slide1 n.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
Alfred Stach Instytut Paleogeografii i Geoekologii UAM PowerPoint Presentation
Download Presentation
Alfred Stach Instytut Paleogeografii i Geoekologii UAM

Loading in 2 Seconds...

play fullscreen
1 / 23

Alfred Stach Instytut Paleogeografii i Geoekologii UAM - PowerPoint PPT Presentation


  • 118 Views
  • Uploaded on

Baza danych prawdopodobieństwa maksymalnych miesięcznych i rocznych sum dobowych opadów z terenu Polski – wersja 1. Alfred Stach Instytut Paleogeografii i Geoekologii UAM. Prawdopodobieństwo maksymalnych okresowych sum dobowych opadów Atlas hydrologiczny … 1986.

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'Alfred Stach Instytut Paleogeografii i Geoekologii UAM' - cachez


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
slide1

Baza danychprawdopodobieństwamaksymalnych miesięcznychi rocznych sum dobowych opadówz terenu Polski – wersja 1

Alfred Stach

Instytut Paleogeografii i Geoekologii UAM

prawdopodobie stwo maksymalnych okresowych sum dobowych opad w atlas hydrologiczny 1986
Prawdopodobieństwo maksymalnych okresowych sum dobowych opadów Atlas hydrologiczny … 1986
  • Wykorzystano dane z 301 stacji i posterunków z lat 1951 – 1975
  • Do określenia prawdopodobieństwa maksymalnych sum dobowych zastosowano rozkład Pearsona III typu i metodę kwantyli do szacowania jego parametrów
  • „Zmienność maksymalnych sum dobowych w skali kraju jest niewielka, natomiast rozrzut wyników obliczeń dla jednakowych prawdopodobieństw występowania jest znaczny na obszarach o zbliżonych warunkach fizyczno-geograficznych” (Ciepielowski, Dąbkowski 2006)
  • „W związku z rozwojem metod empirycznych oceny maksymalnych przepływów prawdopodobnych pochodzenia deszczowego w zlewniach niekontrolowanych hydrologicznie, przydatność tej charakterystyki (tj. maksymalnych sum dobowych) jest duża, …” (Ciepielowski, Dąbkowski 2006)
metodyka opracowania nowej bazy
Metodyka opracowania nowej bazy
  • Użyto wszystkie dostępne dane MSDO z okresu 1956 – 1980 (opublikowane w Rocznikach Opadowych i pozyskane z przygranicznej strefy na terenie Niemiec).
  • Zastosowano metodę przestrzenną – uwzględniającą autokorelację MSDO
  • Z dostępnych metod - kriging multigaussowski (ang. multigaussian kriging), kriging dysjunktywny (ang. disjunctive kriging) oraz kriging wartości kodowanych (ang. indicator kriging – IK) – wybrano ostatni z wymienionych
  • Metodykę IK przedstawiono 2 lata temu; kompletne opisy znajdują się w szeregu podręczników (między innymi Chilès, Delfiner 1999, Deutsch, Journel 1998, Goovaerts 1997, Webster, Oliver 2001)
kryteria wyboru metody krigingu warto ci kodowanych ik
Kryteria wyboru metodykrigingu wartości kodowanych (IK)
  • Wady:
    • utrata części informacji ze względu dyskredytyzację ciągłej dystrybuanty empirycznej,
    • pracochłonność – konieczność czasochłonnego budowania modelu semiwariancji dla każdej wartości progowej; często występujące trudności w określeniu modeli dla wartości bardzo niskich i bardzo wysokich zmuszają do subiektywnych decyzji, a te rodzą wątpliwości co do optymalności uzyskanych estymacji,
    • wykraczanie estymowanych prawdopodobieństw poza dopuszczalny zakres (0, 1), oraz błędy w ich relacjach porządkowych,
    • arbitralnie przyjmowana metoda interpolacji/ekstrapolacji uzyskanej warunkowej dystrybuanty.
  • Zalety:
    • potwierdzona w dziesiątkach zastosowań i testów metodycznych skuteczność,
    • brak trudnych do weryfikacji założeń dotyczących rozkładu statystycznego populacji (metoda nieparametryczna),
    • żadna z alternatywnych metod nie jest wyraźnie lepsza,
    • alternatywne metody są bardziej skomplikowane = bardziej „podatne” na błędy metodyczne,
    • łatwa możliwość uwzględnienia danych uzupełniających („twardych” i „miękkich”).
    • powszechna dostępność oprogramowania (Deutsch, Journel 1998, Mao, Journel 1998, Pardo-Igúzquiza, Dowd 2005, Richmond 2002.
problem rozdzielczo ci rastrowej bazy danych
Problem rozdzielczościrastrowej bazy danych
  • Analizy GIS których efektem są rastrowe modele zmienności przestrzennej wymagają na etapie planowania metodyki podjęcia decyzji o ich rozdzielczości, czyli inaczej mówiąc o wymiarach oczka siatki.
  • Najważniejsze kryteria brane pod uwagę dotyczą zbioru danych na podstawie którego budowany jest model:
    • typ próbkowania (punktowe bądź obszarowe; losowe, regularne, preferencyjne, profilowe itp.),
    • zagęszczenie danych (ilość na jednostkę powierzchni),
    • charakterystyki zmienności przestrzennej analizowanej cechy:
      • statystyki lokalne,
      • parametry autokorelacji,
    • rozkład statystyczny błędów zarówno samych pomiarów, jak i określenia lokalizacji stanowisk pomiarowych.
  • Kryteria uzupełniające:
    • docelowa skala modelu (mapy),
    • przeznaczenie modelu,
    • ograniczenia odnośnie mocy obliczeniowej i pamięci komputera.
problem rozdzielczo ci rastrowej bazy danych1
Problem rozdzielczościrastrowej bazy danych
  • Wykorzystano zalecenia Hengla (2006)
  • Kryteria:
    • docelowa skala modelu (ok. 1 : 6 000 000): zakres rozdzielczości optymalnych od 600 do 15 000 m; rozdzielczość optymalna – 3 000 m,
    • ilość (zagęszczenie danych): zakres rozdzielczości optymalnych - od 567 do 1134 m; rozdzielczość optymalna – 900 m,
    • typ rozkładu przestrzennego danych źródłowych: zakres rozdzielczości optymalnych - od 1300 m do 3900 m; rozdzielczość optymalna – 2 800 m,
    • zasięg autokorelacji danych: zakres rozdzielczości optymalnych - od 1560 do 7750 m; rozdzielczość optymalna – 750 m,
  • Błąd określenia położenia stanowiska pomiarowego: od 600 do 900 m
  • Przyjęta ostatecznie rozdzielczość modelu: 1000 m
problem zmian ilo ci i rozk adu przestrzennego danych1
Problem zmian ilościi rozkładu przestrzennego danych

Zestawienie ilości pomiarów MSDO w Polsce i w Niemczech, które wykorzystano w niniejszym opracowaniu:a – dane miesięczne z Roczników Opadowych PIHM/IMGW, b – dane roczne z Roczników Opadowych PIHM/IMGW, c – miesięczne dane z przygranicznej strefy na obszarze Niemiec, d – roczne dane z przygranicznej strefy na obszarze Niemiec

Statystyki odległości najbliższego sąsiada i losowości rozkładu przestrzennego punktów pomiarowych, dla których analizowano MSDO opadów, w kolejnych miesiącach (A) i latach (B) wielolecia 1956-80. Objaśnienia: (a) – średnia odległość do najbliższego sąsiada, (b) – odchylenie standardowe odległości do najbliższego sąsiada, (c) – skośność odległości do najbliższego sąsiada, (d) – wskaźnik Clarka i Evansa losowości rozkładu przestrzennego.

problem optymalizacji parametr w oblicze
Problem optymalizacji parametrów obliczeń

Ilość punktów danych używanych do estymacji wartości każdego węzła siatki – optymalizacja za pomocą kroswalidacji

problem optymalizacji parametr w oblicze1
Problem optymalizacji parametrów obliczeń:

Ilość punktów danych używanych do estymacji wartości każdego węzła siatki – optymalizacja za pomocą kroswalidacji

wybrane przyk ady z opracowanej wieloletniej bazy danych
Wybrane przykłady z opracowanej wieloletniej bazy danych

Średnia oczekiwana wartość MSDO (mm)

Styczeń

Lipiec

wybrane przyk ady z opracowanej wieloletniej bazy danych1
Wybrane przykłady z opracowanej wieloletniej bazy danych

Odchylenie standardowe wartości oczekiwanej (mm)

Styczeń

Lipiec

wybrane przyk ady z opracowanej wieloletniej bazy danych2
Wybrane przykłady z opracowanej wieloletniej bazy danych

Oczekiwana suma opadu

o prawdopodobieństwie 0,1 (mm)

Styczeń

Lipiec

wybrane przyk ady z opracowanej wieloletniej bazy danych3
Wybrane przykłady z opracowanej wieloletniej bazy danych

Oczekiwana suma opadu

o prawdopodobieństwie 0,01 (mm)

Styczeń

Lipiec

wybrane przyk ady z opracowanej wieloletniej bazy danych4
Wybrane przykłady z opracowanej wieloletniej bazy danych

Pole prawdopodobieństwa rocznych MSDO

Wartość oczekiwana (mm)

Odchylenie standardowe

wartości oczekiwanej (mm)

podsumowanie metodyka
Podsumowanie - metodyka
  • Źródłem na podstawie którego wykonano opracowanie było 747 486 wartości maksymalnych opadów dobowych w poszczególnych miesiącach wielolecia 1956-80 (średnio ok. 2492) i 61 940 sum maksymalnych rocznych opadów dobowych (średnio ok. 2478)
  • Do opracowania rastrowej bazy danych prawdopodobieństwa MSDO wykorzystano metodę krigingu wartości kodowanych dla 13 wartości progowych (1, 5, 10, 20 …, 90, 95 i 99% percentyl). Przed wykonaniem obliczeń przygotowano 4225 modeli struktury przestrzennej (325 zbiorów danych  13 wartości progowych). Parametry obliczeń optymalizowano za pomocą kroswalidacji.
  • Na podstawie nieprzestrzennych i przestrzennych cech źródłowego zbioru danych stwierdzono, że optymalna rozdzielczość tworzonych modeli rastrowych powinna wynosić 1  1 km.
  • Stwierdzono, że zmiany ilości i rozkładu przestrzennego punktów pomiarowych zachodzące w analizowanym wieloleciu nie miały wpływu na jakość uzyskanych wyników
  • Docelowa siatka interpolacyjna miała 319 114 węzłów obejmując całe terytorium lądowe Polski, Zalew Szczeciński, część polską Zalewu Wiślanego, Zatokę Pucką, a także strefę o szerokości 2 km poza granicami
podsumowanie efekty
Podsumowanie - efekty
  • Etapowym wynikiem obliczeń są rastrowe modele prawdopodobieństwa MSDO dla każdego z 325 źródłowych zbiorów danych (325  319 114 węzłów  13 progów = 1 348 256 650 wartości)
  • Końcowym efektem są średnie wieloletnie pola prawdopodobieństwa MSDO dla poszczególnych miesięcy i całego roku (13  319 114 węzłów  13 progów = 53 930 266 wartości)
  • Z uzyskanych rozkładów prawdopodobieństwa MSDO dla każdego węzła siatki interpolacyjnej można prosto obliczyć:
    • wartość oczekiwaną opadu (średnią rozkładu),
    • odchylenie standardowe (wariancję warunkową),
    • sumę opadu dobowego o zadanym prawdopodobieństwie wystąpienia,
    • prawdopodobieństwo opadu o podanej sumie dobowej,
    • inne statystyki, na przykład przedziałowe.
  • Baza jest przeznaczona przede wszystkim do ocen punktowych. Do analiz obszarowych bardziej nadają się dane symulowane. Wersja 2 bazy – w przygotowaniu - będzie miała taki charakter
podsumowanie stare nowe
Podsumowanie – stare/nowe
  • Stwierdzono, że uzyskane modele wieloletnie, oprócz znacznie większej rozdzielczości przestrzennej, od poprzednich „analogowych” danych różnią się istotnie wielkością prognozowanych rocznych MSDO o prawdopodobieństwie 1%
    • na Niżu nie ma obszarów o opadach poniżej 80 mm
    • dla większość obszaru niżowego maksymalny opad dobowy o prawdopodobieństwie 0,01 wynosi od 120 do 150 mm (poprzednio 80 – 100 mm)
    • najwyższe „stuletnie” opady dobowe są prognozowane w tych samych lokalizacjach, lecz ich sumy są znacząco niższe – około 175 mm, zamiast jak poprzednio ponad 200 mm