756836_ko-KR

liliconcom

이상치 및 클러스터링 도구: 2021년 텍사스 전력 위기의 중요한 기상 요인 파악(2021-US-30MP-819)

메이슨 첸, 스탠포드 OHS

2021년 텍사스 전력 위기는 주 역사상 가장 큰 손실을 초래한 재난이었습니다. 이 프레젠테이션에서는 JMP 이상치 및 클러스터 도구를 구현하여 어떤 기상 지표가 가장 큰 영향을 미쳤는지 파악합니다. 공기 온도와 이슬점 온도는 파이프 파열에 직접적인 영향을 미쳤기 때문에 정전의 가장 중요한 요인으로 확인되었습니다. 이전 연도의 기상 패턴을 비교하기 위해 클러스터 샘플링을 사용하여 2012년부터 2021년까지 휴스턴의 2월 매일 12가지 변수를 수집했습니다. 분위수 범위 이상치는 기온이 2021년의 주요 이상치임을 감지했지만, 분석에서는 모든 기상 변수가 독립적이라고 가정했습니다(단, 습도는 공기 온도와 이슬점 모두에 따라 달라짐). 주성분 통계적 공정 관리 차트도 마찬가지로 결정적이지 않은 결과를 보였습니다. 고유값은 올해의 주요 원인을 밝히는 대신 10년 전체에 걸친 상황을 고려했기 때문입니다. 클러스터 변수는 가장 대표적인 변수를 파악하는 데 도움이 되었으며, 이상치 분석에서는 확인할 수 없었던 이슬점(dew point)이 이제 과학적 연구와 연계된 SPC 분석에서 관찰되었습니다. 히트맵과 점수 플롯은 2021년 기후와 지난 10년의 차이를 평가하는 데 추가로 활용되었습니다.

자동 생성된 대본...

스피커	성적 증명서
메이슨 첸	안녕하세요 여러분. 시청해 주셔서 감사합니다. 저는 메이슨입니다. 오늘은 습도와 같은 중요한 지표에 대한 연구를 발표하겠습니다.
	2021년 텍사스 정전 당시 기온과 이슬점 수준을 측정하여 앞으로 이와 유사한 재난이 발생하지 않도록 예방합니다.
	따라서 2021년 정전 위기는 텍사스 지역 주민뿐만 아니라 텍사스의 천연가스와 석유에 의존하는 미국 내 다른 지역에도 텍사스 역사상 가장 큰 손실을 입힌 재난이었습니다.
	천연가스 처리 용량이 가장 큰 주이며, 전국의 모든 주가 위기에 영향을 받았습니다.
	그래서 우리는 앞으로 유사한 재난이 재발하지 않도록 도울 수 있는지 알아보고 싶었습니다. 이번 위기를 초래한 데에는 여러 정치적, 재정적 요인이 있었지만,
	또한 우리는 이 사건을 보다 종합적으로 평가하고 접근하기 위해 과학적, 환경적 요소를 고려하고 싶었습니다.
	이를 위해 우리는 2012년부터 2021년까지 매년 2월마다 휴스턴의 과거 기상 패턴을 연구하기로 했습니다. 휴스턴은 가장 큰 피해를 입은 도시 중 하나였기 때문입니다.
	우리는 2021년 시즌 동안 기상 상황이 얼마나 드물었는지 이해하기 위해 이상치 방법과 클러스터링 도구를 사용할 것입니다.
	지난 몇 년과 비교했을 때, 그리고 과학적, 환경적 요인에 대한 이해를 통해 미래의 잠재적 위기에 가장 중요한 기상 지표를 식별하는 데 도움이 됩니다.
	따라서 프레젠테이션의 전반적인 틀에 들어가기에 앞서, 이벤트의 배경과 이 프로젝트의 동기를 간략히 설명하고자 합니다.
	텍사스 정전 사태는 2021년 2월에 발생했으며, 많은 소식통은 이 사건이 주 정부가 사전에 전기 시스템을 준비하지 못한 데 기인한다고 주장합니다.
	사실 올해가 텍사스에서 대규모 정전이 처음 발생한 것은 아니었습니다. 10년 전인 2011년, 역시 2월 중순에 발생한 그라운드호그 데이 눈보라로 인해 여러 도시의 천연가스 발전소가 완전히 얼어붙었습니다.
	텍사스주는 주 내 약 4분의 3에 대해 통행금지령을 내렸습니다.
	북미...북미 전기 신뢰성 공사는 텍사스 전기 신뢰성 위원회(약칭 ERCOT)와 계획 협상을 시도했습니다.
	주 발전소 인프라를 개선하기 위한 조치였지만, 비용 문제로 대부분 무시되었습니다. 많은 석유 생산업체는 발전소가 동결될 위험을 감수했습니다.
	매년 보통 2~3일 정도 발생하지만 기후 변화로 인해 위험과 빈도가 커졌고 날씨가 더욱 예측 불가능해졌습니다.
	올해 2월 일련의 겨울 폭풍이 텍사스를 휩쓸었을 때, 발전소는 사전에 대비하지 못해 극심한 동결 조건을 견뎌낼 수 없었습니다.
	그리고 풍력과 같은 재생 가능 에너지와 석탄, 천연 가스와 같은 재생 불가능 에너지를 포함하여 많은 에너지원이 작동을 멈췄습니다.
	이에 ERCOT는 장비 문제를 처리할 수 없어 주 전역에 순환 정전을 시행했습니다.
	극심한 기상 조건으로 인해 많은 농작물이 파괴되어 식량 부족이 발생했고, 계속되는 정전으로 많은 시민들이 집에서 얼어붙고 저체온증에 시달렸습니다.
	약 2주 동안 무슨 일이 있었는지 간략하게 살펴보겠습니다. 2월 초 텍사스에 여러 차례 폭풍이 몰아쳤는데, 그중 하나가 겨울 폭풍 '우리(Uri)'였습니다. 이 폭풍은 텍사스 여러 지역을 더욱 심각한 상황으로 몰아넣었습니다. 그 직후,
	전력 수요는 69,000메가와트를 기록하며 주 최고 기록을 세웠고, 이는 기존 기록인 65,000메가와트를 넘어선 수치입니다.
	그리고 다음 날, ERCOT는 취약한 전력 장비의 손상과 전력 수요 증가로 인해 정전을 시행하기 시작했습니다. 순환 정전은 마침내 2월 19일에 종료되었습니다.
	위성 사진으로 촬영한 겨울 폭풍의 모습을 보시겠습니다. 왼쪽 사진은 텍사스에 첫 번째 눈보라가 몰아치기 직전에 촬영되었습니다.
	두 번째 촬영은 상황이 절정에 달했을 때였습니다. 그래서 저는 모든 도시 중 가장 큰 대조를 이루는 휴스턴을 특별히 보여드렸습니다. 가장 큰 피해를 입었던 곳이니까요.
	휴스턴에 집중하는 이유이기도 합니다. 2월 말과 비교했을 때 2월 중순에는 전기 공급이 확실히 줄어드는 것을 볼 수 있습니다.
	따라서 상황의 광범위한 영향과 정전의 가능한 원인을 이해한 후 우리는 더 나은 해결책을 제시할 수 있는 특정 기상 지표가 있는지 알아보고 싶었습니다.
	정전의 구체적인 환경적 원인을 파악하여 향후 겨울철 초기에 중요한 기상 지표에 주의를 기울여 위기에 더 일찍 대비할 수 있는 참고 자료로 활용할 수 있습니다.
	앞서 말했듯이, 우리는 이 프로젝트에 휴스턴의 날씨 정보를 사용할 것입니다. 휴스턴은 가장 큰 피해를 입은 도시 중 하나였기 때문입니다.
	먼저, 이러한 지표의 과학적 원리와 그 차이점, 그리고 지표가 의미하는 바를 이해해 보겠습니다.
	그리고 다양한 이상치 클러스터링 도구를 사용하여 휴스턴의 2월 동안 지난 10년과 비교했을 때 이러한 날씨 지표 중 어느 것이 가장 달랐는지 연구하고 2021년 2월 기후가 얼마나 독특했는지 비교할 것입니다.
	프레젠테이션 전반에 걸쳐 통계 분석과 결과를 환경 과학과 연결하여 2021년 텍사스 정전에 가장 큰 영향을 미친 기상 요인이 무엇인지 파악하려고 노력할 것입니다.
	우리가 가장 먼저 떠올린 질문 중 하나는 이 위기에 기여한 구체적인 환경 요인이 무엇이냐는 것이었습니다. 폭풍과 겨울철 대비 부족이 일반적인 요인이라는 것을 알고 있습니다.
	하지만 모든 폭풍이 취약한 전력 장비의 동결로 이어지는 것은 아닙니다. 그래서 저희는 어떤 기상 요인이 전력 시스템 고장을 유발하는지 알아보고, 미래에 대비할 수 있도록 돕고 싶었습니다.
	우리는 휴스턴을 통해 이 문제를 살펴보고, 호우트슨의 날씨 요인을 우리가 그렇게 큰 피해를 입지 않은 텍사스의 다른 도시들과 비교하기로 했습니다.
	우리가 댈러스를 선택한 이유는 두 곳이 매우 가깝고 두 곳 모두 동일한 전력 시스템을 사용하기 때문에 비교를 위한 좋은 기준이 되기 때문입니다.
	오른쪽은 휴스턴과 댈러스의 2월 날씨 통계입니다. 흥미롭게도, 최고 평균 기온이든 최저 기온이든 기온 지표를 살펴보면,
	댈러스는 항상 기온이 낮습니다.
	따라서 기온이 낮아지면 장비가 결빙될 위험이 높아질 것으로 예상되지만, 여기서는 그렇지 않은 것 같습니다. 따라서 이슬점 온도는
	가장 큰 요인으로, 휴스턴의 이슬점 온도가 텍사스보다 높다면 이슬점 온도가 동결 위험을 나타내는 가장 중요한 지표가 아닐까 하는 의문이 생깁니다.
	그렇다면 이슬점 온도란 무엇이고, 왜 중요하며, 일반적인 온도 측정과 어떻게 다른가요?
	온도는 특히... 공기 온도는 공기 분자의 속도를 측정하는 것이므로 분자가 더 빨리 움직일수록,
	운동 에너지가 클수록, 온도가 높을수록 응결은 일어납니다. 응결은 공기의 온도에 따라 달라집니다. 따라서 기온이 낮으면 물 분자의 움직임이 느려지고, 이로 인해 물 분자의 인력이 작용하여 서로 달라붙게 됩니다.
	상대 습도, 또는 그냥 습도는 증발에 사용할 수 있는 에너지가 물 분자를 서로 분리하여 응축을 방지하는 데 얼마나 사용되었는지를 측정하는 기준입니다.
	상대 습도가 25%라면, 사용 가능한 에너지의 25%가 호수와 같은 수역에서 물을 증발시키는 데 사용되었고, 나머지 75%의 에너지는 추가 증발에 사용할 수 있다는 뜻입니다.
	상대 습도는 기온과 이슬점 온도에 비례하기 때문에 약간 오해의 소지가 있습니다. 상대 습도 자체가 습도를 독립적으로 측정하는 것은 아닙니다.
	따라서 이슬점은 응축이 처음 시작되는 온도입니다. 즉, 기온이 이슬점 온도 아래로 떨어지면 응축이 시작됩니다.
	습도와 달리 이슬점 온도가 상승하는 것은 공기 중 수분량이 증가하기 때문입니다. 다시 말해, 이슬점 온도는 공기 중 수분량을 독립적으로 측정하는 지표입니다.
	하지만 반면에 습도는 기온과 이슬점 온도의 차이에 따라 달라집니다.
	따라서 이슬점 온도가 기온과 같을 때 상대 습도는 100%가 됩니다.
	이슬점 온도와 기온의 차이가 클수록 상대 습도는 낮아집니다. 따라서 상대 습도가 변하는 것은 온도 변화나 습도 변화, 또는 둘 다 때문일 수 있습니다.
	이제, 기온, 상대 습도, 이슬점은 대기압과 어떤 관련이 있을까요? 이슬점은 대기압과 무관합니다.
	???는 압력이 온도에 따라 직접적으로 변한다고 말합니다. 따라서 기체가 있으면 분자들이 더 빨리 움직이고 용기 벽 안에서 더 자주 올라가면서 압력이 증가합니다.
	습도는 압력과도 직접적인 관련이 있습니다. 공기 중에 일정량의 수증기가 있을 때 공기의 부피를 응축시키면 압력이 증가하고 공기 중 수분의 전체 비율인 상대 습도도 증가합니다.
	따라서 이 정보를 기반으로 이슬점 온도와 기온이 동결 위험을 결정하는 데 가장 중요한 두 가지 변수라고 생각할 수 있습니다.
	공기의 움직임과 날씨의 시원함 모두 중요합니다. 이제 이것이 실제로 날씨 통계에 반영되는지 살펴보겠습니다.
	좋습니다. 이제 우리는 날씨에 대한 더 많은 지식을 갖추게 되었습니다... 과학과 그 지표가 의미하는 바에 대해서요.
	우리는 통계 분석을 통해 습도 수준이나 이슬점이 증가했는지 여부를 조사할 수 있습니다.
	2021년 기상 상황에 큰 영향을 미칩니다. 따라서 데이터를 수집하기 위해 군집화 표본 추출법을 사용합니다. 군집화 표본 추출법은 모집단을 여러 군집으로 나눈 후 네 개의 군집을 선택하는 표본 추출법입니다. 예를 들어, 2월을 선택했습니다.
	지난 10년 동안의 자료를 수집했는데, 올해 2월에 정전이 발생했기 때문에 샘플에서 월별, 계절별 변화를 고려하고 싶지 않았습니다.
	기후 변화로 인해 날씨가 점점 더 악화될 수 있기 때문에, 저희는 전년도뿐만 아니라 지난 10년 전체의 데이터를 수집하고자 합니다. 올해는 지금까지 최악의 시즌을 보내고 있으며, 다른 해들과 비교해 보면 그 차이가 더욱 뚜렷해질 것입니다.
	우리는 2012년 2월부터 2021년까지의 일일 날씨 통계를 수집했는데, 이는 2월에 최소 28일이 있고 윤년에는 3일이 더 있으므로 총 표본 크기가 283일이라는 것을 의미합니다.
	그리고 매일 우리는 최고 평균 및 최저 기온, 이슬점, 습도, 풍속 및 기압을 수집했고 강수량도 수집했습니다.
	우리는 최대 평균과 최소값을 수집했는데, 그 이유는 하나가 다른 하나보다 더 중요하고 정확한 측정값이 될 수 있기 때문이지만, 아직은 그 사실도 알 수 없기 때문입니다.
	283일의 표본 크기도 검정력 검정을 통과했습니다. 검정력은 귀무가설을 올바르게 기각할 확률입니다. 따라서 더 많은 데이터를 수집할 필요는 없습니다.
	그래서 우리는 어떤 날씨 지표가
	이상치가 있습니다. 매개변수에 이상치가 많을수록 해당 지표는 극한 기상 조건에 더 쉽게 영향을 받을 가능성이 높으며, 이는 향후 상황에 대한 더 중요한 참고 자료가 될 것입니다.
	따라서 여기서는 10년 전체에 대한 분위수 범위 이상치를 분석했습니다. 이상치 기준은 사분위수 범위를 기반으로 결정됩니다.
	IQR은 해당 변수의 모든 값의 75번째 백분위수를 갖는 분위 3과 분위 1에서 25번째 백분위수까지의 차이입니다. 따라서 하한 이상치 임계값은 분위 1에서 IQR의 1.5배를 뺀 값으로, 상한 이상치 임계값은 분위 3에 IQR의 1.5배를 더한 값으로 결정되었습니다.
	최대치에 대한 이상치는 꽤 많습니다...
	최대 습도 백분율과 강수량.
	하지만 이런 이상치는 10년 동안의 일이며, 우리가 주로 관심을 갖는 것은 텍사스 정전이 있었던 시절입니다.
	그러니까 2021년 2월 몇 주밖에 안 됐어요.
	따라서 이제 우리는 대략 정전 위기가 발생한 기간인 2021년 2월 2일부터 2월 25일까지의 기간에 초점을 맞추겠습니다.
	다시 한번 말씀드리지만, 이는 휴스턴의 데이터만 고려한 것입니다. 따라서 이 3주 동안만 봐도 기온이 모든 기상 변수 중 이상치를 가장 많이 가지고 있음을 알 수 있습니다.
	습도에는 이상치가 하나 있습니다. 그럼에도 불구하고, 분위수 범위 이상치 도구의 주요 한계는 다중공선성을 고려하지 못한다는 것입니다.
	그리고 저희의 과학적 연구를 통해 습도는 이슬점과 온도 모두에 따라 달라진다는 것을 알게 되었습니다. 이상치 분석이 가장 정확한 도구는 아닐 수 있으며, 이슬점은 여전히 ​​더 중요한 요인 중 하나일 수 있습니다.
	대체 방법으로, 우리는 클러스터 변수를 사용해보았습니다. 이는 다양한 날씨 매개변수를 서로 다른 클러스터로 그룹화하는 것입니다.
	그래서 우리는 클러스터 변수 도구가 2021년 정전에 대한 가장 중요한 기상 지표로 구성된 단일 클러스터를 식별하는 데 도움이 될 수 있는지 알아보고 싶었습니다.
	그래서 왼쪽 상단의 색상 맵은
	그것
	각 날씨 매개변수를 y축에 그래프로 표시한 다음 다시 각 매개변수를 x축에 표시하고 상관관계를 표시합니다.
	따라서 셀이 파란색일수록 두 매개변수는 서로 강하게 음의 상관관계를 가지고 있고, 셀이 빨간색일수록 두 매개변수는 서로 강하게 양의 상관관계를 가지고 있습니다.
	색상 맵에서 우리는 4개의 서로 다른 클러스터를 시각화할 수 있으며, 이는 클러스터 멤버 테이블에서도 식별할 수 있습니다.
	클러스터 1은 모든 온도와 이슬점 매개변수로 구성되어 있으며, 이 클러스터가 2021년 전력 위기의 가장 중요한 기상 요인으로 구성되어 있을 수 있음을 시사합니다.
	클러스터 2는 풍속과 강수량으로 구성되고, 클러스터 3은 습도, 그리고 클러스터 4는 기압으로 구성됩니다. 따라서 마지막 몇 개의 클러스터는
	습도와 기압 측정값이 모두 자체 클러스터에 속하고 풍속과 강수량이 상관관계를 보이는 것은 놀랍지 않기 때문에 큰 통찰력을 제공하지는 못합니다. 따라서 이 분석의 핵심은 이슬점과 기온이 가장 상관관계가 높을 수 있다는 것입니다.
	지금까지 이슬점과 기온이 가장 중요한 기상 지표라는 것은 알고 있습니다. 하지만 2021년 기상 패턴은 이전 기후와 전반적으로 어떻게 비교될까요? 그리고 현재 기상 지표로 휴스턴의 날씨를 감지할 수 있을까요?
	??? 주요 이상치?
	따라서 위쪽 차트는 이전 클러스터 보고서 분석의 클러스터 요약이고 아래쪽 두 차트는 다변량 통계적 공정 관리 차트입니다.
	그래서 먼저 16개 변수의 차원을 줄이기 위해 주성분 분석을 실행했습니다. 주성분 분석에는 모든 날씨 변수가 포함됩니다. 전체 변동의 80% 이상을 설명하려면 5개의 주성분이 필요합니다. 하지만 실제로는 구분할 수 없습니다.
	5개의 주성분을 사용하여 과거 기상 상황으로부터 2021년 상황을 예측해 보겠습니다. 정전 위기 발생 시점을 나타내는 빨간색 점은 관리 상한선의 T제곱인 빨간색 선 바로 위에 있으며, 전혀 그렇지 않다는 것을 알 수 있습니다...???
	따라서 이 그래프는 실제 패턴을 감지할 수 없고, 대신 날씨 상황을 설명하는 데 고유값에 지나치게 의존하고 있음을 보여줍니다. 그래서 두 번째 ??? 클러스터를 제거해 보았습니다.
	모든 클러스터 중에서 변동을 가장 적게 설명하기 때문입니다.
	그리고 주성분 분석을 다시 했습니다. 이번에는 전체 변동의 최소 80%를 설명하는 데 네 개의 주성분만 필요하지만, 여전히 명확하게 구분할 수 없습니다.
	2021년 정전 사태 당시의 날씨 상황을 다른 시간대와 비교했을 때, 2021년 날씨 상황을 다른 시간대와 더 잘 구분하기 위해 신호를 더 많이 보내고 잡음을 줄이는 다른 방법은 무엇일까요?
	자, 이제 클러스터 변수 결과로 돌아가서 가장 대표적인 변수를 선별할 수 있는지 확인해 보겠습니다.
	클러스터 요약을 기반으로 각 클러스터의 가장 대표적인 변수를 선택합니다.
	이는 R 제곱에서 하나의 클러스터와 하나의 R 제곱 비율을 뺀 값으로부터 결정됩니다.
	자체 클러스터가 있는 R 제곱은 각 변수가 클러스터의 중심과 얼마나 유사한지를 나타냅니다.
	따라서 이 값은 중심과 비교했을 때 변수의 방향을 알려줄 수 없지만 거리가 충분히 가까울 때
	중앙 변수들 사이에서 방향은 그다지 중요하지 않습니다. 흥미롭게도, 가장 대표적인 변수는 평균이고, 최소 매개변수는 포함하지 않기 때문에 중복될 수 있습니다.
	평균 기온, 평균 습도, 평균 이슬점 온도, 평균 기압 등 클러스터 변수를 기준으로 선별한 후, 오른쪽 T 제곱 차트에서 볼 수 있듯이 변동의 80%를 설명하는 데는 두 가지 주성분만 필요합니다.
	그리고 여기서, 당신은 단 하나의 주요 스파이크를 볼 수 있습니다.
	정전 위기 기간 동안의 날짜로 구성됩니다. 따라서 클러스터링 변수와 주성분을 모두 사용하여 날씨 상황을 성공적으로 구분할 수 있습니다.
	2021년 정전 당시. 그렇다면 수정된 T제곱 차트를 통해 2021년 정전 당시 기상 상황을 나타내는 가장 중요한 지표가 무엇인지 알 수 있을까요?
	위기 상황인가요? 결과가 기존 과학 연구의 클러스터 변수 분석 결과와 일치하나요?
	우리는 이 네 가지 변수 각각의 기여 비율을 연구하고 싶었지만, 이를 위해서는 단 하나의 데이터 포인트만 선택할 수 있었습니다.
	그래서 우리는 2021년 최악의 기상 상황을 보여주는 샘플 번호 270을 선택했습니다. 최악의 시나리오에서 어떤 매개변수가 가장 중요한지 알아보는 것이 우리의 가장 중요한 관심사이기 때문입니다.
	오른쪽의 기여도 비례 그래프에서 볼 수 있듯이, 이슬점의 평균 온도가 두 가지 가장 큰 기여 요인이고, 압력은 거의 기여하지 않으며 습도는 전혀 기여하지 않습니다.
	따라서 이 결과는 온도와 이슬점이 날씨 상황에 가장 큰 영향을 미치는 요인임을 시사할 수 있습니다.
	이는 우리의 클러스터 변수 분석을 뒷받침할 뿐만 아니라 과학적 연구로도 설명할 수 있습니다. 따라서 기온이 여전히 가장 큰 영향을 미치지만, 습도를 측정하는 이슬점 또한 결빙에 큰 영향을 미치는 요인입니다.
	이전에는 주성분 분석에서 변동의 90%를 설명하기 위해 4개의 클러스터가 필요했지만 이제는 각 클러스터에서 가장 대표적인 변수를 선택한 후 2개만 필요하므로 총 4개의 매개변수가 필요합니다.
	이는 스크리닝이 신호 대 잡음비를 향상시키는 데 유익하다는 것을 확인시켜 줍니다.
	파레토 법칙에 따라 어느 것이 충분한지 선택합니다. 파레토 법칙은 주어진 상황에서 중요한 20%의 원인이 전체 결과의 80%를 설명한다는 법칙입니다.
	고유벡터를 자세히 살펴보면 첫 번째 고유벡터는 모든 네 개의 매개변수로 구성되어 있으며 크기가 모두 두 번째 주성분에 대해 0.5 정도이고 주로 온도와 습도로 구성되어 있음을 알 수 있습니다.
	이슬점이 아닙니다. 이는 이슬점이 지난 10년 동안 중요한 요인이 아니었음을 시사할 수 있으므로, 논리적으로 다음 단계는 2021년에 대한 주성분 분석을 고려하는 것입니다.
	하지만 2021년 2월의 데이터 포인트가 20개뿐이므로 표본 크기가 너무 작을 것입니다.
	2021년에만 주성분 분석을 실행하기에 충분히 큰 표본 크기가 없지만 지난 10년 동안 가장 중요한 매개변수 간의 차이점을 시각화할 수 있는지 살펴보겠습니다.
	단 하나에 비교했을 때 말이죠. 왼쪽에는 지난 10년간 기여도 비율에 대한 히트맵이 있고, 오른쪽에는 올해만 나와 있습니다.
	어두운 영역일수록 편차가 크고 평상시와 대비가 더 뚜렷함을 나타냅니다. 따라서 2012년 2월부터 2021년 2월까지의 그래프를 보면 어두운 셀을 기준으로 온도와 습도가 가장 중요한 요인임을 알 수 있습니다.
	습도는 온도와 이슬점 모두에 영향을 받기 때문에 온도 때문에 중요할 수 있습니다. 따라서 이 경우에도 다중공선성 문제가 발생합니다. ???를 살펴보면,
	반면, 녹색으로 표시된 정전 위기를 중심으로 몇 주만 살펴보면,
	오른쪽에서 온도와 이슬점 셀이 가장 어두운 것을 확인할 수 있습니다. 이는 이슬점이 2021년 정전 사태에서 더 중요한 지표일 수 있지만, 과거 기상 상황에서는 그렇지 않았을 수 있음을 다시 한번 보여줍니다.
	이 초기 공정 관리도를 보면, 정전 사태 당시 기상 상황이 특이치라는 것을 알 수 있습니다. 하지만 얼마나 드물고 독특한 상황이었을까요? 이 그래프 하단의 사각형은
	두 주성분을 그래프로 나타냅니다. 여기에는 다양한 신뢰 타원이 포함되어 있습니다. 왼쪽 상단 지점은 2021년 2월 15일입니다.
	가장 치명적인 폭풍 중 하나가 텍사스를 강타했을 때입니다. 이 지점이 주황색 선인 99.5% 신뢰 타원 밖에 있는 것을 보실 수 있습니다.
	하지만 99% 신뢰 타원, 즉 파란색 선 안에 있습니다. 즉, 15일의 날씨 상황은 200일에 한 번 발생한다는 것을 의미하며, 2월은 28일이므로 과거 데이터를 기반으로 28일을 200으로 나눈 값과 같습니다.
	7년에 한 번.
	??? 유사한 상황이 미래에 발생할 확률...날씨 상황은 더 높아질 수 있으며 지구 온난화로 인해 더욱 악화될 수도 있습니다.
	또한 4개의 점은 이슬점과 온도 벡터와 반대인 왼쪽 상단 사분면에 있으며, 이는 이슬점과 온도가 2021년 정전 사태의 극심한 기상 조건에 주요 요인이라는 것을 다시 한번 보여줍니다.
	2021년을 비교할 수 있는 또 다른 방법은 다음과 같습니다.
	지난 10년간의 정상적인 날씨 상황과 비교하는 가장 좋은 방법은 2월 15일 기여 플롯을 점수 플롯의 중심점과 비교하는 것입니다.
	10년 동안의 중간값 역할을 하는 그래프입니다. 오른쪽 위 그래프는 270번 샘플인데, 정전 사태 당시 기상 상황이 가장 나빴던 날입니다.
	아래쪽 그래프는 점수 플롯의 중심점인 샘플 번호 131입니다. 흥미롭게도 샘플 번호 270은 온도와 이슬점의 영향을 크게 받는 반면, 샘플 번호 131은 기압만 영향을 받습니다.
	이 그래프는 불안정한 기상 조건에서 이슬점만이 더 중요한 요소가 되는 것이 아니라 기온 역시 더 중요해졌음을 보여줍니다. 아마도 지구 온난화 때문일 것입니다.
	이제는 기압과 습도보다 온도와 이슬점이 날씨 상황을 나타내는 더 중요한 지표가 되었습니다.
	그렇다면 텍사스 정부는 미래의 정전 위기를 막기 위해 무엇을 하고 있을까?
	정전이 끝난 지 며칠 후, 애벗 주지사는 대중에게 연설을 하며 전력 장비의 동계화를 촉구했습니다.
	하원은 비상 절차 개혁을 위한 몇 가지 새로운 법안을 추진했습니다. 그러나 많은 사람들은 새로운 법안이 기온 상승으로 인한 미래의 위기를 예방하기에 충분하지 않다고 생각합니다.
	극한 기상 조건에 대한 기준은 실제로 2021년 위기 당시의 동결 조건보다 낮습니다. 2021년 3월 현재, 주 의회는 어떠한 법률도 통과시키지 않았습니다.
	발전소의 동계화 작업이 필요합니다. ERCOT의 한 전직 전략 고문은 정전 예방의 핵심은 미래를 계획하고 기후 변화를 중요한 요인으로 고려하는 것이라고 생각합니다.
	예방적
	조치.
	결론적으로 우리는 이슬점 온도, 기온, 습도, 압력의 과학적 원리를 연구했고, 이들이 서로 어떻게 연관되어 연결되어 있는지 살펴보았습니다.
	분위수 이상치 도구는 여러 문제를 고려하지 못하며 습도가 이슬점 온도에 영향을 미친다는 사실을 알고 있습니다.
	기온. 그래서 우리는 클러스터 변수를 사용하여 클러스터를 기반으로 가장 중요한 날씨 요인을 식별할 수 있는지 살펴보았습니다.
	주성분 분석을 이용하여 통계적 공정 관리도를 최적화했습니다. 습도, 이슬점, 온도, 압력 등 가장 대표적인 네 가지 변수를 선택했습니다.
	또한, 우리는 일반적으로 열 지도를 사용하여 이러한 변수의 기여도를 연구했으며, 더 구체적으로는 가장 나쁜 기상 상황을 보인 샘플 번호 270에 대한 기여 비율 플롯을 사용하여 이러한 변수의 기여도를 연구하고, 이 결과를 점수 플롯의 중심점과 비교했습니다.
	우리는 그것을 발견했습니다
	기온과 이슬점은 향후 유사한 재난 발생 시 중요한 기상 지표였으며, 특히 기후 변화와 지구 온난화로 인해 날씨 예측이 점점 더 어려워지고 있다는 점을 고려할 때 더욱 그렇습니다. 오늘은 여기까지입니다. 들어주셔서 감사합니다.

고급 통계 모델링기본 데이터 분석 및 모델링소비자 및 시장 조사데이터 블렌딩 및 정리데이터 탐색 및 시각화실험 설계예측 모델링 및 머신 러닝품질 및 공정 엔지니어링신뢰성 분석결과 공유 및 전달