Стихийные бедствия. Анализ данных.
Введение
Для анализа я выбрала синтетический датасет, содержащий информацию о стихийных бедствиях, произошедших в период с 2022 по 2025 год, с детализацией по типу катастрофы, географическому расположению, уровню тяжести, числу пострадавших и экономическим потерям. Этот выбор продиктован личной тревогой за растущую уязвимость человека перед стихиями в условиях климатических и геологических изменений.
В поисках актуальных и структурированных данных я обратилась к открытой платформе Kaggle, которая предоставляет доступ к большим наборам данных, в том числе по глобальным природным рискам.
Меня интересовало, какие типы стихийных бедствий чаще всего затрагивают население и как они соотносятся с масштабом экономического ущерба и уровнем тяжести. Особенно важно было понять, какие события наносят наибольший вред людям и инфраструктуре — и как эти параметры взаимосвязаны.
Диаграммы
В рамках исследования я использовала столбчатую, круговую, точечную диаграммы и линейный график.
Работая с такими данными, можно увидеть природные катастрофы не просто как физические явления, а как социальные и экономические события, отражающие уязвимость регионов, качество инфраструктуры и эффективность систем реагирования.
Каждое бедствие — это не только цифры в таблице, но и истории разрушенных домов, перемещённых сообществ и утраченных ресурсов.
В этом проекте я выбрала палитру, вдохновлённую самой тематикой: от пепельно-серого и выжженного охристого до глубоких оттенков штормового неба и тревожного красного. Эти цвета символизируют пепел, землю, воду и пламя — четыре стихии, которые в своих крайних проявлениях становятся разрушительными. Такая цветовая гамма не только визуально отражает суть катастроф, но и создаёт эмоциональный контекст, помогая воспринимать данные не только аналитически, но и чувственно.
Импорт данных и подключение цветовой палитры
цветовая палитра
График 1
Меня заинтересовало, как распределяются стихийные бедствия по типам — какие из них встречаются чаще, а какие, хотя и редки, оказывают особенно серьёзное воздействие. Особенно важно было понять, доминируют ли в современном мире такие события, как засухи и лесные пожары (что может указывать на усиление климатического стресса), или сохраняют своё разрушительное присутствие классические геофизические угрозы — землетрясения, извержения вулканов, оползни.
график 1 — стихийные бедствия по типу
код к графику 1
код к графику 1
код к графику 1
График 2
Я стремилась оценить, какой тип бедствия наносит наибольший ущерб людям. Для этого был построен график, показывающий общее количество пострадавших по каждому типу катастрофы — с переведёнными на русский язык названиями для лучшего восприятия. Особенно любопытно было выявить, не всегда ли наиболее частое бедствие оказывается и самым «населённым»: например, ураганы и наводнения, хотя и происходят реже, чем засухи, могут затрагивать миллионы людей за одно событие.
график 2 — распределение стихийных бедствий по местности
код для графика 2
код для графика 2
код для графика 2
График 3
Мне стало важно понять, насколько уровень тяжести бедствия (по шкале от 1 до 10) коррелирует с его экономической стоимостью. Например, всегда ли самое «тяжёлое» землетрясение вызывает и наибольший ущерб? Или существуют бедствия, которые при умеренном индексе разрушения всё равно приводят к многомиллионным потерям из-за плотности населения или уровня развития региона?
график 3 — уровень тяжести и энокомеческий упадок
код для графика 3
код для графика 3
График 4
Отдельное внимание я уделила сравнению типов катастроф с общим числом затронутого населения, чтобы выявить ключевые угрозы для человеческой безопасности. Особенно важно было не просто показать цифры, но и перевести их на язык, понятный широкой аудитории — поэтому все названия бедствий были локализованы на русский язык. Это позволяет не только анализировать, но и сопереживать: увидеть в цифрах не абстракцию, а реальные последствия для миллионов людей.
график 4 — пострадавшие от разных типов стихийных бедствий
код для графика 4
код для графика 4
код для графика 4
Для поиска информации по правильным функциональным связкам кода на Python для использовала нейросеть — Qwen. С помощью нее легко разобралась в структуре и лингвистике данного языка программирования. Ссылка в шапке блока.
Заключение
Анализ данных о стихийных бедствиях показывает сложную, но закономерную картину: хотя по частоте лидируют засухи и лесные пожары, наибольший ущерб людям и экономике наносят гидрометеорологические явления — наводнения, ураганы и землетрясения.
Уровень тяжести, как правило, положительно коррелирует с экономическими потерями, однако есть исключения: бедствия в густонаселённых или экономически развитых регионах могут наносить огромный ущерб даже при среднем индексе разрушения.
Наиболее уязвимыми оказываются регионы, где пересекаются климатические, геологические и социальные риски. При этом перевод терминологии на родной язык не только улучшает восприятие данных, но и подчёркивает гуманитарное измерение темы: за каждой строкой — судьбы людей, а за каждым графиком — необходимость готовности, адаптации и международного сотрудничества.
