TΑΞΙΝΟΜΗΣΗ ΣΥΝΟΠΤΙΚΩΝ ΚΑΤΑΣΤΑΣΕΩΝ KAI ΚΑΘΟΡΙΣΜΟΣ ΠΡΟΤΥΠΩΝ ΣΤΟΝ ΕΥΡΩΠΑΪΚΟ ΧΩΡΟ

Μέγεθος: px

Εμφάνιση ξεκινά από τη σελίδα:

Download "TΑΞΙΝΟΜΗΣΗ ΣΥΝΟΠΤΙΚΩΝ ΚΑΤΑΣΤΑΣΕΩΝ KAI ΚΑΘΟΡΙΣΜΟΣ ΠΡΟΤΥΠΩΝ ΣΤΟΝ ΕΥΡΩΠΑΪΚΟ ΧΩΡΟ"

Αλθαία Αναστασούλα Ηλιόπουλος
7 χρόνια πριν
Προβολές:

1 9 O COMECAP 2008, ΠΡΑΚΤΙΚΑ ΣΥΝΕ ΡΙΟΥ, ΘΕΣΣΑΛΟΝΙΚΗ 9 O COMECAP 2008, PROCEEDINGS, THESSALONIKI, GREECE TΑΞΙΝΟΜΗΣΗ ΣΥΝΟΠΤΙΚΩΝ ΚΑΤΑΣΤΑΣΕΩΝ KAI ΚΑΘΟΡΙΣΜΟΣ ΠΡΟΤΥΠΩΝ ΣΤΟΝ ΕΥΡΩΠΑΪΚΟ ΧΩΡΟ Φ. ΤΥΜΒΙΟΣ ΚΑΙ Σ. ΜΙΧΑΗΛΙ ΗΣ Μετεωρολογική Υπηρεσία Κύπρου ΠΕΡΙΛΗΨΗ Σκοπός της παρούσας εργασίας είναι η ταξινόµηση των συνοπτικών καταστάσεων όπως αυτές καθορίζονται από τη χωρική κατανοµή των γεωδυναµικών υψών στην ισοβαρική επιφάνεια των 500hPa. Τα δεδοµένα που χρησιµοποιήθηκαν προέρχονται από τη βάση δεδοµένων του NCAR και αποτελούνται από τα πεδία γεωδυναµικών υψών (σε γεωδυναµικά µέτρα) στις 1200UTC για κάθε µέρα για τα έτη από 1980 µέχρι και Για την ταξινόµηση υλοποιήθηκε ένα νευρωνικό δίκτυο τύπου Kohonen (selforganizing map - SOM). Το SOM είναι ένα νευρωνικό δίκτυο που εκπαιδεύεται χωρίς επιτήρηση (unsupervised) και χρησιµοποιείται ώστε να υποβιβάσει µια πολυδιάστατη αναπαράσταση, σε µία λιγότερο πολύπλοκη (τάξη), διατηρώντας όµως τα τοπολογικά χαρακτηριστικά των αρχικών δεδοµένων. Το νευρωνικό δίκτυο εκπαιδεύτηκε για 20, 24, 30 και 35 τάξεις. CLASSIFICATION OF SYNOPTIC SITUATIONS AND PATTERN DETERMINATION OVER EUROPE F. TYMVIOS AND S. MICHAELIDES Meteorological Service of Cyprus ABSTRACT The aim of this research is the classification of the synoptic situations as they are determined by the spatial distribution of the geodynamic heights at the 500hPa isobaric surface. The data that have been used are the geodynamic height fields (in geopotential meters) retrieved from the NCAR data base. The data used refer to 1200UTC of every day in the period from 1980 to The self-organizing map (SOM) is a subtype of Artificial Neural Networks. It is trained using unsupervised learning to produce a low dimensional representation of the training samples, while preserving the topological properties of the input space. This makes SOM reasonable for low-dimensional visualization of high-dimensional data (multidimensional scaling). The network was trained for 20, 24, 30 and 35 clusters. 1. ΕΙΣΑΓΩΓΗ Η συστηµατική χρήση συνοπτικών χαρτών χρονολογείται από το ξεκίνηµα των µοντέρνων µετεωρολογικών πρακτικών. Συνοπτικοί σταθµοί, διασκορπισµένοι σε όλο τον κόσµο, προµηθεύουν τις µετεωρολογικές υπηρεσίες µε παρατηρήσεις συγκεκριµένων παραµέτρων σε τακτά χρονικά διαστήµατα. Οι σταθµοί παρακολούθησης της ανώτερης ατµόσφαιρας (κύριοι συνοπτικοί σταθµοί), καταµετρούν γεωδυναµικό ύψος, ταχύτητα και διεύθυνση άνεµου, θερµοκρασία και υγρασία σε συγκεκριµένα ισοβαρικά επίπεδα. Παραδοσιακά, οι προγνώστες καιρού, για την ανάλυση της συνοπτικής κατάστασης που επικρατεί, χρησιµοποιούν τους χάρτες ισοϋψών σε επιλεγµένα τυπικά επίπεδα, όµως πολύ συχνά αναλύεται ο χάρτης των 500hPa (που θεωρείται σαν αντιπροσωπευτικός του επιπέδου µηδενικής απόκλισης για τα µέσα γεωγραφικά πλάτη). Πολύ σηµαντικός για τους προγνώστες είναι ο εντοπισµός στους χάρτες αυτούς συγκεκριµένων γεωµετρικών σχηµατισµών οι οποίοι µπορεί να χρησιµοποιηθούν για 529

2 τον χαρακτηρισµό της συνοπτικής κατάστασης της ατµόσφαιρας. Μία αρχική προσπάθεια κατηγοριοποίησης των συνοπτικών καταστάσεων έγινε από τον Lamb (1950), ενώ στη βιβλιογραφία υπάρχει πληθώρα µεθόδων ταξινόµησης (Hewitson and Crane, 2002). Κύριος σκοπός της παρούσας εργασίας είναι να παρουσιάσει µία σχετικά νέα µεθοδολογία ταξινόµησης των συνοπτικών καταστάσεων µε τη χρήση Τεχνητών Νευρωνικών ικτύων (ΤΝ ). Συγκεκριµένα, χρησιµοποιήθηκαν ΤΝ τύπου Kohonen (Kohonen, 1990) για την ταξινόµηση των χαρτών κατανοµής των γεωδυναµικών υψών στα 500hPa. Στη συνέχεια, και σαν αποτέλεσµα της ταξινόµησης αυτής, καθορίζονται συνοπτικά πρότυπα που ορίζονται από τη µέση χωρική κατανοµή των µελών κάθε τάξης. 2. ΒΑΣΗ Ε ΟΜΕΝΩΝ Τα δεδοµένα που χρησιµοποιήθηκαν στην παρούσα εργασία είναι οι τιµές πλέγµατος στα 500hPa στις 1200UTC για κάθε µέρα, από την 1/1/1980 µέχρι 31/12/2005 (συνολικά 7384 ηµέρες), από τη βάση δεδοµένων του NCEP (National Centers for Environmental Prediction, USA). Το πλέγµα ορίζεται από τις γεωγραφικές συντεταγµένες 60 o Β, 20 o (πάνω αριστερά) και 20 o Β, 40 o Α (κάτω δεξιά). Τα σηµεία του πλέγµατος απέχουν 2.5 ο x2.5 ο, δηλαδή κάθε χρονική στιγµή (1200 UTC, κάθε ηµέρας) ορίζεται από 7x25=425 σηµεία. 3. ΜΕΘΟ ΟΛΟΓΙΑ ΝΕΥΡΩΝΙΚΩΝ ΙΚΤΥΩΝ Το νευρωνικό δίκτυο που υλοποιήθηκε είναι ένα δίκτυο µε την αρχιτεκτονική SOM (Kohonen, 1990) µε εξόδους 20, 24, 30 και 35 στοιχεία. Το διάνυσµα εισόδου είναι αυτό που σχηµατίζεται από τις τιµές στα 425 σηµεία του πλέγµατος. Εφόσον ο ακριβής αριθµός των τάξεων δεν είναι γνωστός εκ των προτέρων, για την παρούσα εργασία σχεδιάστηκαν 4 πανοµοιότυπα δίκτυα µε την ικανότητα να κατηγοριοποιήσουν τα δεδοµένα εισόδου σε 20, 24, 30 και 35 τάξεις. Λεπτοµερής περιγραφή των νευρωνικών δικτύων που υλοποιήθηκαν παρουσιάζεται στην βιβλιογραφία (Michaelides et al., 2001, 2007). ΣΧΗΜΑ 1. Κατανοµή συχνότητας εµφάνισης των προτύπων για την ταξινόµηση µε 24 µέλη. 530

3 4. ΑΠΟΤΕΛΕΣΜΑΤΑ Μια πρώτη µελέτη των αποτελεσµάτων κατέδειξε ότι η ταξινόµηση των συνοπτικών καταστάσεων σε 20 τάξεις είναι ανεπαρκής για να περιγράψει πλήρως τις διαφορετικές δυνατές καταστάσεις της ατµόσφαιρας για όλες τις εποχές. Αυτή η εισήγηση αφορά στις συγκεκριµένες γεωγραφικές διαστάσεις και στο συγκεκριµένο γεωγραφικό χώρο που αναφέρθηκε πιο πάνω. Για γεωγραφικές περιοχές µε µικρότερη έκταση ενδέχεται να είναι ικανοποιητικός µικρότερος αριθµός τάξεων. Για τον υπό µελέτη χώρο, ο βέλτιστος αριθµός προτύπων φαίνεται ότι βρίσκεται µεταξύ των υπολοίπων τριών τάξεων µε 24, 30 ή 35 µέλη οπότε και η παρουσίαση των αποτελεσµάτων περιορίζεται στις τρεις αυτές ταξινοµήσεις. Για κάθε τάξη καθορίζεται ένα πρότυπο το οποίο υπολογίζεται από την µέση χωρική κατανοµή όλων των µελών κάθε τάξης. Στο Σχήµα 1 φαίνεται η κατανοµή συχνότητας εµφάνισης των προτύπων για την ταξινόµηση µε τα 24 πρότυπα, ενώ στον Πίνακα 1 δίνεται η συχνότητα εµφάνισης του κάθε προτύπου ανά µήνα. Στο Σχήµα 2 δίνονται παραδείγµατα από τα πρότυπα που καθιερώθηκαν από την ταξινόµηση σε 24 τάξεις: τα πρώτα δυο (χειµερινά) και τα δυο τελευταία (καλοκαιρινά) πρότυπα. ΣΧΗΜΑ 2. υο χειµερινά πρότυπα (πάνω, πρότυπο 1 και 2) και δυο καλοκαιρινά (κάτω, πρότυπο 23 κα 24) της ταξινόµησης µε 24 µέλη. 531

4 ΠΙΝΑΚΑΣ 1. Κατανοµή κατά µήνα των προτύπων της ταξινόµησης µε 24 µέλη. Πρότυπο Ιανουάριος Φεβρουάριος Μάρτιος Απρίλιος Μάιος Ιούνιος Ιούλιος Αύγουστος Σεπτέµβριος Οκτώβριος Νοέµβριος εκέµβριος Άθροισµα ΣΧΗΜΑ 3. Ηµερήσια εναλλαγή προτύπων για την ταξινόµηση µε 24 µέλη για την περίοδο

5 ΣΧΗΜΑ 4. Συχνότητα εµφάνισης τάξεων για τις 3 ταξινοµήσεις τον Ιανουάριο για την περίοδο ΣΧΗΜΑ 5. Συχνότητα εµφάνισης τάξεων για τις 3 ταξινοµήσεις τον Μάιο για την περίοδο ΣΧΗΜΑ 6. Συχνότητα εµφάνισης τάξεων για τις 3 ταξινοµήσεις τον Αύγουστο για την περίοδο Η ανάλυση των αποτελεσµάτων κατέδειξε µία σαφή εποχικότητα στα πρότυπα όπως καταδεικνύει η «ηµιτονοειδής» µορφή του Σχήµατος 3, αλλά και τα Σχήµατα 4, 5 και 6 στα οποία παρουσιάζεται η συχνότητα εµφάνισης προτύπων για τους µήνες Ιανουάριο, Μάϊο και Αύγουστο, αντίστοιχα. Οι περισσότερες τάξεις παρουσιάζονται τους ανοιξιάτικους και φθινοπωρινούς µήνες, τους χειµερινούς µήνες εµφανίζονται 533

6 περίπου τα µισά πρότυπα και τους καλοκαιρινούς µήνες έχουµε τα λιγότερα πρότυπα. Τα συµπεράσµατα αφορούν και τις 3 ταξινοµήσεις. Οι ταξινοµήσεις µε µεγάλο αριθµό τάξεων (30 και 35 τάξεις) έχουν µεγάλη µεταβλητότητα κατά τους ανοιξιάτικους µήνες όταν η ατµόσφαιρα δεν ακολουθεί προκαθορισµένα πρότυπα αλλά ακολουθεί µία κάπως απρόβλεπτη και, πολλές φορές χαοτική συµπεριφορά. Στις περιπτώσεις αυτές µε µεγάλο αριθµό τάξεων, το νευρωνικό δίκτυο «αφιερώνει» τις επιπλέον τάξεις που έχει διαθέσιµες σε σχέση µε την ταξινόµηση µε τα 24 µέλη, ώστε να περιγράψει την µεταβλητότητα σε αυτή την συγκεκριµένη χρονική περίοδο. Αντιπαραβάλλοντας τους βροχερούς µήνες (Ιανουάριος Απρίλιος και Οκτώβριος - εκέµβριος) µε τους µη-βροχερούς (Μάιος - Σεπτέµβριος) για την ταξινόµηση των 24 µελών παίρνουµε την κατανοµή του Σχήµατος 7. Τα περισσότερα από τα πρότυπα της ταξινόµησης αυτής µπορούν να παρουσιαστούν τους βροχερούς µήνες ενώ τα καλοκαιρινά πρότυπα δεν εµφανίζονται ποτέ τους χειµερινούς µήνες. Αυτό οφείλεται στην πολύ µεγάλη διαφορά που έχουν οι τιµές στα γεωδυναµικά ύψη µεταξύ χειµώνα - καλοκαιριού, παρόλο που οποιαδήποτε «σχηµατική διάταξη» στο χώρο είναι πιθανό να παρουσιαστεί όλες τις εποχές. Σχήµα 7. Συχνότητα εµφάνισης των προτύπων διαχωρισµένα σε βροχερούς (winter) και µηβροχερούς (summer) µήνες 5. ΜΕΛΛΟΝΤΙΚΗ ΕΡΕΥΝΑ Στα πλαίσια της περαιτέρω διερεύνησης της ταξινόµησης των συνοπτικών καταστάσεων και τον καθορισµό προτύπων στον Ευρωπαϊκό χώρο, προγραµµατίζεται η διερεύνηση της συµπεριφοράς των ανωµαλιών του πεδίου ύψους των 500hPa (απόκλιση του πεδίου κάθε χρονικής στιγµής από την κατάσταση που ορίζει το αντίστοιχο πρότυπο). Σε κατοπινό στάδιο θα γίνει ανάλυση της διάρκειας συνεχούς χρονικής εµφάνισης (εµµονής) των συνοπτικών προτύπων καθώς και η εναλλαγή µεταξύ τους ώστε να µπορέσει να γίνει πρόγνωση της εξέλιξης των συνοπτικών καταστάσεων µε τη µορφή πιθανοτήτων (probabilistic forecasting). 534

7 ΕΥΧΑΡΙΣΤΙΕΣ Η εργασία αυτή έγινε µέσα στα πλαίσια του προγράµµατος ΑΕΡΑΣ που χρηµατοδοτείται από το Ίδρυµα Προώθησης Έρευνας της Κύπρου. ΒΙΒΛΙΟΓΡΑΦΙΑ Hewitson BC and Crane RG, 2002: Self organizing maps: Applications to synoptic climatology. Climate Research, 22, Kohonen T, 1990: The Self-Organizing map. Proceedings of the IEEE (Neural Networks), vol. 78, no.9, Lamb HH, 1950: Types and spells of weather around the year in the British isles: Annual Trends, seasonal structure of the year, singularities. Quarterly Journal of Royal Meteorological Society, 76, Michaelides SC, Pattichis CS and Kleovoulou G, 2001: Classification of rainfall variability by using artificial neural networks. International Journal of Climatology, 21, Michaelides SC, Liassidou F and Schizas CN, 2007: Synoptic classification and establishment of analogues with artificial neural networks. Pure and Applied Geophysics, 164,

Σχετικά έγγραφα

1. Εισαγωγή Βάση δεδομένων Μεθοδολογία Νευρωνικών Δικτύων Αποτελέσματα Βιβλιογραφια Παραρτήμα Ι...

1. Εισαγωγή Βάση δεδομένων Μεθοδολογία Νευρωνικών Δικτύων Αποτελέσματα Βιβλιογραφια Παραρτήμα Ι... ΣΥΣΤΗΜΑ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΑΕΡΟΣΩΜΑΤΙ ΙΑΚΗΣ ΡΥΠΑΝΣΗΣ ΣΕ ΣΧΕ ΟΝ ΠΡΑΓΜΑΤΙΚΟ ΧΡΟΝΟ ΠΑΡΑ ΟΤΕΟ 7 ΜΕΘΟ ΟΛΟΓΙΑ ΓΙΑ ΚΑΤΗΓΟΡΙΟΠΟΙΗΣΗ ΣΥΝΟΠΤΙΚΩΝ ΚΑΤΑΣΤΑΣΕΩΝ ΚΑΙ ΗΜΙΟΥΡΓΙΑ ΣΥΝΟΠΤΙΚΩΝ ΠΡΟΤΥΠΩΝ Συγγραφείς: Φίλιππος Τύµβιος