扬声器 | 成绩单 |
| 陈美森 | 大家好。 感谢您收听。 我是梅森，今天我将介绍一项关于是否重要的指标的研究，例如湿度， |
| 温度和露点水平，在 2021 年得克萨斯州停电，以帮助防止类似的灾难在未来发生。 |
| 因此，2021 年的停电危机是得克萨斯州历史上损失最惨重的灾难，不仅对当地居民，而且对美国其他依赖得克萨斯州天然气和石油的地方， |
| 其中拥有最大的天然气加工能力，全国所有州都受到危机的影响。 |
| 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。 尽管导致危机的政治和金融因素很多， |
| 我们还想考虑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 2 月份研究休斯顿从 2012 年到 2021 年每年的历史天气模式，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 年天气状况的罕见程度， |
| 与过去几年相比，还可以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天气标志。 |
| 因此，在我们进入演示文稿的总体框架之前，我们想先介绍一下此次活动的背景和该项目背后的动机。 |
| 因此德克萨斯州的停电危机发生在 2021 年 2 月，许多消息来源将事件归因于该州未能事先准备好他们的电力系统。 |
| 今年实际上并不是德州第一次经历大停电。 十年前的 2011 年，也是在二月，土拨鼠日暴风雪导致许多城市的天然气发电厂完全冻结。 |
| 得克萨斯州发布了该州约四分之三地区的停电令。 |
| 北美...北美电力可靠性公司试图与德克萨斯州电力可靠性委员会（简称ERCOT）谈判计划 |
| 升级国家发电厂的基础设施，由于成本考虑，这大多被忽视。 许多石油生产商接受了他们的发电厂冻结的风险 |
| 最多，通常每年有两到三天，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，由于事先没有做好准备，发电厂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，因此他们在全州实行轮流停电。 |
| 在极端天气下，许多农作物也被毁，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，说明了大约两周内发生的事情。 所以在2月初袭击德州的风暴还是挺多的，其中一场就是冬季风暴乌里，让德州的很多地方都陷入了更加可怕的境地。 不久之后， |
| 电力需求达到 69,000 兆瓦，打破了之前 65,000 兆瓦的记录，创下了州纪录。 |
| 次日，ERCOT 开始实施停电，原因是电力设备易损坏以及电力需求增加。 轮流停电终于在 2 月 19 日结束。 |
| 在这里，您可以看到来自卫星图像的冬季风暴图像。 左边的那张是在第一波暴风雪袭击德克萨斯州之前拍摄的。 |
| 第二次服用时处于巅峰状态。 所以我特别展示了休斯顿，因为它在所有城市中反差最大，因为它受灾最严重， |
| 这也是将重点放在休斯顿的原因。 与 2 月底相比，您可以真正看到 2 月中旬的电力损失。 |
| 因此，在了解了这种情况的深远影响和停电的可能原因之后，我们想知道是否有某些天气指标可以指导我们采取更 |
| 停电的具体环境原因，可以作为未来的参考，通过在冬季早期关注重要的天气指标，提前为危机做好准备。 |
| 正如我所说，我们将在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原理、它们的区别以及这些指标的含义。 |
| 然后，我们将使用各种离群值聚类工具来研究这些天气标记中哪些与过去 10 年 2 月在休斯顿的差异最大，并比较 2021 年 2 月的气候有多么独特。 |
| 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。 |
| 我们遇到的最直接的问题之一是导致危机的具体环境因素。 所以我们知道暴风雨和缺乏防寒措施是一般因素， |
| 但并非所有风暴都会导致易受攻击的电力设备冻结。 所以我们想知道具体的天气因素是什么导致了电力系统的故障，这样你就可以知道为未来做些什么准备。 |
| 我们决定通过休斯敦来了解这一点，并将豪森的天气因素与德克萨斯州其他受灾不那么严重的城市进行比较。 |
| 我们选择了达拉斯，因为它距离很近，而且都使用相同的电力系统，所以它也可以作为一个很好的比较基础。 |
| 右边是休斯顿和达拉斯 2 月份的天气统计数据。 有趣的是，如果你观察任何温度标记，无论是最高平均温度还是最低温度， |
| 达拉斯总是有较低的温度。 |
| 所以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。 所以露点温度似乎 |
| 成为主要贡献者，所以如果我们在休斯敦的露点温度高于德克萨斯州，那么这让我们怀疑露点温度是否可能是结冰风险的最重要指标。 |
| 那么什么是露点温度，为什么重要，它与我们的常规温度测量有何不同？ |
| 特别是温度……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附。 |
| 现在，相对湿度，或简称为湿度，是衡量有多少可用于蒸发的能量已用于使这些水分子彼此分离以抵抗冷凝的量度。 |
| 因此，如果我们的相对湿度为 25%，则意味着 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。 它本身并不是一种独立的湿度测量方法。 |
| 所以露点是冷凝开始时的温度。 因此，当空气温度降至露点温度以下时，即开始出现冷凝。 |
| 与湿度不同，当露点温度升高时，这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空气温度时，相对湿度为100%。 |
| 露点温度与空气温度之差越大，相对湿度越低。 因此，如果相对湿度发生变化，可能是因为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有何关系？ 露点与大气压无关。 |
| ？？？说压力直接随温度变化。 因此，如果你有气体，分子将在容器壁内移动得更快并更频繁地攀爬，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数量的水蒸气并且冷凝空气体积，则压力会增加，空气中水分的总体百分比（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。 |
| 好吧，现在我们有了更多关于天气的知识……关于科学和这些指标的含义， |
| 我们可以深入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。 因此，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，我们将人口分成几类，然后选择四个类 ???。 所以在我们的例子中，我们选择了二月份 |
| 来自过去 10 年，因为停电发生在今年 2 月，您不想考虑我们样本中的逐月和逐季变化。 |
| 我们想收集过去 10 年的数据，而不仅仅是前一年，因为由于气候变化，天气可能会变得越来越糟。 所以今年是迄今为止最差的一个赛季，如果我们将它与更多年份进行比较，反差会更加明显。 |
| 我们收集了 2012 年 2 月至 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，闰年还有 3 天。 |
| 我们每天收集最高平均温度和最低温度、露点、湿度、风速和气压，我们还收集降水量。 |
| 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，而我们还不知道。 |
| 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。 只是如果一个参数有很多异常值，那么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更重要的参考。 |
| 所以在这里我们运行了所有 10 年的分位数范围异常值。 异常值标准是根据四分位数范围确定的， |
| IQR，这是具有该变量所有值的第 75 个百分位数的分位数 3 与分位数 1 到第 25 个百分位数之间的差异。 因此，下异常值阈值确定为分位数 1 减去 1.5 倍 IQR，而上限异常值阈值确定为分位数 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量。 |
| 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？？？ |
| 所以在 2021 年 2 月只有几周时间。 |
| 所以现在我们转而关注2021年2月2日至2月25日这段时间，大致是停电危机的时间段。 |
| 所以，再一次，这只考虑了来自休斯顿的数据。 所以就这三周，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，分位数范围离群值工具的主要局限是它没有考虑多重共线性。 |
| 根据我们的科学研究，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，我们尝试使用聚类变量，将不同的天气参数分组到不同的聚类中。 |
| 因此，我们想看看集群变量工具是否可以帮助我们识别一个集群，该集群包含 2021 年停电最重要的天气指标。 |
| 所以左上角的彩色地图， |
| 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。 |
| 因此，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。 |
| 在彩色地图上，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 年电力危机最重要的天气因素。 |
| 集群 2 包含风速和降水，集群 3 包含所有湿度，集群 4 包含所有压力。 所以最后几个集群 |
| 并没有真正给我们太多的洞察力，因为我们对所有湿度、压力测量都属于它们自己的集群并且风速和降水相关并不感到惊讶。 因此，从该分析中得出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 年的天气模式与以往的气候相比如何？ 我们当前的天气参数可以检测吗？？？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，我们首先运行主成分分析，以减少 16 个变量的维度。 它们包括我们主成分分析中的所有天气参数。 我们需要五个主成分来占总变异的 80% 以上。 但是我们真的分不清 |
| 如果我们使用五个主要成分，则从过去的天气情况来看 2021 年的情况。 你可以看到发生停电危机时的红点刚好在红线上方，红线是我们控制上限的 T 方，而不是完全不是……？？？ |
| 所以这张图表明我们无法检测到真实的模式，而是过于依赖特征值来解释天气情况。 所以我们然后尝试删除第二个 ???簇， |
| 因为在所有集群中，它解释的变异最少。 |
| 我们重新做了主成分分析。 所以这次只需要4个主成分就可以占到至少80%的总变异，但是我们还是分不清 |
| 其他时间范围内的 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音，以更好地从其他天气情况中识别出 2021 年的天气情况呢？ |
| 好吧，让我们回到我们的聚类变量结果，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中最具代表性的变量， |
| 这是由 R 方确定的，其中一个...具有自己的簇和一个减去 R 平方比。 |
| R 平方与自己的集群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变量相对于中心的方向，但是当距离足够近时 |
| 在中心的变量之间，方向并不那么重要。 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。 |
| 根据仅平均温度、平均湿度、平均露点温度和平均压力的聚类变量筛选后，我们只需要两个主成分即可占 80% 的变异，如右侧 T 平方图所示。 |
| 在这里，你只能看到一个主要的尖峰， |
| 其中包括停电危机期间的日子。 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。 |
| 2021年停电期间。 那么修订后的 T 平方图能否告诉我们哪些天气参数是 2021 年停电天气情况最重要的指标？ |
| 危机？ 与以往科学研究中聚类变量分析的结果是否吻合？ |
| 我们想研究这四个变量各自的贡献比例，但是要做到这一点，我们只能选择一个数据点。 |
| 所以我们选择了 2021 年天气情况最差的样本编号 270，因为我们最关心在最坏情况下哪些参数最重要。 |
| 从右侧的贡献比例图中可以看出，平均露点温度是两个最大的贡献者，压力贡献很小，湿度没有贡献。 |
| 所以这个结果可能表明温度和露点是天气状况的主要贡献者， |
| 这不仅支持我们的聚类变量分析，而且可以通过科学研究来解释。 因此，气温仍然贡献最大，但测量水分的露点也是冻结的一个重要因素。 |
| 以前我们需要四个聚类来解释主成分分析中 90% 的变异，但现在我们从每个聚类中选择最具代表性的变量后只需要两个聚类，总共有四个参数， |
| 这证实了筛选有利于提高信噪比。 |
| 根据帕累托原则，选择哪些就足够了，该原则指出，在给定情况下，少数 20% 的原因占 80% 的结果。 |
| 如果你更仔细地检查特征向量，你会发现第一个特征向量非常均匀地包含所有四个参数，因为它们的大小都在 0.5 左右，而第二个主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 年中都不是一个重要因素，因此合乎逻辑的下一步是仅考虑 2021 年的主成分分析。 |
| 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对 2021 年进行主成分分析，但让我们看看是否可以可视化过去十年中最重要参数之间的任何差异， |
| 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，右边是今年的。 |
| 较暗的区域表示与正常情况有较大的偏差和更显着的对比。 因此，如果您查看 2012 年 2 月至 2021 年 2 月的图表，我们会发现基于较暗的单元格，温度和湿度百分比是最重要的因素。 |
| 由于温度，湿度可能很重要，因为湿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，那是绿色阴影 |
| 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更……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性的。 |
| 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异常值，但它有多罕见和独特？ 所以这张图底部的方块 |
| 画出两个主要成分。 它包括不同的置信椭圆。 到左上角的那个点是2021年2月15日， |
| 当一场最灾难性的风暴袭击德克萨斯州时。 您可以看到该点位于 99.5% 置信度椭圆（橙色线）之外。 |
| 但在 99% 置信度椭圆内，即蓝线。 这意味着 15 日的天气情况每 200 天出现一次，由于 2 月有 28 天，根据过去的数据，它出现的概率等于 28 天除以 200 或 |
| 七年一次。 |
| ？？？未来发生类似情况的可能性......随着全球变暖，天气情况可能更有可能发生，甚至可能更糟。 |
| 这四个点也位于左上象限，与露点和温度矢量相反，再次表明露点和温度是造成 2021 年停电危机的极端天气条件的主要原因。 |
| 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， |
| 哪种作为 10 年中...的中位数。 所以右上图是样本编号 270，这是停电危机期间天气情况最差的一天。 |
| 底部图表是样本编号 131，它是分数图的中心点。 有趣的是，270 号样品主要来自温度和露点，而 131 号样品仅具有压力。 |
| 所以这张图告诉我们，在不稳定的天气条件下，不仅仅是露点变得越来越重要，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呢？ |
| 停电结束几天后，州长阿博特向公众发表讲话，呼吁对电力设备进行防寒处理。 |
| 众议院着手制定一些改革紧急程序的新立法。 然而，许多人认为新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 年危机期间的冰冻条件。 截至 2021 年 3 月，州议会尚未通过任何法律 |
| 要求发电厂过冬。 ERCOT 的一位前战略顾问认为，防止停电的关键是为未来做计划，并真正将气候变化视为影响 ??? |
| 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原理，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。 |
| 我们使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，特别是考虑到伴随气候变化和全球变暖而来的天气越来越不可预测。 这就是我们今天的全部内容。 感谢收听。 |
