揚聲器 | 成績單 |
| 陳美森 | 大家好。 感謝您收聽。 我是梅森，今天我將介紹一項關於是否重要的指標的研究，例如濕度， |
| 溫度和露點水平，在 2021 年得克薩斯州停電，以幫助防止類似的災難在未來發生。 |
| 因此，2021 年的停電危機是得克薩斯州歷史上損失最慘重的災難，不僅對當地居民，而且對美國其他依賴得克薩斯州天然氣和石油的地方， |
| 其中擁有最大的天然氣加工能力，全國所有州都受到危機的影響。 |
| 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。 儘管導致危機的政治和金融因素很多， |
| 我們還想考慮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 2 月份研究休斯頓從 2012 年到 2021 年每年的歷史天氣模式，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 年天氣狀況的罕見程度， |
| 與過去幾年相比，還可以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天氣標誌。 |
| 因此，在我們進入演示文稿的總體框架之前，我們想先介紹一下此次活動的背景和該項目背後的動機。 |
| 因此德克薩斯州的停電危機發生在 2021 年 2 月，許多消息來源將事件歸因於該州未能事先準備好他們的電力系統。 |
| 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，也是在二月，土撥鼠日暴風雪導致許多城市的天然氣發電廠完全凍結。 |
| 得克薩斯州發布了該州約四分之三地區的停電令。 |
| 北美...北美電力可靠性公司試圖與德克薩斯州電力可靠性委員會（簡稱ERCOT）談判計劃 |
| 升級國家發電廠的基礎設施，由於成本考慮，這大多被忽視。 許多石油生產商接受了他們的發電廠凍結的風險 |
| 最多，通常每年有兩到三天，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，由於事先沒有做好準備，發電廠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，因此他們在全州實行輪流停電。 |
| 在極端天氣下，許多農作物也被毀，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，說明了大約兩週內發生的事情。 所以在2月初襲擊德州的風暴還是挺多的，其中一場就是冬季風暴烏里，讓德州的很多地方都陷入了更加可怕的境地。 不久之後， |
| 電力需求達到 69,000 兆瓦，打破了之前 65,000 兆瓦的記錄，創下了州紀錄。 |
| 次日，ERCOT 開始實施停電，原因是電力設備易損壞以及電力需求增加。 輪流停電終於在 2 月 19 日結束。 |
| 在這裡，您可以看到來自衛星圖像的冬季風暴圖像。 左邊的那張是在第一波暴風雪襲擊德克薩斯州之前拍攝的。 |
| 第二次服用時處於巔峰狀態。 所以我特別展示了休斯頓，因為它在所有城市中反差最大，因為它受災最嚴重， |
| 這也是將重點放在休斯頓的原因。 與 2 月底相比，您可以真正看到 2 月中旬的電力損失。 |
| 因此，在了解了這種情況的深遠影響和停電的可能原因之後，我們想知道是否有某些天氣指標可以指導我們採取更 |
| 停電的具體環境原因，可以作為未來的參考，通過在冬季早期關注重要的天氣指標，提前為危機做好準備。 |
| 正如我所說，我們將在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原理、它們的區別以及這些指標的含義。 |
| 然後，我們將使用各種離群值聚類工具來研究這些天氣標記中哪些與過去 10 年 2 月在休斯頓的差異最大，並比較 2021 年 2 月的氣候有多麼獨特。 |
| 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。 |
| 我們遇到的最直接的問題之一是導致危機的具體環境因素。 所以我們知道暴風雨和缺乏防寒措施是一般因素， |
| 但並非所有風暴都會導致易受攻擊的電力設備凍結。 所以我們想知道具體的天氣因素是什麼導致了電力系統的故障，這樣你就可以知道為未來做些什麼準備。 |
| 我們決定通過休斯敦來了解這一點，並將豪森的天氣因素與德克薩斯州其他受災不那麼嚴重的城市進行比較。 |
| 我們選擇了達拉斯，因為它距離很近，而且都使用相同的電力系統，所以它也可以作為一個很好的比較基礎。 |
| 右邊是休斯頓和達拉斯 2 月份的天氣統計數據。 有趣的是，如果你觀察任何溫度標記，無論是最高平均溫度還是最低溫度， |
| 達拉斯總是有較低的溫度。 |
| 所以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。 所以露點溫度似乎 |
| 成為主要貢獻者，所以如果我們在休斯敦的露點溫度高於德克薩斯州，那麼這讓我們懷疑露點溫度是否可能是結冰風險的最重要指標。 |
| 那麼什麼是露點溫度，為什麼重要，它與我們的常規溫度測量有何不同？ |
| 特別是溫度……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附。 |
| 現在，相對濕度，或簡稱為濕度，是衡量有多少可用於蒸發的能量已用於使這些水分子彼此分離以抵抗冷凝的量度。 |
| 因此，如果我們的相對濕度為 25%，則意味著 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。 它本身並不是一種獨立的濕度測量方法。 |
| 所以露點是冷凝開始時的溫度。 因此，當空氣溫度降至露點溫度以下時，即開始出現冷凝。 |
| 與濕度不同，當露點溫度升高時，這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空氣溫度時，相對濕度為100%。 |
| 露點溫度與空氣溫度之差越大，相對濕度越低。 因此，如果相對濕度發生變化，可能是因為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有何關係？ 露點與大氣壓無關。 |
| ？？？說壓力直接隨溫度變化。 因此，如果你有氣體，分子將在容器壁內移動得更快並更頻繁地攀爬，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數量的水蒸氣並且冷凝空氣體積，則壓力會增加，空氣中水分的總體百分比（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。 |
| 好吧，現在我們有了更多關於天氣的知識……關於科學和這些指標的含義， |
| 我們可以深入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。 因此，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，我們將人口分成幾類，然後選擇四個類 ???。 所以在我們的例子中，我們選擇了二月份 |
| 來自過去 10 年，因為停電發生在今年 2 月，您不想考慮我們樣本中的月度和季節變化。 |
| 我們想收集過去 10 年的數據，而不僅僅是前一年，因為由於氣候變化，天氣可能會變得越來越糟。 所以今年是迄今為止最差的一個賽季，如果我們將它與更多年份進行比較，反差會更加明顯。 |
| 我們收集了 2012 年 2 月至 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，閏年還有 3 天。 |
| 我們每天收集最高平均溫度和最低溫度、露點、濕度、風速和氣壓，我們還收集降水量。 |
| 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，而我們還不知道。 |
| 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。 只是如果一個參數有很多異常值，那麼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更重要的參考。 |
| 所以在這裡我們運行了所有 10 年的分位數範圍異常值。 異常值標準是根據四分位數範圍確定的， |
| IQR，這是具有該變量所有值的第 75 個百分位數的分位數 3 與分位數 1 到第 25 個百分位數之間的差異。 因此，下異常值閾值確定為分位數 1 減去 1.5 倍 IQR，而上限異常值閾值確定為分位數 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量。 |
| 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？？？ |
| 所以在 2021 年 2 月只有幾週時間。 |
| 所以現在我們轉而關注2021年2月2日至2月25日這段時間，大致是停電危機的時間段。 |
| 所以，再一次，這只考慮了來自休斯頓的數據。 所以就這三週，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，分位數範圍離群值工具的主要局限是它沒有考慮多重共線性。 |
| 根據我們的科學研究，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，我們嘗試使用聚類變量，將不同的天氣參數分組到不同的聚類中。 |
| 因此，我們想看看集群變量工具是否可以幫助我們識別一個集群，該集群包含 2021 年停電最重要的天氣指標。 |
| 所以左上角的彩色地圖， |
| 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。 |
| 因此，單元格越藍，兩個參數之間的負相關性越強，單元格越紅，參數之間的正相關性越強。 |
| 在彩色地圖上，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 年電力危機最重要的天氣因素。 |
| 集群 2 包含風速和降水，集群 3 包含所有濕度，集群 4 包含所有壓力。 所以最後幾個集群 |
| 並沒有真正給我們太多的洞察力，因為我們對所有濕度、壓力測量都屬於它們自己的集群並且風速和降水相關並不感到驚訝。 因此，從該分析中得出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 年的天氣模式與以往的氣候相比如何？ 我們當前的天氣參數可以檢測嗎？？？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，我們首先運行主成分分析，以減少 16 個變量的維度。 它們包括我們主成分分析中的所有天氣參數。 我們需要五個主成分來佔總變異的 80% 以上。 但是我們真的分不清 |
| 如果我們使用五個主要成分，則從過去的天氣情況來看 2021 年的情況。 你可以看到發生停電危機時的紅點剛好在紅線上方，紅線是我們控制上限的 T 方，而不是完全不是……？？？ |
| 所以這張圖表明我們無法檢測到真實的模式，而是過於依賴特徵值來解釋天氣情況。 所以我們然後嘗試刪除第二個 ???簇， |
| 因為在所有集群中，它解釋的變異最少。 |
| 我們重新做了主成分分析。 所以這次只需要4個主成分就可以占到至少80%的總變異，但是我們還是分不清 |
| 其他時間範圍內的 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音，以更好地從其他天氣情況中識別出 2021 年的天氣情況呢？ |
| 好吧，讓我們回到我們的聚類變量結果，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中最具代表性的變量， |
| 這是由 R 方確定的，其中一個...具有自己的簇和一個減去 R 平方比。 |
| R 平方與自己的集群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變量相對於中心的方向，但是當距離足夠近時 |
| 在中心的變量之間，方向並不那麼重要。 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。 |
| 根據僅平均溫度、平均濕度、平均露點溫度和平均壓力的聚類變量篩選後，我們只需要兩個主成分即可佔 80% 的變異，如右側 T 平方圖所示。 |
| 在這裡，你只能看到一個主要的尖峰， |
| 其中包括停電危機期間的日子。 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。 |
| 2021年停電期間。 那麼修訂後的 T 平方圖能否告訴我們哪些天氣參數是 2021 年停電天氣情況最重要的指標？ |
| 危機？ 與以往科學研究中聚類變量分析的結果是否吻合？ |
| 我們想研究這四個變量各自的貢獻比例，但是要做到這一點，我們只能選擇一個數據點。 |
| 所以我們選擇了 2021 年天氣情況最差的樣本編號 270，因為我們最關心在最壞情況下哪些參數最重要。 |
| 從右側的貢獻比例圖中可以看出，平均露點溫度是兩個最大的貢獻者，壓力貢獻很小，濕度沒有貢獻。 |
| 所以這個結果可能表明溫度和露點是天氣狀況的主要貢獻者， |
| 這不僅支持我們的聚類變量分析，而且可以通過科學研究來解釋。 因此，氣溫仍然貢獻最大，但測量水分的露點也是凍結的一個重要因素。 |
| 以前我們需要四個聚類來解釋主成分分析中 90% 的變異，但現在我們從每個聚類中選擇最具代表性的變量後只需要兩個聚類，總共有四個參數， |
| 這證實了篩選有利於提高信噪比。 |
| 根據帕累托原則，選擇哪些就足夠了，該原則指出，在給定情況下，少數 20% 的原因佔 80% 的結果。 |
| 如果你更仔細地檢查特徵向量，你會發現第一個特徵向量非常均勻地包含所有四個參數，因為它們的大小都在 0.5 左右，而第二個主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 年中都不是一個重要因素，因此合乎邏輯的下一步是僅考慮 2021 年的主成分分析。 |
| 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對 2021 年進行主成分分析，但讓我們看看是否可以可視化過去十年中最重要參數之間的任何差異， |
| 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，右邊是今年的。 |
| 較暗的區域表示與正常情況有較大的偏差和更顯著的對比。 因此，如果您查看 2012 年 2 月至 2021 年 2 月的圖表，我們會發現基於較暗的單元格，溫度和濕度百分比是最重要的因素。 |
| 由於溫度，濕度可能很重要，因為濕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，那是綠色陰影 |
| 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更……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性的。 |
| 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異常值，但它有多罕見和獨特？ 所以這張圖底部的方塊 |
| 畫出兩個主要成分。 它包括不同的置信橢圓。 到左上角的那個點是2021年2月15日， |
| 當一場最災難性的風暴襲擊德克薩斯州時。 您可以看到該點位於 99.5% 置信度橢圓（橙色線）之外。 |
| 但在 99% 置信度橢圓內，即藍線。 這意味著 15 日的天氣情況每 200 天出現一次，由於 2 月有 28 天，根據過去的數據，它出現的概率等於 28 天除以 200 或 |
| 七年一次。 |
| ？？？未來發生類似情況的可能性......隨著全球變暖，天氣情況可能更有可能發生，甚至可能更糟。 |
| 這四個點也位於左上象限，與露點和溫度矢量相反，再次表明露點和溫度是造成 2021 年停電危機的極端天氣條件的主要原因。 |
| 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， |
| 哪種作為 10 年中...的中位數。 所以右上圖是樣本編號 270，這是停電危機期間天氣情況最差的一天。 |
| 底部圖表是樣本編號 131，它是分數圖的中心點。 有趣的是，270 號樣品主要來自溫度和露點，而 131 號樣品僅具有壓力。 |
| 所以這張圖告訴我們，在不穩定的天氣條件下，不僅僅是露點變得越來越重要，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呢？ |
| 停電結束幾天后，州長阿博特向公眾發表講話，呼籲對電力設備進行防寒處理。 |
| 眾議院著手製定一些改革緊急程序的新立法。 然而，許多人認為新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 年危機期間的冰凍條件。 截至 2021 年 3 月，州議會尚未通過任何法律 |
| 要求發電廠過冬。 ERCOT 的一位前戰略顧問認為，防止停電的關鍵是為未來做計劃，並真正將氣候變化視為影響 ??? |
| 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原理，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。 |
| 我們使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，特別是考慮到伴隨氣候變化和全球變暖而來的天氣越來越不可預測。 這就是我們今天的全部內容。 感謝收聽。 |
