Questo progetto si propone di analizzare la serie temporale del cambiamento delle temperature mondiali dal 1750 ai giorni nostri. L'obiettivo è comprendere i pattern, identificare trend, rilevare stagionalità, esaminare l'autocorrelazione e la stazionarietà, e sviluppare un modello di previsione.

Per l'analisi, abbiamo utilizzato la libreria Python statsmodels. Le tecniche di decomposizione applicate ci hanno permesso di separare la serie in componenti di tendenza, stagionalità e residui, distinguendo gli effetti a lungo termine dalle fluttuazioni stagionali e dai disturbi casuali.

• Esame dei Dati: Esaminare attentamente la serie temporale delle temperature per identificare tendenze a lungo termine e valutare la presenza di stagionalità.
• Modello di Previsione: Utilizzare il modello SARIMA per fare previsioni sul comportamento futuro delle temperature.
• Autocorrelazione: Analizzare i coefficienti di autocorrelazione parziale e semplice per identificare dipendenze temporali.

Fase 1 - Analisi globale:

1. Pulizia e preprocessing:

   • Eliminazione di dati duplicati e normalizzazione dei nomi dei paesi.
   • Rimozione di dati incompleti o mancanti.
   • Estrazione della temperatura media per paese e creazione di una mappa interattiva del globo.

2. Analisi temporale:

   • Calcolo della temperatura media globale per anno e per stagione.
   • Creazione di grafici a linee per visualizzare i cambiamenti nel tempo.
   • Focus sui dati dal 1900 al 2015 per l'analisi di trend e stagionalità.

3. Scomposizione della serie temporale:

   • Separazione della serie nelle componenti di trend, stagionalità e residui.
   • Analisi dei pattern e delle caratteristiche di ciascuna componente.

4. Verifica della stazionarietà:

   • Utilizzo del test di Dickey-Fuller aumentato (ADF test) per verificare la stazionarietà della serie.
   • Applicazione della differenziazione per rendere la serie stazionaria se necessario.
   • Calcolo dell'autocorrelazione (ACF) e dell'autocorrelazione parziale (PACF) per identificare le relazioni temporali.

Fase 2 - Caso studio della città di Ancona:

1. Estrazione e preprocessing:

   • Filtraggio dei dati per isolare la città di Ancona.
   • Pulizia e selezione del periodo di analisi (1900-2012).

2. Analisi temporale:

   • Calcolo della temperatura media mensile e annuale.
   • Creazione di grafici a linee, box plot e heatmap per visualizzare i cambiamenti nel tempo e la stagionalità.
   • Studio della media mobile per identificare le tendenze a lungo termine.

3. Verifica della stazionarietà:

   • Applicazione dell'ADF test per verificare la stazionarietà della serie.

4. Modello predittivo SARIMA:

   • Divisione del dataset in training set, validation set e test set.
   • Applicazione del modello SARIMA per prevedere la temperatura mensile.
   • Valutazione del modello con metriche di errore (MAE, MSE, RMSE, R-squared).
   • Analisi dei risultati e confronto con una previsione di base.

L'analisi evidenzia un trend di aumento della temperatura globale e stagionale, confermato anche dal caso studio di Ancona. Il modello SARIMA dimostra una buona capacità predittiva con un basso margine di errore. Questi risultati supportano l'evidenza del cambiamento climatico e l'importanza di un monitoraggio costante delle temperature.

L'analisi delle serie temporali è uno strumento fondamentale per comprendere il cambiamento climatico e le sue implicazioni. Il progetto ha dimostrato l'utilità di Python e della libreria statsmodels per l'analisi di dati climatici. Le previsioni generate dal modello SARIMA possono essere utili per pianificare strategie di mitigazione e adattamento ai cambiamenti climatici.

• Prima parte: Analisi del dataset e studio della temperatura globale.
• Seconda parte: Analisi della temperatura di Ancona e sviluppo del modello SARIMA.

• GlobalLandTemperaturesByCountry.csv: Temperature per ogni nazione dal 1743.
• GlobalLandTemperatures.csv: Media della temperatura globale per ogni mese dell'anno dal 1743.
• GlobalLandTemperaturesByCity.csv: Dati per alcune delle maggiori città mondiali, inclusa un'analisi dettagliata sulla città di Ancona.

• Libreria Python statsmodels per l'analisi delle serie temporali.
• Librerie Python pandas, numpy, seaborn, matplotlib e plotly per la manipolazione dei dati e la visualizzazione.