1. Andrej Ceglar Soba 93 E-mail: andrej.ceglar@bf.uni-lj.si
Klimatologija - vaje
Andrej Ceglar
Soba 93

2. Vaja 1 Meteorološki podatki Uporaba podatkov v različnih aplikacijah
Meteorološke postaje
Arhiv meteoroloških podatkov
Izmerjeni ter izvedeni meteorološki parametri (dodatek)
Vizualizacija baze (vhodna baza, meta baza, uporabniška baza)
Dostop do podatkov
Primer klimatološke ter padavinske baze
Uporaba podatkov v različnih aplikacijah
Letni hodi klimatoloških spremenljivk
Klimatski diagrami
Osnovne opisne statistike v klimatologiji
Mere sredine (povprečje, modus, mediana, geometrijska sredina)
Mere variabilnosti (variacijski razmik, kvartilni razmik, varianca)
Programski jezik R

3. Meteorološke postaje
Prve met. opazovalnice v drugi polovici 18. stoletja
Kraljeva akademija znanosti je 1848 ustanovila Zentralstalt fur Meteorologie and Erdmagnetismus - ZAMG
Najstarejša opazovalnica na Slovenskem etičnem ozemlju je bila ustanovljena v Trstu (1779), prvi zapisani podatki datirajo v leto 1839
1871 postaja v Gorici
1784 Tolmin (ta je delovala do 1810)
1813 Celovec
1824 Ljubljana (podatki iz začetnega obdobja so se žal izgubili)
Prvi ohranjeni nizi meteoroloških meritev v Ljubljani so iz leta 1850 (temperatura – maj 1850, zračni pritisk – januar 1852)
Ljubljani so sledile še ostale pomembnejše postaje: Celje (1852), Novo Mesto (1858), Maribor (1863), Ptuj in Kranj (1864)

4. Meteorološke postaje
Meteorološka mreža je konec 19. stoletja obsegala 85 postaj; kasneje velike spremembe
Slovenska mreža met. postaj pokriva območje velikosti kvadratnih km. Klimatski režim Slovenije je izredno kompleksen, kar zahteva gosto mrežo postaj.
Število klimatoloških in padavinskih postaj:
postaj
postaj
postaj
postaj
(40 klimatoloških, 172 padavinskih)

5. Meteorološke postaje Klimatološke postaje:
Opazovanja 3-krat dnevno (7, 14, 21 CET) – že 120 let takih meritev
Meritve: količina padavin, temperatura zraka, vlažnost, zračni tlak, smer in hitrost vetra, temperatura tal, izhlapevanje, sončno obsevanje, temperatura morja
Opazovanja: oblačnost, vidnost, stanje tal in morja, pojavi v atmosferi
Sinoptične postaje
Urna opazovanja, GTS (Global telecommunications system)
24 opazovanj / dan na 4 letališčih
Padavinske postaje:
Dnevna opazovanja ob 7 CET
Najgostejša mreža postaj
Meritve: količina padavin v zadnjih 24 urah, glavni vremenski pojavi, pozimi tudi višino snežne odeje ter novozapadlega snega
Avtomatske meteorološke postaje (kontinuirane meritve):
Interval vzorčenja 5 minut za padavine
Interval vzorčenja 30 minut s statistikami (minimum, maksimum, povprečje, standardni odklon) za ostale spremenljivke

6. Meteorološke postaje
Totalizatorji (kolčina padavin se meri na nekaj mesecev)
Fenološke postaje
Nastop določene razvojne stopnje (fenološke faze) pri izbranih negojenih ter gojenih rastlinah
61 postaj
Podatki iz postaj predstavljajo osnovo za študije sedanjih klimatskih razmer, časovne ter prostorske spremenljivosti parametrov
Osnova za oceno potencialnih klimatskih sprememb v prihodnosti
Priporočilo WMO: klimatske študije zahtevajo niz vsaj 30-letnih kvalitetnih podatkov
Nehomogeni podatki
Manjkajoči podatki

7. Meteorološke postaje – nehomogeni podatki
Kaj pomeni nehomogeno?
Iz lat. homogenĕus, ter gr. ὁμογενής  “enak po naravi”
Prevod v klimatske nize podatkov:
Homogen klimatski niz je definiran kot niz, kjer je variabilnost posledica variabilnosti klime same. Če je daljši klimatski časovni niz homogen, potem je vsa variabilnost v njem posledica variabilnosti naravne klime (WMO TD-1186).
V nasprotju, nehomogen časovni niz predstavlja kakršnokoli odstopanje, ki vpliva na izmerjene vrednosti in v bistvu ni posledica klimatske variabilnosti ter sprememb.

8. Meteorološke postaje – nehomogeni podatki
Zakaj lahko časovna vrsta postane nehomogena?
Spremenjene okoliščine meritev, spremenjen način prenosa, shranjevanja, analiziranja podatkov, kar vodi v sistematično odstopanje v določenem delu časovne vrste
Sprememba v izpostavljenosti dežemera, kar vodi k odklonu količine padavin
Sprememba v načinu izračuna povprečne temperature, kar vodi k odstopanju v primerjavi z WMO standardom ((Tmax+Tmin)/2)
Vpliv urbanizacije na temperaturno časovno vrsto (intenziviranje temperaturnih trendov)

9. Meteorološke postaje – nehomogeni podatki
Zamenjava merilnega inštrumenta lahko vodi k odstopanju (skok) časovnih vrstah trajanja sončnega obsevanja

10. Meteorološke postaje – nehomogeni podatki
Vpliv spremembe merilne lokacije instrumenta ter spremembe v okolici lahko vplivajo na meritve smeri in hitrosti vetra
Homogenizacija podatkov pomeni uporabiti primerne statistične prijeme za transformacijo podatkov, s čimer poskušamo eliminirati odstopanja (v časovni vrsti podatkov), ki niso klimatskega izvora
Pred homogenizacijo (temperatura, Quebec)
Trend pred homogenizacijo: -0.7 °C / 106 let
Vir: Lucie Vincent.

11. Meteorološke postaje – nehomogeni podatki
Po homogenizaciji (temperatura, Quebec)
Trend po homogenizaciji: 2.1 °C / 106 let
Vir: Lucie Vincent.
Primerjava različnih obdobij (ob dostopnih metapodatkih)
Identifikacija točke v podatkih, kjer imajo podatki najverjetneje prelomno točko
Iteracija skozi časovno vrsto oz. uporaba ustreznih numeričnih modelov, s katerimi določimo določitev večih prelomnih točk

12. Meteorološke postaje

13. Arhiv meteoroloških podatkov
Meritve in opazovanja na klasičnih meteoroloških postajah opazovalec vpiše v meteorološki dnevnik:
Veliki dnevnik (sinoptične postaje)
A4 dnevnik (klimatološke postaje)
A4 dnevnik (padavinske postaje)
Registrirni inštrumenti (termografi, pluviografi, ...)
Poročila se pošljejo po pošti na začetku vsakega meseca

14. Arhiv meteoroloških podatkov
Poročilo padavinske postaje
Poročilo klimatološke postaje

15. Arhiv meteoroloških podatkov
Dnevnik opazovanj sinoptične postaje

16. Vizualizacija baze Digitalizacija in shranjevanje podatkov
Ročno vnašanje podatkov v podatkovno bazo:
13 sinoptičnih postaj na dnevni ravni
Ostale postaje na mesečni ravni
Pluviografi ter sončni trakovi so digitalizirani s pomočjo digitalizacijskih naprav
SYNOP poročila ter podatki z avtomatskih met. postaj se shranjujejo v podatkovno bazo v realnem času
Vsi podatki (zgodovinski podatki iz arhivov, sveži podatki z operativnih postaj) se procesirajo, nato gredo v podatkovno bazo (z isto programsko opremo)
Do sedaj so bili digitalizirani skoraj vsi časovni nizi za obdobje

17. Vizualizacija baze
Podatki z avtomatskih meteoroloških postaj ter data logger-jev se shranjujejo v relacijske podatkovne baze Oracle in Postgresql
Trije tipi tabel v podatkovni bazi:
Vhodni podatki z originalnimi vrednostmi
Kontrolirani ter interpolirani podatki za odjemalce
Izvedeni podatki (mesečni podatki, npr. povprečje, ekstremi, vsote, število dni z, ...)
Pomen meta baze

18. Vizualizacija baze – vnos podatkov
Primer vnašanja podatkov iz dnevnika v bazo:
Opazuje se
vrsta pojava
intenziteta pojava[0-2]
0 - šibko, 1 - zmerno, 2 – močno, sl - sled, pr - v presledkih
trajanje pojava [od – do]
5.8 mm padavin (izmerjeno ob 7.00)
Dež in nevihta z zmerno jakostjo
(rano jutro do 10)
Od do je deževalo v
presledkih, slaba jakost
Vnos v padavinsko bazo

19. Vizualizacija baze – vnos podatkov
Padavinska baza:
Padavinska tabela:
Klimatološka tabela:
Padavinska baza:
vnos količine padavin
Šifriranje oblike padavin (1 – tekoče padavine)
Šifriranje pojavov:
Stolpec (dež, sneženje, dež s snegom): 1
Stolpec (toča, slana, megla): 0
Stolpec (ivje, sodra, babje pšeno): 0
Stolpec (poledica, nevihta, viharni veter): 2
Stolpec (snežna odeja, rosa): 0

20. Vizualizacija baze – kontrola podatkov
Avtomatski, polurni podatki – dnevna kontrola
Klasični klimatološki podatki – mesečna kontrola
Preprosta kontrola sinoptičnih podatkov v realnem času
Avtomatska validacija podatkov je izvršena z določenimi programi, napisanimi v Fortran-u, Pascal-u, Perl-u, PHP-ju ter ostalimi odprtokodnimi orodji
Registrirni inštrumenti (termografi, pluviografi, ...) se v glavnem uporabljajo za kontrolo ročnih meritev
Kontrolne procedure:
Kontrola mejnih vrednosti (nemogoče vrednosti, npr. T > 50 °C)
Test notranje konsistence (npr. Tmin <= Tmax), test prostorske konsistence
Kontrola vrednosti v časovni vrsti, iskanje velikih skokov, test variabilnosti
Primerjava z ostalimi merilnimi napravami (npr. termograf)

21. Vizualizacija baze – dostop do podatkov
Spletna orodja: PHP, Perl, JavaScript
Na ARSO so razvili spletno aplikacijo za dostop do meteoroloških podatkov direktno iz podatkovne baze

22. Vizualizacija baze – primer klimatološke ter padavinske baze
Črpanje iz
klimatološke baze
Črpanje iz
padavinske baze

23. Osnovne opisne statistike
Opišejo karakteristike dane populacije; iščejo opisne (meta) podatke o populaciji in njenih sestavnih delih
Klimatski sistem je negotov:
Ni v celoti opazovan
Radi bi dostop do različnih parametrov (npr. meritev na populaciji, ki karakterizira eno izmed njenih lastnosti)
Računamo statistiko (npr. merilo karakteristike iz naključno izbranega vzorca)
Ni v celoti razumljiv
Kljub numeričnim modelom ne razumemo popolnoma dinamike klimatskega sistema
Nekaj pomembnih fizikalnih procesov se odvija na manjši skali, kar zahteva uporabo parametrizacij
Dinamični sistem je občutljiv na začetne pogoje – dinamični kaos
Deterministična klimatologija je omejena na kratke časovne skale
Klimatske napovedi so po naravi verjetnostne
Redukcija negotovosti je temelj klimatskega napovedovanja

24. Osnovne opisne statistike – mere sredine
Povprečje: aritmetična sredina podatkov, pri čemer je N število vzorcev oz. število razpoložljivih podatkov
Mediana: srednja vrednost v nizu podatkov, če jih razvrstimo po velikosti. Polovica vrednosti v nizu je po velikosti večje od mediane, polovica pa manjše. Če smo podatke v nizu razvrstili po velikosti , potem mediano izračunamo kot

25. Osnovne opisne statistike – mere sredine
Modus (F) je najbolj pogosta vrednost, ki se pojavlja v nizu. Odvisen je od natančnosti podatkov:
Natančnost na nekaj decimalnih mest -> majhna verjetnost za ponovitev
Pri zveznih (številskih) podatkih govorimo o modalnem razredu, ki v frekvenčni porazdelitvi pomeni razred z največjo frekvenco
Geometrijska sredina: predstavlja boljšo označbo centralne tendence (kot aritmetična sredina) za manjše podatkovne nize z ekstremnimi vrednostmi

26. Merska lestvica spremenljivke Najboljša mera sredine
Osnovne opisne statistike – mere sredine
Merska lestvica spremenljivke
Najboljša mera sredine
Nominalne (vrednosti se lahko le razlikujejo med seboj)
(kategorične)
Modus
Ordinalne (vrednosti lahko uredimo po velikosti)
Mediana
Intervalne (primerjamo lahko razlike med vrednostmi)
Simetrični podatki: Povprečje Nesimetrični podatki: Mediana
Razmernostne (primerjamo lahko razmerja med vrednostmi)

27. Osnovne opisne statistike – mere variabilnosti
Maksimalna vrednost (max) – največja vrednost v obravnavanem nizu podatkov
Minimalna vrednost (min) – najmanjša vrednost v obravnavanem nizu podatkov
Variacijski razpon (R) – območje, v katerem se giblje obravnavana spremenljivka (med min. ter max. vrednostjo)
Poleg mediane (kjer podatke številsko razdelimo na polovico), lahko namesto dveh izberemo drugačno število razredov:
štirje razredi -> kvartili ( ), med posameznimi kvartili je četrtina podatkov
deset razredov -> decili
sto razredov -> percentili
V spolšnem ob razdelitvi na poljubno število razredov govorimo o kvantilih

28. Osnovne opisne statistike – mere variabilnosti
Varianca ( ) – mera za razpršenost niza okrog njegove povprečne vrednosti
Standardni odklon (s) – ocenimo kot koren variance, zato ima enake enote kot spremenljivka, katere lastnosti nas zanimajo
Koeficient variacije (KV) – kazalec, ki prikazuje razpršitev statističnih enot okoli aritmetične sredine njihove populacije; v poštev pride pri razmernostnih spremenljivkah

29. Letni hodi klimatoloških spremenljivk
Povprečni hodi, ki jih narišemo na podlagi povprečnih mesečnih vrednosti izbranih spremenljivk preko daljšega obdobja
Kdaj izbrane klimatološke spremenljivke dosežejo ekstremne vrednosti, se zadržujejo v ugodnem območju za določene aktivnosti (kmetijstvo, turizem)
Povprečna (črna), minimalna (modra),
ter maksimalna mesečna temp. (rdeča)
za obdobje
Povprečna količina padavin po mesecih za
obdobje

30. Letni hodi klimatoloških spremenljivk

31. Klimatski diagrami
Standardni način primerjave klimatskih razmer v različnih krajih
Klimatski diagrami – veliko informacije o klimi izbrane lokacije
Walter in Leith (1967) – dolgoletna povprečja mesečnih temperatur ter mesečne količine padavin
Razmerje skal (ponavadi) T : RR = 1 : 4 (1 °C ustreza 4 mm padavin)

32. Klimatski diagrami Naši kraji T : RR = 1 : 6 (obdobje zmerne suše)
T : RR = 1 : 4 (obdobje suše)

33. Programski jezik R
Objektno orientiran jezik (spremenljivke, podatki, funkcije, ... se shranijo v spomin v obliki objektov, ki jih označuje ime). Uporabnik lahko izvaja operacije nad temi podatki z različnimi operatorji in funkcijami.
Računalnik ukaze sproti prevaja v strojni jezik, jih izvaja in kontrolira
Objekt ustvarimo z operatorjem dodeljevanja: n<-5
Pomoč za posamezne ukaze: ?ime_ukaza
Zastonjska programska oprema (
R for beginners (Emmanuel Paradis):

34. Programski jezik R
Primer: Letno trajanje sončnega obsevanja (ure) v Ljubljani (obdobje 1961 – 1990)
Priprava datoteke z vhodnimi podatki (leto, trajanje)
Datoteko uvozimo v R (ukaz read.table())
Osnovne opisne statistike (ukaz summary()):
Min. :1445 ur
1st Qu.:1642 ur
Median :1700 ur
Mean :1712 ur
3rd Qu.:1777 ur
Max. :1987 ur
Varianca (ukaz var()): 14210
Standardni odklon (ukaz sd()): 119 ur
Variacijski razpon: 542 ur
Koeficient variacije: 7 %

35. Programski jezik R
Grafična predstavitev podatkov: časovna vrsta (ukaz plot()), histogram (ukaz hist())

36. Programski jezik R
Primer: Letni hod trajanja sončnega obsevanja v Ljubljani (1961 – 1990)
Ukaz: barplot2()

37. Programski jezik R
Primer: Primerjava povprečnega trajanja v obdobjih ter
Two Sample t-test
data: data_61_90 and data_91_07
t = -5.97, df = 45, p-value = 3.46e-07
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
sample estimates:
mean of x mean of y

38. Relativna frekvenca makro-cirkulacijskih tipov
Vir: Andras Horanyi (Clavier project), 3. december 2007