揚聲器 | 成績單 |
| 陳美森 | 嗨，大家好。 感謝您的收聽。 我是泥瓦匠，今天我將介紹一項關於重要指標的研究，例如濕度， |
| 溫度和露點水平，在 2021 年德克薩斯州停電中，以幫助防止將來發生類似的災難。 |
| 因此，2021 年的停電危機不僅對當地居民，而且對美國其他依賴德克薩斯州天然氣和石油的地方來說都是德克薩斯州歷史上損失最慘重的災難， |
| 它擁有最大的天然氣加工能力，全國所有州都受到了危機的影響。 |
| 所以我們想看看我們是否可以幫助防止未來發生類似的災難。 雖然導致危機的政治和金融因素很多， |
| 我們還想考慮正在發揮作用的科學和環境因素，以便更全面地評估和處理這一事件。 |
| 為此，我們決定在 2012 年至 2021 年每年 2 月研究休斯頓的歷史天氣模式，因為休斯頓是受災最嚴重的城市之一。 |
| 我們將使用異常值方法和聚類工具來了解 2021 年季節的天氣情況有多罕見， |
| 與過去幾年相比，並通過我們對所涉及的科學和環境因素的理解，幫助確定未來潛在危機的最重要的天氣標誌。 |
| 因此，在我們進入演示文稿的整體框架之前，我們想介紹一下活動的背景以及該項目背後的動機。 |
| 因此，德克薩斯州停電危機發生在 2021 年 2 月，許多消息來源將此事件歸因於該州未能事先準備好電氣系統。 |
| 今年實際上並不是德克薩斯州第一次經歷大停電。 十年前的 2011 年，也就是 2 月，土撥鼠日的暴風雪使許多城市的天然氣發電廠完全凍結。 |
| 德克薩斯州對該州約四分之三的地區發布了停電裁決。 |
| 北美……北美電力可靠性公司試圖與德克薩斯電力可靠性委員會（簡稱ERCOT）談判計劃 |
| 升級該州發電廠的基礎設施，但由於成本考慮而大多被忽視。 許多石油生產商接受了他們發電廠凍結的風險 |
| 通常每年兩到三天，但由於氣候變化，風險和頻率變得更大，這使得天氣更加難以預測。 |
| 今年 2 月，當一系列冬季風暴席捲德克薩斯州時，發電廠由於沒有提前做好準備而無法承受極端的冰凍條件。 |
| 許多能源停止工作，包括可再生能源，如風能，以及不可再生能源，如煤炭和天然氣。 |
| 作為回應，ERCOT 無法處理設備問題，因此他們在全州範圍內實施了輪流停電。 |
| 在極端天氣下，許多農作物也被毀壞，導致糧食短缺，許多市民被凍在家裡，並因持續停電而體溫過低。 |
| 所以這裡有一個非常簡短的時間表，描述了大約兩週內發生的事情。 因此，2 月初有不少風暴襲擊了德克薩斯州，其中一場是冬季風暴 Uri，這使德克薩斯州的許多地方陷入了更加可怕的境地。 不久之後， |
| 電力需求達到 69,000 兆瓦，創下州紀錄，超過了之前 65,000 兆瓦的記錄。 |
| 第二天，由於易受攻擊的電力設備損壞以及電力需求增加，ERCOT 開始停電。 輪流停電終於在 2 月 19 日結束。 |
| 在這裡，您可以從衛星圖像中看到冬季風暴的圖像。 左邊的那個是在第一波暴風雪襲擊德克薩斯州之前拍攝的。 |
| 情況最高峰時的第二次拍攝。 所以我特別展示了休斯頓，因為它是所有城市中對比最大的，因為它受災最嚴重， |
| 這也是為什麼將重點放在休斯頓。 與 2 月底相比，您確實可以看到 2 月中旬的電力損失。 |
| 因此，在了解了情況的深遠影響和停電的可能原因後，我們想知道是否有某些天氣指標可以指導我們了解更多 |
| 停電的具體環境原因，可以在未來作為參考，通過在冬季早期關注重要的天氣指標，提前為危機做準備。 |
| 就像我說的，我們將在該項目中使用休斯頓的天氣信息，因為它是受災最嚴重的城市之一。 |
| 首先，我們將嘗試了解這些指標背後的科學、它們的差異以及這些指標的含義。 |
| 然後，我們將使用各種異常值聚類工具來研究與休斯頓 2 月份過去 10 年相比哪些天氣標記最不同，並比較 2021 年 2 月氣候的獨特性。 |
| 在整個演示過程中，我們將嘗試將統計分析和結果與環境科學聯繫起來，以幫助我們確定哪些天氣因素對 2021 年德克薩斯州停電的影響最大。 |
| 我們面臨的最緊迫的問題之一是導致危機的具體環境因素。 所以我們知道風暴和缺乏過冬是普遍因素， |
| 但並非所有風暴都會導致脆弱的電力設備凍結。 因此，我們想知道哪些特定的天氣因素會導致電力系統出現故障，以便您了解為未來做哪些準備。 |
| 我們決定通過休斯頓來研究這一點，並將 Houtson 的天氣因素與德克薩斯州的其他城市進行比較，我們沒有受到如此嚴重的打擊。 |
| 我們選擇達拉斯是因為它非常接近並且都使用相同的電力系統，因此它也可以作為比較的良好基礎。 |
| 右邊是休斯頓和達拉斯二月份的天氣統計數據。 有趣的是，如果您查看任何溫度標記，無論是最高平均溫度還是最低溫度， |
| 達拉斯的氣溫總是較低。 |
| 因此，我們預計較低的溫度會增加設備凍結的風險，但這裡似乎並非如此。 所以相反，露點溫度似乎 |
| 是主要貢獻者，所以如果我們在休斯敦的露點溫度高於德克薩斯州，這讓我們懷疑露點溫度是否可能是凍結風險的最重要指標。 |
| 那麼什麼是露點溫度，為什麼它很重要，它與我們常規的溫度測量有何不同？ |
| 溫度特別是...空氣溫度是空氣分子速度的量度，所以分子移動得越快， |
| 動能越大，溫度越高。 冷凝取決於空氣的溫度。 因此，當氣溫較低時，水分子移動得更慢，因此水分子的吸引力使它們相互粘連。 |
| 現在，相對濕度，或者只是濕度，是衡量有多少可用於蒸發的能量被用來釋放這些水分子以防止冷凝的指標。 |
| 因此，如果我們的相對濕度為 25%，這意味著 25% 的可用能量已用於從水體（例如湖泊）蒸發水，而 75% 的能量可用於進行更多的蒸發。 |
| 現在相對濕度有點誤導，因為它與空氣溫度和露點溫度有關。 它本身不是水分的獨立測量。 |
| 所以露點是冷凝開始時的溫度。 所以當空氣溫度低於露點溫度時，這就是冷凝開始的時候。 |
| 而與濕度不同的是，當露點溫度升高時，只是因為空氣中的水分含量增加了。 因此，換句話說，露點溫度是衡量空氣中水分含量的獨立指標。 |
| 但另一方面，濕度取決於空氣溫度和露點溫度之間的差異。 |
| 所以當露點溫度等於氣溫時，相對濕度為100%。 |
| 露點溫度與氣溫之間的差異越大，相對濕度越低。 因此，如果相對濕度發生變化，可能是由於溫度變化或濕度變化或兩者兼而有之。 |
| 現在，空氣溫度、相對濕度和露點溫度與大氣壓力有何關係？ 露點與大氣壓力無關。 |
| ？？？說壓力直接隨溫度變化。 因此，如果您有氣體並且分子會移動得更快，並且會更頻繁地在容器壁內爬升，從而增加壓力。 |
| 濕度也與壓力直接相關，因為如果空氣中含有固定量的水蒸氣並且冷凝空氣體積，壓力會增加，空氣中水分的總百分比（即相對濕度）也會增加。 |
| 因此，根據這些信息，您會認為露點溫度和氣溫是確定凍結風險的兩個最重要的變量，因為 |
| 運動空氣的數量和天氣的涼爽都很重要。 現在讓我們看看這是否真的反映在天氣統計數據中。 |
| 好的，現在我們掌握了更多關於天氣的知識......關於科學是否以及這些指標意味著什麼， |
| 我們可以深入進行統計分析並檢查水分含量或露點是否增加 |
| 對 2021 年的天氣狀況負主要責任。 所以為了收集我們的數據，我們使用聚類抽樣，這是一種抽樣方法，我們將總體劃分為集群，然後選擇四個集群？？？。 所以在我們的例子中，我們選擇了二月 |
| 從過去 10 年來看，因為今年 2 月發生了停電，您不想考慮我們樣本中的月度和季節變化。 |
| 我們希望收集過去 10 年的所有數據，而不僅僅是前一年，因為氣候變化可能導致天氣越來越糟。 所以今年是迄今為止最糟糕的一個賽季，如果我們將其與更多年份進行比較，則對比會更加明顯。 |
| 我們收集了 2012 年 2 月到 2021 年的每日天氣統計數據，這意味著總樣本量為 283 天，因為 2 月最少有 28 天，閏年額外增加了 3 天。 |
| 我們收集了每一天的最高平均和最低溫度、露點、濕度、風速和壓力，我們還收集了降水。 |
| 我們收集了最大平均值和最小值，因為其中一個可能是比另一個更重要的準確度量，我們也不知道。 |
| 283 天的樣本量也通過了功效檢驗，功效是正確拒絕原假設的概率。 所以我們真的不需要收集更多的數據。 |
| 所以我們想看看哪些天氣指標 |
| 有異常值。 如果一個參數有很多異常值，則該指標越容易受到極端天氣條件的影響，這將使其成為未來情況的更重要參考。 |
| 所以在這裡我們運行了所有 10 年的分位數範圍異常值。 離群標準是根據四分位距確定的， |
| IQR，它是具有該變量所有值的第 75 個百分位數的分位數 3 與第 1 個到第 25 個百分位數的分位數之間的差值。 因此，下異常值閾值被確定為分位數 1 減去 1.5 倍 IQR，而上限異常值閾值是分位數 3 加上 1.5 倍 IQR。 |
| 我們有相當多的離群值最大...... |
| 最大濕度百分比和降水。 |
| 但是這些異常值來自所有 10 年，我們最感興趣的是德克薩斯州停電的日子？？？ |
| 所以只有 2021 年 2 月的幾週。 |
| 因此，現在我們將重點關注 2021 年 2 月 2 日至 2 月 25 日期間，這大致是停電危機時期。 |
| 所以，再一次，這僅考慮來自休斯頓的數據。 所以從這三週來看，我們可以看到溫度是所有天氣參數中異常值最多的 |
| 濕度有一個異常值。 然而，分位數範圍異常值工具的主要限制是它沒有考慮多重共線性。 |
| 從我們的科學研究中知道濕度取決於露點和溫度。 異常值分析可能不是最準確的工具，露點可能仍然是更重要的因素之一。 |
| 對於另一種方法，我們嘗試使用集群變量，將不同的天氣參數分組到不同的集群中。 |
| 因此，我們想看看集群變量工具是否可以幫助我們確定一個集群，其中包含 2021 年停電最重要的天氣指標。 |
| 所以左上角的顏色圖， |
| 它 |
| 在 y 軸上繪製每個天氣參數，然後在 x 軸上再次繪製每個參數並繪製它們的相關性。 |
| 所以單元格越藍，兩個參數之間的負相關越強，單元格越紅，參數之間的正相關越強。 |
| 在顏色圖上，我們可以可視化四個不同的集群，我們也可以在集群成員表中識別它們。 |
| 集群 1 包含所有溫度和露點參數，表明該集群可能包含 2021 年電力危機中最重要的天氣因素。 |
| 集群 2 由風速和降水組成，集群 3 所有的濕度和集群 4 的所有壓力。 所以最後幾個集群 |
| 並沒有真正給我們太多的洞察力，因為我們並不驚訝所有的濕度、壓力測量都屬於它們自己的集群，並且風速和降水相關。 因此，該分析的關鍵結論是露點和溫度可能是最相關的。 |
| 到目前為止，我們知道露點和溫度可能是最重要的天氣指標，但 2021 年的天氣模式與以前的氣候相比如何？ 我們當前的天氣參數能檢測到嗎？？？休斯頓的天氣 |
| ？？？主要異常值？ |
| 所以上面的圖表是我們之前的聚類報告分析的聚類摘要，下面的兩個圖表是多元統計過程控製圖。 |
| 因此，我們首先進行了主成分分析，以減少 16 個變量的維度。 它們在我們的主成分分析中包含了我們所有的天氣參數。 我們需要五個主成分來佔總變異的 80% 以上。 但我們無法真正區分 |
| 如果我們使用五個主要成分，可以從過去的天氣情況中得出 2021 年的情況。 可以看到紅點，也就是停電危機發生的時候，剛好在紅線之上，也就是我們控制上限的T平方，不是一點都沒有……？？？ |
| 所以這張圖表明我們無法檢測到真正的模式，而是在解釋天氣情況時過分依賴特徵值。 所以我們然後嘗試刪除第二個？？？簇， |
| 因為在所有集群中，它解釋的變化最小。 |
| 我們重新進行了主成分分析。 所以這一次只需要四個主成分就可以占到總變異的至少 80%，但我們仍然無法清楚地區分 |
| 其他時間範圍內 2021 年停電危機期間的天氣情況。 那麼，我們還能如何嘗試增加信號並減少整個噪聲，以更好地從其他天氣情況中識別 2021 年的天氣情況？ |
| 好吧，讓我們回到我們的集群變量結果，看看我們是否可以篩選出最具代表性的變量。 所以讓我們試試 |
| 根據聚類摘要選擇每個聚類最具代表性的變量， |
| 這是由 R 平方確定的，其中一個......有自己的集群和一個減去 R 平方的比率。 |
| R 與自己的集群的平方表示每個變量與集群中心的相似程度。 |
| 所以這個值不能告訴你與中心相比變量的方向，但是當距離足夠近時 |
| 在中心變量之間，方向並不重要。 有趣的是，最具代表性的變量是平均值，而不是包含它們的最小參數，這有點多餘。 |
| 根據聚類變量篩選到僅平均溫度、平均濕度、平均露點溫度和平均壓力，我們只需要兩個主成分來解釋 80% 的變化，如右側 T 平方圖所示。 |
| 在這裡，你只能看到一個主要的峰值， |
| 其中包括停電危機期間的天數。 因此，通過同時使用聚類變量和主成分，我們可以成功區分天氣情況。 |
| 在 2021 年停電期間。 那麼，修訂後的 T 方圖能否告訴我們哪些天氣參數是 2021 年停運天氣狀況的最重要指標？ |
| 危機？ 結果是否與之前科學研究中的聚類變量分析的結果相符？ |
| 我們想研究這四個變量中每一個的貢獻比例，但為此，我們只能選擇一個數據點。 |
| 所以我們選擇了270號樣本，它是2021年天氣最差的，因為我們最關心在最壞的情況下哪些參數最重要。 |
| 您可以從右側的貢獻比例圖中看到，以露點為單位的平均溫度是兩個最大的貢獻者，壓力的貢獻很小，濕度的貢獻沒有。 |
| 所以這個結果可能表明溫度和露點是天氣狀況的主要影響因素， |
| 這不僅支持了我們的聚類變量分析，而且可以通過科學研究來解釋。 所以空氣溫度仍然提供了最大的貢獻，但測量水分的露點也是凍結的一個重要因素。 |
| 以前我們需要四個集群來解釋主成分分析中 90% 的變化，但現在我們從每個集群中選擇最具代表性的變量後只需要兩個，總共四個參數， |
| 這證實了篩選有利於提高信噪比。 |
| 根據帕累托原則，選擇哪些是足夠的，該原則指出，在給定情況下，重要的少數 20% 的原因佔了 80% 的結果。 |
| 如果您更仔細地檢查特徵向量，您會發現第一個特徵向量由所有四個參數組成，非常均勻，因為它們的大小都在 0.5 左右，而第二個主要成分主要由溫度和濕度組成， |
| 不是露點。 這可能表明露點在過去 10 年中並不是一個重要因素，因此合乎邏輯的下一步是考慮僅在 2021 年進行主成分分析。 |
| 但是，樣本量會太小，因為我們在 2021 年 2 月只有 20 個數據點。 |
| 儘管我們沒有足夠大的樣本量來僅在 2021 年進行主成分分析，但讓我們看看我們是否可以將過去十年中最重要參數之間的任何差異可視化， |
| 與只有一個相比。 所以在左邊，我們有過去十年貢獻比例的熱圖，右邊是今年。 |
| 較暗的視野表示與正常情況的偏差更大，對比度也更顯著。 因此，如果您查看 2012 年 2 月至 2021 年的圖表，我們會看到溫度和濕度百分比是最重要的因素，基於較暗的單元格。 |
| 濕度可能很重要，因為溫度取決於溫度和露點。 所以這又存在多重共線性問題，所以如果我們看 ???。 |
| 另一方面，如果我們只看停電危機前後的幾週，綠色陰影部分 |
| 在右側，您可以看到溫度和露點包含最暗的單元格。 因此，這再次表明，露點可能是 2021 年停電危機中更重要的指標，但在過去的天氣情況下可能不是歷史指標。 |
| 所以你有這個初始過程控製圖，我們可以看出停電危機的天氣情況是一個異常值，但它有多罕見和獨特？ 所以這張圖底部的方塊 |
| 繪製兩個主成分。 它包括不同的置信橢圓。 左上角是2021年2月15日， |
| 當最具災難性的風暴之一襲擊德克薩斯州時。 您可以看到該點位於 99.5% 置信橢圓之外，即橙色線。 |
| 但在 99% 置信橢圓內，即藍線。 也就是說15日的天氣情況每200天出現一次，而由於2月有28天，根據過去的數據，它發生的概率等於28天除以200或 |
| 七年一次。 |
| ？？？未來發生類似情況的可能性……天氣情況可能更有可能，而且隨著全球變暖，情況可能更糟。 |
| 此外，四個點位於左上象限，與露點和溫度矢量相反，再次表明露點和溫度是 2021 年停電危機極端天氣條件的主要影響因素。 |
| 我們可以比較 2021 年的另一種方式 |
| 與過去 10 年正常天氣情況的情況是將 2 月 15 日的貢獻圖與得分圖的中心點進行比較， |
| 哪一種可以作為...... 10 年的中位數。 所以右上角的圖表是樣本編號270，這是停電危機期間天氣狀況最差的一天。 |
| 底部圖形是樣本編號 131，它是得分圖的中心點。 有趣的是，樣本編號 270 的主要貢獻來自溫度和露點，而樣本編號 131 僅具有壓力。 |
| 所以這張圖向我們表明，在不穩定的天氣條件下，不僅露點變得越來越重要，而且溫度也變得越來越重要，這可能是由於全球變暖。 |
| 溫度和露點現在是比壓力和濕度更重要的天氣狀況指標。 |
| 那麼德克薩斯州政府正在採取什麼措施來防止未來的停電危機？ |
| 停電結束幾天后，阿博特州長向公眾發表講話，呼籲對電力設備進行過冬處理。 |
| 眾議院繼續通過一些新的立法來改革緊急程序。 然而，許多人認為新的立法不足以防止未來的危機，因為溫度 |
| 極端天氣條件的閾值實際上低於 2021 年危機期間冰凍條件的閾值。 截至 2021 年 3 月，州議會尚未通過任何法律 |
| 需要對發電廠進行過冬處理。 ERCOT 的一位前戰略顧問認為，防止停電的關鍵是為未來做好規劃，並真正將氣候變化視為 ??? |
| 預防性的 |
| 措施。 |
| 因此，總而言之，我們研究了露點溫度、氣溫、濕度和壓力背後的科學，以及它們之間的關係和聯繫。 |
| 分位數異常值工具未能考慮多個問題，我們知道濕度對露點溫度和 |
| 氣溫。 因此，我們使用聚類變量來查看是否可以根據聚類確定最重要的天氣因素。 |
| 我們利用主成分分析優化了統計過程控製圖。 我們選擇了四個最具代表性的變量，即濕度、露點、溫度和壓力。 |
| 我們還研究了這些變量的貢獻，更普遍地使用熱圖，更具體地說，使用具有最壞天氣情況的樣本編號 270 的貢獻比例圖，並將這些結果與得分圖上的中心點進行比較。 |
| 我們發現 |
| 溫度和露點是未來發生類似災害的重要天氣標誌，特別是考慮到隨著氣候變化和全球變暖而越來越難以預測的天氣。 這就是我們今天的全部內容。 謝謝收聽。 |
