| Conférencier |
Transcription |
| Mason Chen |
Bonjour à tous. Merci de votre attention. Je m'appelle Mason et je vais vous présenter aujourd'hui une étude sur des indicateurs météorologiques importants, comme l'humidité. |
| |
niveaux de température et de point de rosée, lors de la panne de courant de 2021 au Texas, afin d'aider à prévenir des catastrophes similaires à se reproduire à l'avenir. |
| |
La crise des pannes de courant de 2021 a donc été la catastrophe la plus coûteuse de l'histoire du Texas, non seulement pour les résidents locaux, mais aussi pour d'autres endroits des États-Unis qui dépendaient du gaz naturel et du pétrole du Texas. |
| |
qui possède la plus grande capacité de traitement de gaz naturel, et tous les États du pays ont été touchés par la crise. |
| |
Nous avons donc voulu voir si nous pouvions contribuer à prévenir de telles catastrophes. Bien que de nombreux facteurs politiques et financiers aient conduit à cette crise, |
| |
nous avons également souhaité prendre en compte les facteurs scientifiques et environnementaux en jeu afin d’évaluer et d’aborder cet événement de manière plus holistique. |
| |
Pour ce faire, nous avons décidé d’étudier le modèle météorologique historique de Houston chaque année de 2012 à 2021 en février, car Houston était l’une des villes les plus durement touchées. |
| |
Nous utiliserons des méthodes de valeurs aberrantes et des outils de clustering afin de comprendre à quel point la situation météorologique était rare au cours de la saison 2021, |
| |
par rapport aux années passées, et également pour aider à identifier les marqueurs météorologiques les plus importants pour les crises potentielles futures grâce à notre compréhension des facteurs scientifiques et environnementaux impliqués. |
| |
Alors, avant de nous lancer dans le cadre général de la présentation, nous voulions donner un peu de contexte sur l’événement et la motivation derrière ce projet. |
| |
La crise de panne de courant au Texas s'est produite en février 2021, et de nombreuses sources attribuent l'événement à l'incapacité de l'État à préparer ses systèmes électriques à l'avance. |
| |
Cette année, le Texas n'était pas le premier à connaître des pannes de courant majeures. Il y a dix ans, en 2011, également en février, les blizzards du Jour de la Marmotte avaient complètement gelé les centrales électriques au gaz naturel de nombreuses villes. |
| |
Le Texas a imposé des restrictions réglementaires sur environ les trois quarts de son territoire. |
| |
La North American Electricity Reliability Corporation a tenté de négocier des plans avec l'Electric Reliability Council of Texas (ERCOT en abrégé) |
| |
moderniser les infrastructures des centrales électriques de l'État, une mesure qui a été largement ignorée pour des raisons de coût. De nombreux producteurs de pétrole ont accepté le risque de voir leurs centrales geler. |
| |
Les pluies sont généralement abondantes deux à trois jours par an, mais les risques et les fréquences sont devenus plus importants en raison du changement climatique, qui rend le temps plus imprévisible. |
| |
Lorsqu'une série de tempêtes hivernales a balayé le Texas en février de cette année, les centrales électriques n'ont pas été en mesure de résister à des conditions de gel extrêmes car elles n'étaient pas préparées à l'avance. |
| |
Et de nombreuses sources d’énergie ont cessé de fonctionner, y compris les énergies renouvelables, comme l’énergie éolienne, et les énergies non renouvelables, comme le charbon et le gaz naturel. |
| |
En réponse, ERCOT n'a pas pu gérer les problèmes d'équipement et a donc instauré des coupures de courant tournantes dans tout l'État. |
| |
En raison des conditions météorologiques extrêmes, de nombreuses récoltes ont également été détruites, entraînant des pénuries alimentaires, et de nombreux citoyens se sont retrouvés gelés chez eux et souffrant d'hypothermie en raison des pannes de courant continues. |
| |
Voici donc un bref aperçu de ce qui s'est passé sur une période d'environ deux semaines. Plusieurs tempêtes ont frappé le Texas début février, dont la tempête hivernale Uri, qui a plongé de nombreuses régions du Texas dans une situation encore plus désastreuse. Peu après, |
| |
la demande d'électricité a atteint 69 000 mégawatts, un record de l'État, battant le record précédent de 65 000 mégawatts. |
| |
Le lendemain, l'ERCOT a commencé à instaurer des coupures de courant, en raison des dommages causés aux équipements électriques vulnérables et de la hausse de la demande. Les coupures de courant ont finalement pris fin le 19 février. |
| |
Vous voyez ici les images satellites de la tempête hivernale. Celle de gauche a été prise juste avant que la première vague de blizzards ne frappe le Texas. |
| |
La deuxième prise a eu lieu au plus fort de la crise. J'ai donc particulièrement montré Houston, car c'est la ville la plus contrastée, la plus durement touchée. |
| |
C'est pourquoi nous nous concentrerons sur Houston. On constate clairement la perte d'électricité à la mi-février par rapport à la fin février. |
| |
Ainsi, après avoir compris les effets à long terme de la situation et les causes possibles de la panne, nous avons voulu savoir s'il existait certains indicateurs météorologiques qui nous orienteraient vers une solution plus efficace. |
| |
Les causes environnementales spécifiques de la panne pourraient être utilisées à l'avenir comme référence pour se préparer plus tôt aux crises en prêtant attention aux indicateurs météorologiques importants dès le début de la saison hivernale. |
| |
Comme je l'ai dit, nous utiliserons les informations météorologiques de Houston pour le projet, car c'était l'une des villes les plus durement touchées. |
| |
Tout d’abord, nous allons essayer de comprendre la science derrière ces indicateurs, leurs différences et ce que ces indicateurs signifient. |
| |
Nous utiliserons ensuite une variété d'outils de regroupement de valeurs aberrantes pour étudier lesquels de ces marqueurs météorologiques étaient les plus différents par rapport aux 10 dernières années en février à Houston et comparerons également à quel point le climat de février 2021 était unique. |
| |
Et tout au long de la présentation, nous essaierons de relier les analyses statistiques et les résultats à la science environnementale pour nous aider à déterminer quels facteurs météorologiques ont le plus contribué à la panne de courant de 2021 au Texas. |
| |
L'une des questions les plus urgentes que nous nous sommes posées était de savoir quel facteur environnemental précis avait contribué à la crise. Nous savons donc que les tempêtes et le manque de préparation hivernale étaient des facteurs généraux. |
| |
Cependant, toutes les tempêtes ne provoquent pas le gel des équipements électriques vulnérables. Nous avons donc voulu comprendre quels facteurs météorologiques spécifiques peuvent entraîner des pannes du réseau électrique, afin que vous puissiez anticiper les risques futurs. |
| |
Nous avons décidé d'examiner cela à travers Houston et de comparer les facteurs météorologiques de Houston à ceux d'autres villes du Texas qui ne sont pas aussi durement touchées. |
| |
Nous avons choisi Dallas parce que c'était très proche et que les deux utilisaient le même système électrique, donc cela sert également de bonne base de comparaison. |
| |
À droite, les statistiques météorologiques pour le mois de février à Houston et à Dallas. Il est intéressant de noter que si l'on observe un indicateur de température, qu'il s'agisse de la température moyenne maximale ou minimale, |
| |
Dallas a toujours la température la plus basse. |
| |
On s'attend donc à ce que les températures plus basses augmentent le risque de gel des équipements, mais cela ne semble pas être le cas ici. La température du point de rosée semble donc |
| |
être le principal contributeur, donc si nous avons une température du point de rosée plus élevée à Houston qu'au Texas, cela nous amène à nous demander si la température du point de rosée pourrait être l'indicateur le plus important du risque de gel. |
| |
Alors, qu’est-ce que la température du point de rosée et pourquoi est-elle importante et en quoi est-elle différente de notre mesure habituelle de la température ? |
| |
La température spécifiquement... la température de l'air est la mesure de la vitesse des molécules d'air, donc plus les molécules se déplacent rapidement, |
| |
Plus l'énergie cinétique est élevée et plus la température est élevée. La condensation dépend de la température de l'air. Ainsi, lorsque la température de l'air est basse, les molécules d'eau se déplacent plus lentement, de sorte que leurs forces d'attraction les font adhérer les unes aux autres. |
| |
L'humidité relative, ou simplement l'humidité, est une mesure de la quantité d'énergie disponible pour l'évaporation qui a été utilisée pour libérer ces molécules d'eau les unes des autres afin de résister à la condensation. |
| |
Donc, si nous avions une humidité relative de 25 %, cela signifie que 25 % de l’énergie disponible a été utilisée pour évaporer l’eau des plans d’eau, comme les lacs, et 75 % de l’énergie est disponible pour faire plus d’évaporation. |
| |
L'humidité relative est quelque peu trompeuse, car elle est relative à la température de l'air et au point de rosée. Elle ne constitue pas en soi une mesure indépendante de l'humidité. |
| |
Le point de rosée est la température à laquelle la condensation commence. Lorsque la température de l'air descend en dessous du point de rosée, la condensation commence. |
| |
Contrairement à l'humidité, lorsque la température du point de rosée augmente, c'est uniquement parce que la quantité d'humidité dans l'air augmente. Autrement dit, la température du point de rosée est une mesure indépendante de la quantité d'humidité dans l'air. |
| |
Mais d’un autre côté, l’humidité dépend de la différence entre la température de l’air et la température du point de rosée. |
| |
Ainsi, lorsque la température du point de rosée est égale à la température de l’air, l’humidité relative est de 100 %. |
| |
Plus la différence entre la température du point de rosée et la température de l'air est importante, plus l'humidité relative est faible. Ainsi, si l'humidité relative varie, cela peut être dû à des variations de température, d'humidité ou aux deux. |
| |
Quel est le lien entre la température de l'air, l'humidité relative et la température du point de rosée et la pression atmosphérique ? Le point de rosée est indépendant de la pression atmosphérique. |
| |
??? dit que la pression varie directement avec la température. Donc, si vous avez un gaz, les molécules se déplaceront plus rapidement et grimperont plus fréquemment dans les parois du récipient, ce qui augmentera la pression. |
| |
L'humidité est également directement liée à la pression, car si vous avez une quantité fixe de vapeur dans l'air et que vous condensez le volume d'air, la pression augmentera et le pourcentage global d'humidité dans l'air, qui est l'humidité relative, augmentera également. |
| |
Ainsi, sur la base de ces informations, on pourrait penser que la température du point de rosée et la température de l’air sont les deux variables les plus importantes pour déterminer les risques de gel, car |
| |
La quantité d'air en mouvement et la fraîcheur du temps sont toutes deux importantes. Voyons maintenant si cela se reflète réellement dans les statistiques météorologiques. |
| |
D'accord, nous sommes maintenant équipés de plus de connaissances sur la météo... sur la science et sur ce que signifient ces indicateurs, |
| |
nous pouvons plonger dans l'analyse statistique et examiner si une augmentation des niveaux d'humidité ou du point de rosée |
| |
est en grande partie responsable des conditions météorologiques de 2021. Pour collecter nos données, nous utilisons l'échantillonnage par grappes, une méthode d'échantillonnage qui consiste à diviser la population en grappes, puis à en sélectionner quatre. Dans notre cas, nous avons choisi le mois de février. |
| |
au cours des 10 dernières années, car une panne s'est produite en février de cette année et vous ne vouliez pas prendre en compte les variations mensuelles et saisonnières dans notre échantillon. |
| |
Nous souhaitons collecter des données sur les dix dernières années, et pas seulement sur l'année précédente, car les conditions météorologiques pourraient se dégrader de plus en plus en raison du changement climatique. Cette année est donc la pire saison jusqu'à présent, et le contraste sera plus marqué si nous la comparons à d'autres années. |
| |
Nous avons recueilli les statistiques météorologiques quotidiennes de février 2012 à 2021, ce qui représente un échantillon total de 283 jours, car il y a un minimum de 28 jours en février et trois jours supplémentaires pour les années bissextiles. |
| |
Et pour chaque jour, nous avons recueilli la température moyenne et minimale maximale, le point de rosée, l'humidité, la vitesse et la pression du vent, et nous avons également recueilli les précipitations. |
| |
Nous avons recueilli la moyenne maximale et le minimum car l'une pourrait être une mesure précise plus importante que l'autre, ce que nous ne savons pas encore non plus. |
| |
Un échantillon de 283 jours a également passé avec succès le test de puissance, la puissance étant la probabilité de rejeter correctement l'hypothèse nulle. Il n'est donc pas nécessaire de collecter davantage de données. |
| |
Nous voulions donc voir quels indicateurs météorologiques |
| |
Il existe des valeurs aberrantes. Plus un paramètre présente de valeurs aberrantes, plus il est susceptible d'être influencé par des conditions météorologiques extrêmes, ce qui en fait une référence plus importante pour les situations futures. |
| |
Nous avons donc calculé les valeurs aberrantes de l'intervalle quantile pour les 10 années. Le critère de valeur aberrante est déterminé en fonction de l'écart interquartile. |
| |
L'IQR correspond à la différence entre le quantile 3 et le 75e percentile de toutes les valeurs de cette variable et le quantile 1 et le 25e percentile. Le seuil aberrant inférieur correspond donc au quantile 1 moins 1,5 fois l'IQR, tandis que le seuil aberrant supérieur correspond au quantile 3 plus 1,5 fois l'IQR. |
| |
Nous avons un certain nombre de valeurs aberrantes pour le maximum... |
| |
pourcentage d'humidité maximal et précipitations. |
| |
Mais ces valeurs aberrantes concernent les 10 années et nous sommes principalement intéressés par les jours où la panne de courant au Texas ??? |
| |
donc seulement quelques semaines en février 2021. |
| |
Nous allons donc désormais nous concentrer sur la période du 2 au 25 février 2021, qui correspond à peu près à la période de crise de panne. |
| |
Donc, encore une fois, seules les données de Houston sont prises en compte. Ainsi, sur ces trois semaines seulement, nous constatons que la température présente le plus grand nombre d'anomalies parmi tous les paramètres météorologiques. |
| |
et l'humidité présente une valeur aberrante. Néanmoins, la principale limite de l'outil de détermination des valeurs aberrantes de la plage de quantiles est qu'il ne prend pas en compte la multicolinéarité. |
| |
Nos recherches scientifiques montrent que l'humidité dépend à la fois du point de rosée et de la température. L'analyse des valeurs aberrantes n'est peut-être pas l'outil le plus précis, et le point de rosée reste peut-être l'un des facteurs les plus importants. |
| |
Pour une méthode alternative, nous avons essayé d’utiliser des variables de cluster, qui regroupent les différents paramètres météorologiques dans différents clusters. |
| |
Nous voulions donc voir si l’outil de variables de cluster pouvait nous aider à identifier un seul cluster composé des indicateurs météorologiques les plus importants pour la panne de courant de 2021. |
| |
Donc la carte des couleurs en haut à gauche, |
| |
il |
| |
représente graphiquement chacun des paramètres météorologiques sur l'axe des y, puis chacun des paramètres à nouveau sur l'axe des x et trace leur corrélation. |
| |
Ainsi, plus la cellule est bleue, plus les deux paramètres sont fortement corrélés négativement entre eux, et plus la cellule est rouge, plus les paramètres sont fortement corrélés positivement entre eux. |
| |
Sur la carte des couleurs, nous pouvons visualiser les quatre clusters différents, que nous pouvons également identifier dans le tableau des membres du cluster. |
| |
Le groupe 1 comprend tous les paramètres de température et de point de rosée, ce qui suggère que ce groupe pourrait comprendre les facteurs météorologiques les plus importants de la crise énergétique de 2021. |
| |
Le groupe 2 concerne la vitesse du vent et les précipitations, le groupe 3 l'humidité et le groupe 4 la pression. Voici donc les derniers groupes. |
| |
Cela ne nous donne pas vraiment d'informations, car nous ne sommes pas surpris que toutes les mesures d'humidité et de pression appartiennent à leur propre groupe et que la vitesse du vent et les précipitations soient corrélées. Le principal point à retenir de cette analyse est donc que le point de rosée et la température sont peut-être les plus corrélés. |
| |
Jusqu'à présent, nous savons que le point de rosée et la température sont peut-être les indicateurs météorologiques les plus importants, mais comment les conditions météorologiques de 2021 se comparent-elles aux conditions climatiques précédentes ? Et nos paramètres météorologiques actuels peuvent-ils détecter les conditions météorologiques défavorables à Houston ? |
| |
??? valeur aberrante majeure ? |
| |
Le graphique du haut est donc le résumé des clusters issus de notre analyse des rapports de clusters précédents et les deux graphiques du bas sont les graphiques de contrôle statistique des processus multivariés. |
| |
Nous avons donc d'abord effectué une analyse en composantes principales afin de réduire nos dimensions à partir des 16 variables. Celles-ci incluent tous nos paramètres météorologiques dans notre analyse en composantes principales. Cinq composantes principales sont nécessaires pour expliquer plus de 80 % de la variation totale. Cependant, nous ne pouvons pas vraiment les distinguer. |
| |
La situation météorologique de 2021, telle qu'elle est décrite dans le passé, est présentée en cinq composantes principales. Vous pouvez constater que les points rouges, qui correspondent aux moments où la crise s'est produite, sont à peine au-dessus de la ligne rouge, qui correspond au carré de notre limite de contrôle supérieure, et pas du tout… |
| |
Ce graphique montre que nous sommes incapables de détecter la véritable tendance et que nous nous appuyons trop sur les valeurs propres pour expliquer la situation météorologique. Nous avons donc essayé de supprimer le deuxième groupe ???. |
| |
car de tous les groupes, c'est celui qui explique le moins de variations. |
| |
Nous avons refait l'analyse en composantes principales. Cette fois, seules quatre composantes principales sont nécessaires pour expliquer au moins 80 % de la variation totale, mais nous ne parvenons toujours pas à les distinguer clairement. |
| |
La situation météorologique pendant la panne de courant de 2021 est différente des autres périodes. Comment pouvons-nous donc essayer d'augmenter le signal et de réduire ce bruit pour mieux distinguer la situation météorologique de 2021 des autres périodes ? |
| |
Revenons à nos résultats de clustering et voyons si nous pouvons sélectionner les variables les plus représentatives. Essayons donc |
| |
choisir les variables les plus représentatives de chaque cluster en fonction du résumé du cluster, |
| |
qui est déterminé à partir du R carré avec un... avec son propre cluster et un rapport moins R au carré. |
| |
R au carré avec son propre cluster représente la similarité de chacune des variables avec le centre du cluster. |
| |
Cette valeur ne peut donc pas vous indiquer la direction de la variable par rapport au centre, mais lorsque la distance est suffisamment proche |
| |
Entre la variable centrale, la direction importe moins. Il est intéressant de noter que les variables les plus représentatives sont les moyennes, et non les paramètres minimaux, car leur inclusion serait quelque peu redondante. |
| |
Après avoir sélectionné les variables de groupe en fonction de la température moyenne, de l'humidité moyenne, de la température moyenne du point de rosée et de la pression moyenne, nous n'avons besoin que de deux composantes principales pour expliquer 80 % de la variation, comme le montre le graphique T au carré à droite. |
| |
Et ici, vous pouvez voir juste un pic majeur, |
| |
qui comprend les jours de la crise de panne. Ainsi, en utilisant à la fois la variable de clustering et les composantes principales, nous pouvons distinguer avec succès la situation météorologique. |
| |
Lors de la panne de courant de 2021. Le graphique T carré révisé peut-il nous renseigner sur les paramètres météorologiques qui constituent les indicateurs les plus importants de la situation météorologique lors de la panne de 2021 ? |
| |
Crise ? Les résultats correspondent-ils à ceux de l'analyse des variables de cluster dans les recherches scientifiques antérieures ? |
| |
Nous voulions étudier la proportion de contribution de chacune de ces quatre variables, mais pour ce faire, nous ne pouvons sélectionner qu’un seul point de données. |
| |
Nous avons donc choisi l’échantillon numéro 270, qui présente la pire situation météorologique en 2021, car nous nous soucions avant tout des paramètres les plus importants dans le pire des cas. |
| |
Vous pouvez voir sur le graphique proportionnel des contributions à droite que la température moyenne dans les points de rosée sont les deux plus grands contributeurs et qu'il y a peu de contribution de la pression et aucune contribution de l'humidité. |
| |
Ce résultat peut donc indiquer que la température et le point de rosée sont les principaux facteurs contribuant à la situation météorologique, |
| |
Ce qui non seulement confirme notre analyse des variables de groupe, mais peut également être expliqué par la recherche scientifique. La température de l'air reste donc la principale contribution, mais le point de rosée, qui mesure l'humidité, est également un facteur déterminant du gel. |
| |
Auparavant, nous avions besoin de quatre clusters pour représenter 90 % de la variation dans l'analyse en composantes principales, mais nous n'en avons désormais besoin que de deux après avoir choisi la variable la plus représentative de chaque cluster, pour un total de quatre paramètres, |
| |
ce qui confirme que le criblage est bénéfique pour améliorer le rapport signal sur bruit. |
| |
Pour choisir celles qui suffisent, il faut se baser sur le principe de Pareto, qui stipule que les quelques 20 % de causes vitales sont responsables de 80 % des résultats d’une situation donnée. |
| |
Si vous examinez ces vecteurs propres de plus près, vous pouvez voir que le premier vecteur propre est composé de tous les quatre paramètres de manière assez uniforme, car leurs amplitudes sont toutes autour de 0,5 sur le deuxième composant principal qui est principalement constitué de température et d'humidité. |
| |
Pas le point de rosée. Cela pourrait indiquer que le point de rosée n'a pas été un facteur important au cours des dix dernières années. La prochaine étape logique consiste donc à considérer l'analyse en composantes principales uniquement pour 2021. |
| |
Cependant, la taille de l’échantillon serait alors trop petite, car nous ne disposons que de 20 points de données en février 2021. |
| |
Bien que nous ne disposions pas d'un échantillon suffisamment grand pour effectuer une analyse en composantes principales uniquement sur 2021, voyons si nous pouvons visualiser une différence entre les paramètres les plus importants de la dernière décennie, |
| |
Par rapport à une seule. À gauche, nous avons la carte thermique des proportions de contribution au cours de la dernière décennie, et à droite, celle de cette année seulement. |
| |
Les champs plus sombres indiquent un écart plus important et un contraste plus marqué par rapport à la situation normale. Ainsi, si l'on examine le graphique de février 2012 à 2021, on constate que la température et le pourcentage d'humidité sont les facteurs les plus importants, d'après les cellules plus sombres. |
| |
L'humidité peut être importante en raison de la température, car elle dépend à la fois de la température et du point de rosée. Cela pose donc à nouveau des problèmes de multicolinéarité. Si nous regardons ??? |
| |
En revanche, si l'on considère uniquement les semaines autour de la crise de panne de courant, celles-ci sont en vert |
| |
À droite, vous pouvez voir que la température et le point de rosée contiennent les cellules les plus sombres. Cela montre donc une fois de plus que le point de rosée pourrait être un indicateur plus important lors de la crise de 2021, mais qu'il n'a peut-être pas été un indicateur historique pour les situations météorologiques passées. |
| |
Vous disposez donc de ce graphique de contrôle initial. On peut constater que la situation météorologique lors de la panne de courant est aberrante, mais à quel point était-elle rare et unique ? Le carré en bas de ce graphique |
| |
Représente graphiquement les deux composantes principales. Il inclut différentes ellipses de confiance. Le point en haut à gauche correspond au 15 février 2021. |
| |
Lorsqu'une des tempêtes les plus dévastatrices a frappé le Texas, on peut constater que le point se situe en dehors de l'ellipse de confiance à 99,5 %, représentée par la ligne orange. |
| |
Mais à l'intérieur de l'ellipse de confiance à 99 %, la ligne bleue. Cela signifie donc que la situation météorologique du 15 se produit une fois tous les 200 jours. Comme février compte 28 jours, la probabilité qu'elle se produise, d'après les données passées, est égale à 28 jours divisés par 200, soit |
| |
un en sept ans. |
| |
??? la probabilité d'occurrence future d'une situation similaire... la situation météorologique peut être plus probable et peut être encore pire avec le réchauffement climatique. |
| |
Les quatre points se situent également dans le quadrant supérieur gauche, qui est opposé aux vecteurs de point de rosée et de température, montrant une fois de plus que le point de rosée et la température sont les principaux contributeurs aux conditions météorologiques extrêmes de la crise des pannes de courant de 2021. |
| |
Une autre façon de comparer l'année 2021 |
| |
La situation avec la situation météorologique normale au cours des 10 dernières années consiste à comparer le graphique de contribution du 15 février au point central du graphique de score, |
| |
Ce qui sert en quelque sorte de médiane pour… des 10 années. Le graphique en haut à droite représente l'échantillon numéro 270, qui correspond au jour où les conditions météorologiques ont été les plus défavorables pendant la crise de la panne de courant. |
| |
Le graphique du bas représente l'échantillon numéro 131, qui constitue le point central du graphique des scores. Il est intéressant de noter que l'échantillon numéro 270 présente les principales contributions de la température et du point de rosée, tandis que l'échantillon numéro 131 ne présente que la pression. |
| |
Ce graphique nous montre donc que ce n’est pas seulement le point de rosée qui devient un facteur plus important dans les conditions météorologiques instables, mais que la température est également devenue plus importante, probablement en raison du réchauffement climatique. |
| |
La température et le point de rosée sont désormais des indicateurs plus importants de la situation météorologique que la pression et l’humidité. |
| |
Alors, que fait le gouvernement du Texas pour éviter de futures crises de pannes de courant ? |
| |
Quelques jours après la fin de la panne, le gouverneur Abbott s'est adressé au public, appelant à l'hivernage des équipements électriques. |
| |
La Chambre a également adopté une nouvelle législation visant à réformer les procédures d'urgence. Cependant, nombreux sont ceux qui estiment que cette nouvelle législation ne permettra pas de prévenir de futures crises, compte tenu de la hausse des températures. |
| |
Le seuil de déclenchement des conditions météorologiques extrêmes est en réalité inférieur à celui des conditions de gel lors de la crise de 2021. En mars 2021, la Chambre des représentants n'avait adopté aucune loi. |
| |
qui nécessitent l'hivernage des centrales électriques. Un ancien conseiller stratégique d'ERCOT estime que la clé pour prévenir les pannes est de planifier l'avenir et de réellement considérer le changement climatique comme un facteur majeur. |
| |
préventif |
| |
mesures. |
| |
Donc, en conclusion, nous avons étudié la science derrière la température du point de rosée, la température de l’air, l’humidité et la pression et comment elles étaient liées et connectées les unes aux autres. |
| |
L'outil de quantiles aberrants ne parvient pas à prendre en compte de multiples problèmes et nous savons que l'humidité a un impact sur la température du point de rosée et |
| |
Température de l'air. Nous avons donc utilisé des variables de groupe pour voir si nous pouvions identifier les facteurs météorologiques les plus importants, en fonction de ces groupes. |
| |
Nous avons optimisé le diagramme de contrôle statistique du processus en utilisant l'analyse en composantes principales. Nous avons choisi les quatre variables les plus représentatives : l'humidité, le point de rosée, la température et la pression. |
| |
Nous avons également étudié les contributions de ces variables, plus généralement en utilisant la carte thermique et, plus spécifiquement en utilisant le graphique de proportion de contribution pour l'échantillon numéro 270, qui avait la pire situation météorologique, et en comparant ces résultats avec le point central du graphique de score. |
| |
Nous avons constaté que |
| |
La température et le point de rosée étaient des indicateurs météorologiques importants pour de futures catastrophes similaires, notamment compte tenu de l'imprévisibilité croissante des conditions météorologiques qui accompagne le changement climatique et le réchauffement climatique. C'est tout pour aujourd'hui. Merci de votre écoute. |
