扬声器 | 成绩单 |
| 陈美森 | 嗨，大家好。 感谢您的收听。 我是泥瓦匠，今天我将介绍一项关于重要指标的研究，例如湿度， |
| 温度和露点水平，在 2021 年德克萨斯州停电中，以帮助防止将来发生类似的灾难。 |
| 因此，2021 年的停电危机不仅对当地居民来说是德克萨斯州历史上损失最惨重的灾难，对美国其他依赖德克萨斯州天然气和石油的地方来说也是如此， |
| 它拥有最大的天然气加工能力，全国所有州都受到了危机的影响。 |
| 所以我们想看看我们是否可以帮助防止未来发生类似的灾难。 虽然导致危机的政治和金融因素很多， |
| 我们还想考虑正在发挥作用的科学和环境因素，以便更全面地评估和处理这一事件。 |
| 为此，我们决定在 2012 年至 2021 年每年 2 月研究休斯顿的历史天气模式，因为休斯顿是受灾最严重的城市之一。 |
| 我们将使用异常值方法和聚类工具来了解 2021 年季节的天气情况有多罕见， |
| 与过去几年相比，并通过我们对所涉及的科学和环境因素的理解，帮助确定未来潜在危机的最重要的天气标志。 |
| 因此，在我们进入演示文稿的整体框架之前，我们想介绍一下活动的背景以及该项目背后的动机。 |
| 因此，德克萨斯州停电危机发生在 2021 年 2 月，许多消息来源将此事件归因于该州未能事先准备好电气系统。 |
| 今年实际上并不是德克萨斯州第一次经历大停电。 十年前的 2011 年，也就是 2 月，土拨鼠日的暴风雪导致许多城市的天然气发电厂完全冻结。 |
| 德克萨斯州对该州约四分之三的地区发布了停电裁决。 |
| 北美……北美电力可靠性公司试图与德克萨斯电力可靠性委员会（简称ERCOT）谈判计划 |
| 升级该州发电厂的基础设施，但由于成本考虑而大多被忽视。 许多石油生产商接受了他们发电厂冻结的风险 |
| 通常每年两到三天，但由于气候变化，风险和频率变得更大，这使得天气更加难以预测。 |
| 今年 2 月，当一系列冬季风暴席卷德克萨斯州时，发电厂由于没有提前做好准备而无法承受极端的冰冻条件。 |
| 许多能源停止工作，包括可再生能源，如风能，以及不可再生能源，如煤炭和天然气。 |
| 作为回应，ERCOT 无法处理设备问题，因此他们在全州范围内实施了轮流停电。 |
| 在极端天气下，许多农作物也被毁坏，导致粮食短缺，许多市民被冻在家里，并因持续停电而体温过低。 |
| 所以这里有一个非常简短的时间表，描述了大约两周内发生的事情。 因此，2 月初有不少风暴袭击了德克萨斯州，其中一场是冬季风暴 Uri，这使德克萨斯州的许多地方陷入了更加可怕的境地。 不久之后， |
| 电力需求达到 69,000 兆瓦，创下州纪录，超过了之前 65,000 兆瓦的记录。 |
| 第二天，由于易受攻击的电力设备损坏以及电力需求增加，ERCOT 开始停电。 轮流停电终于在 2 月 19 日结束。 |
| 在这里，您可以从卫星图像中看到冬季风暴的图像。 左边的那个是在第一波暴风雪袭击德克萨斯州之前拍摄的。 |
| 在局势的巅峰时期进行第二次拍摄。 所以我特别展示了休斯顿，因为它是所有城市中对比最大的，因为它受灾最严重， |
| 这也是为什么将重点放在休斯顿。 与 2 月底相比，您确实可以看到 2 月中旬的电力损失。 |
| 因此，在了解了情况的深远影响和停电的可能原因后，我们想知道是否有某些天气指标可以指导我们了解更多 |
| 停电的具体环境原因，可以在未来作为参考，通过在冬季早期关注重要的天气指标，提前为危机做准备。 |
| 就像我说的，我们将在该项目中使用休斯顿的天气信息，因为它是受灾最严重的城市之一。 |
| 首先，我们将尝试了解这些指标背后的科学、它们的差异以及这些指标的含义。 |
| 然后，我们将使用各种异常值聚类工具来研究与休斯顿 2 月份过去 10 年相比哪些天气标记最不同，并比较 2021 年 2 月气候的独特性。 |
| 在整个演示过程中，我们将尝试将统计分析和结果与环境科学联系起来，以帮助我们确定哪些天气因素对 2021 年德克萨斯州停电的影响最大。 |
| 我们面临的最紧迫的问题之一是导致危机的具体环境因素。 所以我们知道风暴和缺乏过冬是普遍因素， |
| 但并非所有风暴都会导致脆弱的电力设备冻结。 因此，我们想知道哪些特定的天气因素会导致电力系统出现故障，以便您了解为未来做哪些准备。 |
| 我们决定通过休斯顿来看看这个，并将霍特森的天气因素与德克萨斯州的其他城市进行比较，我们没有受到如此严重的打击。 |
| 我们选择达拉斯是因为它非常接近并且都使用相同的电力系统，因此它也可以作为比较的良好基础。 |
| 右边是休斯顿和达拉斯二月份的天气统计数据。 有趣的是，如果您查看任何温度标记，无论是最高平均温度还是最低温度， |
| 达拉斯的气温总是较低。 |
| 因此，我们预计较低的温度会增加设备冻结的风险，但这里似乎并非如此。 所以相反，露点温度似乎 |
| 是主要贡献者，所以如果我们在休斯敦的露点温度高于德克萨斯州，这让我们怀疑露点温度是否可能是冻结风险的最重要指标。 |
| 那么什么是露点温度，为什么它很重要，它与我们常规的温度测量有何不同？ |
| 温度特别是...空气温度是空气分子速度的量度，所以分子移动得越快， |
| 动能越大，温度越高。 冷凝取决于空气的温度。 因此，当气温较低时，水分子移动得更慢，因此水分子的吸引力使它们相互粘连。 |
| 现在，相对湿度，或者只是湿度，是衡量有多少可用于蒸发的能量被用来释放这些水分子以防止冷凝的指标。 |
| 因此，如果我们的相对湿度为 25%，这意味着 25% 的可用能量已用于从水体（例如湖泊）蒸发水，而 75% 的能量可用于进行更多的蒸发。 |
| 现在相对湿度有点误导，因为它与空气温度和露点温度有关。 它本身不是水分的独立测量。 |
| 所以露点是冷凝开始时的温度。 所以当空气温度低于露点温度时，这就是冷凝开始的时候。 |
| 与湿度不同的是，当露点温度升高时，只是因为空气中的水分含量增加了。 因此，换句话说，露点温度是衡量空气中水分含量的独立指标。 |
| 但另一方面，湿度取决于空气温度和露点温度之间的差异。 |
| 所以当露点温度等于气温时，相对湿度为100%。 |
| 露点温度与气温之间的差异越大，相对湿度越低。 因此，如果相对湿度发生变化，可能是由于温度变化或湿度变化或两者兼而有之。 |
| 现在，空气温度、相对湿度和露点温度与大气压力有何关系？ 露点与大气压力无关。 |
| ？？？说压力直接随温度变化。 因此，如果您有气体并且分子会移动得更快，并且会更频繁地在容器壁内爬升，从而增加压力。 |
| 湿度也与压力直接相关，因为如果空气中含有固定量的水蒸气并且冷凝空气体积，压力会增加，空气中水分的总百分比（即相对湿度）也会增加。 |
| 因此，根据这些信息，您会认为露点温度和气温是确定冻结风险的两个最重要的变量，因为 |
| 运动空气的数量和天气的凉爽都很重要。 现在让我们看看这是否真的反映在天气统计数据中。 |
| 好的，现在我们掌握了更多关于天气的知识......关于科学是否以及这些指标意味着什么， |
| 我们可以深入进行统计分析并检查水分含量或露点是否增加 |
| 对 2021 年的天气状况负主要责任。 所以为了收集我们的数据，我们使用聚类抽样，这是一种抽样方法，我们将总体划分为集群，然后选择四个集群？？？。 所以在我们的例子中，我们选择了二月 |
| 从过去 10 年来看，因为今年 2 月发生了停电，您不想考虑我们样本中的月度和季节变化。 |
| 我们希望收集过去 10 年的所有数据，而不仅仅是前一年，因为气候变化可能导致天气越来越糟。 所以今年是迄今为止最糟糕的一个赛季，如果我们将其与更多年份进行比较，则对比会更加明显。 |
| 我们收集了 2012 年 2 月到 2021 年的每日天气统计数据，这意味着总样本量为 283 天，因为 2 月最少有 28 天，闰年额外增加了 3 天。 |
| 我们收集了每一天的最高平均和最低温度、露点、湿度、风速和压力，我们还收集了降水。 |
| 我们收集了最大平均值和最小值，因为其中一个可能是比另一个更重要的准确度量，我们也不知道。 |
| 283 天的样本量也通过了功效检验，功效是正确拒绝原假设的概率。 所以我们真的不需要收集更多的数据。 |
| 所以我们想看看哪些天气指标 |
| 有异常值。 如果一个参数有很多异常值，则该指标越容易受到极端天气条件的影响，这将使其成为未来情况的更重要参考。 |
| 所以在这里我们运行了所有 10 年的分位数范围异常值。 离群标准是根据四分位距确定的， |
| IQR，它是具有该变量所有值的第 75 个百分位数的分位数 3 与第 1 个到第 25 个百分位数的分位数之间的差值。 因此，下异常值阈值被确定为分位数 1 减去 1.5 倍 IQR，而上限异常值阈值是分位数 3 加上 1.5 倍 IQR。 |
| 我们有相当多的离群值最大...... |
| 最大湿度百分比和降水。 |
| 但是这些异常值来自所有 10 年，我们最感兴趣的是德克萨斯州停电的日子？？？ |
| 所以只有 2021 年 2 月的几周。 |
| 因此，现在我们将重点关注 2021 年 2 月 2 日至 2 月 25 日期间，这大致是停电危机时期。 |
| 所以，再一次，这仅考虑来自休斯顿的数据。 所以从这三周来看，我们可以看到温度是所有天气参数中异常值最多的 |
| 湿度有一个异常值。 然而，分位数范围异常值工具的主要限制是它没有考虑多重共线性。 |
| 从我们的科学研究中知道湿度取决于露点和温度。 异常值分析可能不是最准确的工具，露点可能仍然是更重要的因素之一。 |
| 对于另一种方法，我们尝试使用集群变量，将不同的天气参数分组到不同的集群中。 |
| 因此，我们想看看集群变量工具是否可以帮助我们确定一个集群，其中包含 2021 年停电最重要的天气指标。 |
| 所以左上角的颜色图， |
| 它 |
| 在 y 轴上绘制每个天气参数，然后在 x 轴上再次绘制每个参数并绘制它们的相关性。 |
| 所以单元格越蓝，两个参数之间的负相关性越强，单元格越红，参数之间的正相关性越强。 |
| 在颜色图上，我们可以可视化四个不同的集群，我们也可以在集群成员表中识别它们。 |
| 集群 1 包含所有温度和露点参数，表明该集群可能包含 2021 年电力危机中最重要的天气因素。 |
| 集群 2 由风速和降水组成，集群 3 所有的湿度和集群 4 的所有压力。 所以最后几个集群 |
| 并没有真正给我们太多的洞察力，因为我们并不惊讶所有的湿度、压力测量都属于它们自己的集群，并且风速和降水相关。 因此，该分析的关键结论是露点和温度可能是最相关的。 |
| 到目前为止，我们知道露点和温度可能是最重要的天气指标，但 2021 年的天气模式与以前的气候相比如何？ 我们当前的天气参数能检测到吗？？？休斯顿的天气 |
| ？？？主要异常值？ |
| 所以上面的图表是我们之前的聚类报告分析的聚类摘要，下面的两个图表是多元统计过程控制图。 |
| 因此，我们首先进行了主成分分析，以减少 16 个变量的维度。 它们在我们的主成分分析中包含了我们所有的天气参数。 我们需要五个主成分来占总变异的 80% 以上。 但我们无法真正区分 |
| 如果我们使用五个主要成分，可以从过去的天气情况中得出 2021 年的情况。 可以看到红点，也就是停电危机发生的时候，刚好在红线之上，也就是我们控制上限的T平方，不是一点都没有……？？？ |
| 所以这张图表明我们无法检测到真正的模式，而是在解释天气情况时过分依赖特征值。 所以我们然后尝试删除第二个？？？簇， |
| 因为在所有集群中，它解释的变化最小。 |
| 我们重新进行了主成分分析。 所以这一次只需要四个主成分就可以占到总变异的至少 80%，但我们仍然无法清楚地区分 |
| 其他时间范围内 2021 年停电危机期间的天气情况。 那么，我们还能如何尝试增加信号并减少整个噪声，以更好地从其他天气情况中识别 2021 年的天气情况？ |
| 好吧，让我们回到我们的集群变量结果，看看我们是否可以筛选出最具代表性的变量。 所以让我们试试 |
| 根据聚类摘要选择每个聚类最具代表性的变量， |
| 这是由 R 平方确定的，其中一个......有自己的集群和一个减去 R 平方的比率。 |
| R 与自己的集群的平方表示每个变量与集群中心的相似程度。 |
| 所以这个值不能告诉你与中心相比变量的方向，但是当距离足够近时 |
| 在中心变量之间，方向并不重要。 有趣的是，最具代表性的变量是平均值，而不是包含它们的最小参数，这有点多余。 |
| 根据聚类变量筛选到仅平均温度、平均湿度、平均露点温度和平均压力，我们只需要两个主成分来解释 80% 的变化，如右侧 T 平方图所示。 |
| 在这里，你只能看到一个主要的峰值， |
| 其中包括停电危机期间的天数。 因此，通过同时使用聚类变量和主成分，我们可以成功区分天气情况。 |
| 在 2021 年停电期间。 那么，修订后的 T 方图能否告诉我们哪些天气参数是 2021 年停运天气状况的最重要指标？ |
| 危机？ 结果是否与之前科学研究中的聚类变量分析的结果相符？ |
| 我们想研究这四个变量中每一个的贡献比例，但为此，我们只能选择一个数据点。 |
| 所以我们选择了270号样本，它是2021年天气情况最差的，因为我们最关心在最坏的情况下哪些参数最重要。 |
| 您可以从右侧的贡献比例图中看到，以露点为单位的平均温度是两个最大的贡献者，压力的贡献很小，湿度的贡献没有。 |
| 所以这个结果可能表明温度和露点是天气状况的主要影响因素， |
| 这不仅支持了我们的聚类变量分析，而且可以通过科学研究来解释。 所以空气温度仍然提供了最大的贡献，但测量水分的露点也是冻结的一个重要因素。 |
| 以前我们需要四个集群来解释主成分分析中 90% 的变化，但现在我们从每个集群中选择最具代表性的变量后只需要两个，总共四个参数， |
| 这证实了筛选有利于提高信噪比。 |
| 根据帕累托原则，选择哪些是足够的，该原则指出，在给定情况下，重要的少数 20% 的原因占了 80% 的结果。 |
| 如果您更仔细地检查特征向量，您会发现第一个特征向量由所有四个参数组成，非常均匀，因为它们的大小都在 0.5 左右，而第二个主要成分主要由温度和湿度组成， |
| 不是露点。 这可能表明露点在过去 10 年中并不是一个重要因素，因此合乎逻辑的下一步是考虑仅在 2021 年进行主成分分析。 |
| 但是，样本量会太小，因为我们在 2021 年 2 月只有 20 个数据点。 |
| 尽管我们没有足够大的样本量来仅在 2021 年进行主成分分析，但让我们看看我们是否可以将过去十年中最重要参数之间的任何差异可视化， |
| 与只有一个相比。 所以在左边，我们有过去十年贡献比例的热图，右边是今年。 |
| 较暗的视野表示与正常情况的偏差更大，对比度也更显着。 因此，如果您查看 2012 年 2 月至 2021 年的图表，我们会看到温度和湿度百分比是最重要的因素，基于较暗的单元格。 |
| 湿度可能很重要，因为温度取决于温度和露点。 所以这又存在多重共线性问题，所以如果我们看 ???。 |
| 另一方面，如果我们只看停电危机前后的几周，绿色阴影部分 |
| 在右侧，您可以看到温度和露点包含最暗的单元格。 因此，这再次表明，露点可能是 2021 年停电危机中更重要的指标，但在过去的天气情况下可能不是历史指标。 |
| 所以你有这个初始过程控制图，我们可以看出停电危机的天气情况是一个异常值，但它有多罕见和独特？ 所以这张图底部的方块 |
| 绘制两个主成分。 它包括不同的置信椭圆。 左上角是2021年2月15日， |
| 当最具灾难性的风暴之一袭击德克萨斯州时。 您可以看到该点位于 99.5% 置信椭圆之外，即橙色线。 |
| 但在 99% 置信椭圆内，即蓝线。 也就是说15日的天气情况每200天出现一次，而由于2月有28天，根据过去的数据，它发生的概率等于28天除以200或 |
| 七年一次。 |
| ？？？未来发生类似情况的可能性……天气情况可能更有可能，而且随着全球变暖，情况可能更糟。 |
| 此外，四个点位于左上象限，与露点和温度矢量相反，再次表明露点和温度是 2021 年停电危机极端天气条件的主要影响因素。 |
| 我们可以比较 2021 年的另一种方式 |
| 与过去 10 年正常天气情况的情况是将 2 月 15 日的贡献图与得分图的中心点进行比较， |
| 哪一种可以作为...... 10 年的中位数。 所以右上角的图表是样本编号270，这是停电危机期间天气状况最差的一天。 |
| 底部图形是样本编号 131，它是得分图的中心点。 有趣的是，样本编号 270 的主要贡献来自温度和露点，而样本编号 131 仅具有压力。 |
| 所以这张图向我们表明，在不稳定的天气条件下，不仅露点变得越来越重要，而且温度也变得越来越重要，这可能是由于全球变暖。 |
| 温度和露点现在是比压力和湿度更重要的天气状况指标。 |
| 那么德克萨斯州政府正在采取什么措施来防止未来的停电危机？ |
| 停电结束几天后，阿博特州长向公众发表讲话，呼吁对电力设备进行过冬处理。 |
| 众议院继续通过一些新的立法来改革紧急程序。 然而，许多人认为新的立法不足以防止未来的危机，因为温度 |
| 极端天气条件的阈值实际上低于 2021 年危机期间冰冻条件的阈值。 截至 2021 年 3 月，州议会尚未通过任何法律 |
| 需要对发电厂进行过冬处理。 ERCOT 的一位前战略顾问认为，防止停电的关键是为未来做好规划，并真正将气候变化视为 ??? |
| 预防性的 |
| 措施。 |
| 因此，总而言之，我们研究了露点温度、气温、湿度和压力背后的科学，以及它们之间的关系和联系。 |
| 分位数异常值工具未能考虑多个问题，我们知道湿度对露点温度和 |
| 气温。 因此，我们使用聚类变量来查看是否可以根据聚类确定最重要的天气因素。 |
| 我们利用主成分分析优化了统计过程控制图。 我们选择了四个最具代表性的变量，即湿度、露点、温度和压力。 |
| 我们还研究了这些变量的贡献，更普遍地使用热图，更具体地说，使用具有最坏天气情况的样本编号 270 的贡献比例图，并将这些结果与得分图上的中心点进行比较。 |
| 我们发现 |
| 温度和露点是未来发生类似灾害的重要天气标志，特别是考虑到随着气候变化和全球变暖而越来越难以预测的天气。 这就是我们今天的全部内容。 谢谢收听。 |
