre les variables i va ajudar a agrupar els països en 3 classes, cadascuna representant un nivell específic de sostenibilitat. Posteriorment, mitjançant l'ús de les regles d'associació, específicament l'Algoritme Apriori, es van descobrir algunes associacions ocultes entre variables com les emissions de CO2 per càpita i l'Índex de Desenvolupament Humà, el nivell de sostenibilitat del país i l'Índex de Desenvolupament Humà o la dominància de la terra (de creació humana o natural) i les emissions de CO2 per càpita. La tècnica de predicció de Regressió Lineal Múltiple es va utilitzar per calcular la mitjana d’emissions de CO2 al món el 2050, basant-se en alguns factors com l’Índex de Desenvolupament Humà, l’índex de Qualitat de l’Aire i el percentatge de dominació de la terra feta per humans. Els resultats han demostrat que els canvis climàtics i ambientals han evolucionat al llarg dels anys. Les dades van ajudar a entendre com de gran és el problema. Els resultats generals han estat millor del que s’esperava, sembla que alguns països han fet un gran esforç per millorar les seves polítiques mediambientals. Tot i així, encara hi ha alguns països (com la Xina i els EUA) que necessiten treballar en aquestes polítiques.Esta tesis pretende demostrar que cambios climaticos y ambientales son reales mediante el uso de técnicas de aprendizaje automático para analizar los datos. También hace uso de preprocesamiento y análisis de series de tiempo. Para el propósito de esta tesis, se eligieron 50 países al azar con diversas variables climáticas y ambientales durante un período de tiempo de 26 años. El análisis de datos exploratorios ayudó a visualizar y comprender mejor los cambios en temas específicos y la tendencia general de cada país y del mundo. Estos temas son la contaminación del aire, los gases de efecto invernadero, el cambio climático y la cobertura del suelo. La agrupación K-Means de países mostró la dependencia entre las variables y ayudó a agrupar a los países en 3 clases, cada una de las cuales representa un nivel específico de sostenibilidad. Posteriormente, mediante el uso de las reglas de asociación, específicamente el Algoritmo Apriori, se descubrieron algunas asociaciones ocultas entre variables como las emisiones de CO2 per cápita y el Índice de Desarrollo Humano, el nivel de sostenibilidad del país y el Índice de Desarrollo Humano o el dominio de la tierra (humana o natural) y las emisiones de CO2 per cápita. Se utilizó la técnica de pronóstico Regresión Lineal Múltiple para calcular el promedio de las emisiones de CO2 en el mundo en 2050, con base en algunos factores como el Índice de Desarrollo Humano, el Índice de Calidad del Aire y el porcentaje de dominio de la tierra creado por el hombre. Los resultados han demostrado que los cambios climáticos y ambientales han evolucionado a lo largo de los años. Los datos ayudaron a entender cómo de grande es el problema. Los resultados generales han sido mejor de lo esperado, parece que algunos países han hecho un gran esfuerzo para mejorar sus políticas medioambientales. Sin embargo, todavía hay algunos países (como la China y los EEUU) que que necesitan trabajar en estas políticas.This master’s thesis seeks to prove that climate and environmental changes are real by using machine learning techniques to analyze the data. It makes use of preprocessing and time series analysis as well. For the purpose of this dissertation, 50 random countries were chosen with various climatic and environmental variables over a time span of 26 years. Exploratory data analysis helped to visualize and better understand the changes in specific topics and the overall trend for each country and for the world. These topics are air pollution, greenhouse gases, climate change and land cover. K-Means Clustering of the countries showed the dependence between the variables and helped group countries into 3 classes, each representing a specific level of sustainability. Later, by using the association rules, specifically the Apriori Algorithm, some hidden associations were discovered among variables such as the CO2 emissions per capita and Human Development Index, the country's sustainability level and Human Development Index or the land dominance (human-made or natural) and the CO2 emissions per capita. The forecasting technique Multiple Linear Regression was used to calculate the average CO2 emissions in the world in 2050, based on some factors like Human Development Index, Air Quality Index and the percentage of human-made land dominance. The results showed how the climate and environmental changes were evolving over the years. The data helped understand how big the problem is. Overall results were better than expected, it seems that some countries have put a good amount of effort into improving their environmental policies. However, there are still some countries (like China and the USA) that need to work on these policies