Upload
lamlien
View
221
Download
0
Embed Size (px)
Citation preview
Zavod sv. Stanislava
Škofijska klasična gimnazija
Izdelava modela za napoved termičnega vetra
mikrolokacija Preluka
Maturitetna seminarska naloga iz Informatike
Kandidat: Kuzman Mark Mentor: Helena Starc Grlj
Ljubljana Šentvid, april 2018
Izdelava modela za napoved termičnega vetra
2
Povzetek V moji seminarski nalogi sem preveril ustreznost parametrov za napoved vetra v Preluki. Podatke sem najprej uredil, da so bili primerni za analizo v programskem jeziku Python. Poiskal sem, kateri parametri izpolnjujejo zadosten pogoj za doseganje vetra primernega za jadranje na deski. S pomočjo algoritma sem dane pogoje izpopolnil v točno določene vrednosti in na koncu napoved prikazal z verjetnostjo.
Abstract Aim of this project is to prove what parameters are essential for wind in Croatian city Preluka. It's located at the seaside near Opatija, northern from important port town Rijeka. My mission is to set different filters to find out when is wind enough for windsurfing.
Ključne besede - Baza podatkov
- Primerjava statističnih podatkov
- Napovedovanje vremena
- Testiranje algoritma
- Programiranje
- Python
Izdelava modela za napoved termičnega vetra
3
Kazalo vsebine Stvarno kazalo ........................................................................................................ 4
1 Uvod ....................................................................................................................... 4
2 Teoretični del projektne naloge ............................................................................. 9
2.1 Podatkovna baza.......................................................................................... 9
2.2 Razvoj algoritma za napovedovanje vetra v Preluki .................................... 9
2.3 Testiranje algoritma ..................................................................................... 9
3 Praktični del projektne naloge ............................................................................. 10
3.1 Pridobitev podatkovne baze ...................................................................... 10
3.2 Uvoz podatkov ........................................................................................... 12
3.3 Risanje grafov ............................................................................................ 12
3.4 Analiza rezultatov ...................................................................................... 15
3.4.1 Izračun povprečnih vrednosti, uvedba filtra .......................................... 16
3.4.2 Temperaturna razlika, hitrost in smeri vetra ......................................... 22
3.4.3 Točkovni graf .......................................................................................... 37
4 Sklep ..................................................................................................................... 42
5 Literatura .............................................................................................................. 43
Izdelava modela za napoved termičnega vetra
4
Stvarno kazalo napoved, 1, 2, 32, 34, 36 plt.hist, 10 podatki, 6 Preluka, 1, 2, 4, 6, 7, 8, 9, 12, 21, 24, 26,
27, 28, 36
Python, 2, 8, 36 seznam, 6, 7, 8, 14, 16, 30, 31, 32 temperaturna razlika, 4, 20, 30, 33, 34 termični veter, 4 Veterček, 5, 6, 36
Kazalo slik Slika 1: Ekranska slika državne meteorološke strani ARSO ........................................... 6
Slika 2: Ekranska slika windsurfaške spletne strani Windguru za napovedovanje vetra ........................................................................................................................................ 7
Slika 3: Ekranski posnetek spletne strani Veterček ....................................................... 9
Slika 4: Tabela, ki sem jo dobil od administratorja ...................................................... 10
Slika 5: Urejena tabela z nekaj dodanimi stolpci ........................................................ 11
Slika 6: Leva slika prikazuje naslove stolpcev, desna pa primer elementom ............. 12
Slika 7: Dodane osnovne knjižnice ............................................................................... 13
Slika 8: Filtrirane meritve z odstranjenimi "NONE" vrednostmi .................................. 14
Slika 9: Koda za izris treh grafov .................................................................................. 14
Slika 10: Histogram vetra v Ilirski Bistrici ..................................................................... 15
Slika 11: Histogram vetra v Preluki .............................................................................. 15
Slika 12: Prikaz vseh temperatur v letu v kraju Preluka ............................................... 16
Slika 13: Dodana knjižnica mathplotlib in funkcija data.pop ....................................... 17
Slika 14: Izračunana povprečna vrednost letnega vetra .............................................. 17
Slika 15: Povprečen veter za mesec januar ................................................................. 17
Slika 16: Povprečen veter za celotno leto po mesecih ................................................ 18
Slika 17: Povprečni vetrovi za vsak mesec v letu ......................................................... 18
Slika 18: Povprečni veter za vsako uro ......................................................................... 19
Slika 19: Seznam z 12 meritvami, vsaka z največjim sunkom, časom in smerjo sunka19
Slika 20: Seznam smeri vseh vetrov, ki jih je zaznala postaja ...................................... 19
Slika 21: Filtracija med stolpci, pogoj ura med 5h in 10h ............................................ 20
Slika 22: Grafi hitrosti vetra, vsak za svojo smer ......................................................... 20
Slika 23: Histogram severnika ...................................................................................... 21
Slika 24: Histogram vzhodnika ..................................................................................... 21
Slika 25: Histogram juga ............................................................................................... 22
Slika 26: Histogram zahodnika ..................................................................................... 22
Slika 27: Koda za izračun temperaturen razlike med Ilirsko Bistrico in morjem, ustrezni graf za prvih 6 mesecev leta ........................................................................................ 23
Slika 28: Graf za za preostalo polovico leta ................................................................. 24
Slika 29: Temperaturna razlika med Ilirsko Bistrico in Preluko ................................... 25
Slika 30: Temperaturna razlika med Preluko in Ilirsko Bistrica .................................... 26
Slika 31: Temperaturna razlika med morjem in Preluko ............................................. 27
Slika 32: Povprečni dnevni veter za vsak mesec severnika med 4h in 9h ................... 28
Slika 33: Histogrami za vse smeri vetrov, na koncu še skupen histogram .................. 30
Slika 34: Histogram vetrov vseh smeri v Preluki .......................................................... 31
Slika 35: Histogram vseh smeri v letu na enem grafu za Preluko ................................ 31
Slika 36: Histogram vetrov vseh smeri v Ilirski Bistrici ................................................. 32
Izdelava modela za napoved termičnega vetra
5
Slika 37: Histogram vseh smeri v letu na enem grafu za Ilirsko Bistrica ...................... 32
Slika 38: Pogled na Ilirsko Bistrico v zaledju in Preluko ob morju .............................. 33
Slika 39: Meritev1 (dejanski prikaz jadranja na severnik v zalivu Preluka) ................. 34
Slika 40: Meritev2 ........................................................................................................ 34
Slika 41: Zemljevid Krka, severa Cresa, Reke, Opatije ................................................. 35
Slika 42: Histogram moči vetrov med 12h in 17h v Preluki ......................................... 36
Slika 43: Vsi vetrovi med 12h in 17h v Preluki ............................................................. 36
Slika 44: Naredil sem 2 seznama, en vsebuje največje sunke za vsak dan v mesecu v letu, drug pa temperaturen razlike med Preluko in Ilirsko Bistrico ............................. 37
Slika 45: Seznam severnih vetrov ................................................................................ 37
Slika 46: Razviden je trend naraščanja vetra z naraščanjem temperaturne razlike .... 38
Slika 47: Prikaz odvisnosti sunka od temperaturne razlike ......................................... 39
Slika 48: Nastavil sem optimalni sunek, ki je bil pogoj za uspešno napoved .............. 40
Slika 49: Nazoren prikaz kakšna mora biti temperaturna razlika za največjo točnost napovedi....................................................................................................................... 40
Slika 50: Točkovni graf, ki prikazuje točnost moje napovedi; ZELENA-pravilno, RDEČA-napačno ........................................................................................................................ 41
Kazalo tabel Tabela 1: Uporabljena programska oprema .................................................................. 8
Tabela 2: Tabela povprečnih sončnih vzhodov za vsak mesec .................................... 29
Izdelava modela za napoved termičnega vetra
6
1 Uvod Danes živimo v svetu …….. v katerem je športna rekreacija skoraj obvezna. Z vsakim dnem dobimo toliko novih informacij Mnogo rekreativnih jadralcev na deski se sooča s težavo napovedi vetra. Večinoma je v uporabi državna meteorološka spletna stran ARSO s tovrstnim vodilnim modelom ALADIN (dosegljivo na URL: http://meteo.arso.gov.si/met/sl/app/webmet/#webmet=vUHcs9WYkN3LtVGdl92LhBHcvcXZi1WZ09Cc1p2cvAncvd2LyVWYs12L3VWY0hWZy9SaulGdugXbsx3cs9mdl5WahxHf )
Slika 1: Ekranska slika državne meteorološke strani ARSO
ter češka spletna stran Windguru (dosegljivo na URL: https://www.windguru.cz/208246).
Izdelava modela za napoved termičnega vetra
7
Slika 2: Ekranska slika windsurfaške spletne strani Windguru za napovedovanje vetra
Težava tujih napovedi za slovensko primorje je natančnost. Slovenija se šteje skoraj kot mikrolokacija, na katero deluje kar nekaj različnih dejavnikov. Recimo poletni maestral v Dalmaciji na globalnih ali evropskih modelih ni zaznan oz. je predstavljen kot zelo šibek zahodnik. ALADIN je iz prakse glede točnosti že boljši, saj je specializiran le na slovensko območje. Kljub temu pa termike ne napoveduje. Tovrsten termični veter najbolj poznamo v Dalmaciji kot maestral. Poganja ga temperaturna razlika med vodo in kopnim, dodatno pa ga okrepijo še naravne ožine med otoki (npr. Hvar-Brač, Pelješac-Korčula). Obstajajo pa termični vetrovi tudi veliko bližje Sloveniji, na primer Barkole pri Trstu in Preluka pri Opatiji. Ta dva kraja delujeta seveda na temperaturno razliko, vendar se ta ustvari čez noč. Razlika nastane med morjem in kopnim, ki se ponoči ohladi tudi na do 22 stopinj manj kot meri takrat temperatura morja. Nastajajo ogromne razlike, ki pa povzročijo tudi močne vetrove, tudi do 25 vozlov (okoli 45 km/h). Kljub močnemu vetru pa zaradi lokalnih specifičnih pogojev takšnih vetrov tudi najtočnejši meteorološki modeli ne morejo napovedati. Tukaj si moramo windsurfači pomagati sami na podlagi izkušenj in ugibanj. Poleg vprašanja ali veter bo ali ne se nam, vetrovnim zasvojencem, pojavlja še vprašanje o času odhoda. Vemo namreč, da veter ob sončnem vzhodu največj pridobi na i moči, ta pa mu kakšne pol ure za tem že hitro upade. Razlog za to je hitro segrevanje zaledja in s tem posledično padec temperaturne razlike (npr. temperaturna razlika med Ilirsko Bistrico in-Preluko). Namen moje seminarske naloge je na osnovi obstoječih podatkov ugotoviti kakšni so potrebni pogoji, da je verjetnost največja, da bo v Preluki pihal za surfanje primeren jutranji veter.
Izdelava modela za napoved termičnega vetra
8
Tabela 1: Uporabljena programska oprema
Programska oprema Strojna oprema
Python Pisarniški računalnik
Baza podatkov Pisarniški zaslon
FileZilla
Microsoft Word 2013
Za izdelavo mojega projekta sem potreboval programsko opremo Pytohon ter gromno bazo podatkov. Kot strojna oprema pa mi je služil navaden pisarniški računalnik, ki ga ima doma prav vsak.
Izdelava modela za napoved termičnega vetra
9
2 Teoretični del projektne naloge
2.1 Podatkovna baza Prvi korak stoji na podatkovni bazi, iz katere bom preučeval posamezne parametre. Meritve, ki jih potrebujem, bom poskusil pridobiti iz windsurfaške spletne strani Veterček (dosegljivo na URL: https://vetercek.com/index.php). Stran ima zbrane podatke samodejnih postaj po Sloveniji, Hrvaškem, Italiji in Madžarskem. Razvidni so podatki, ki jih posamezna postaja ponuja.
Slika 3: Ekranski posnetek spletne strani Veterček
2.2 Razvoj algoritma za napovedovanje vetra v Preluki S pomočjo grafov s podatki iz obeh krajev bom opazoval kako na veter pri morju vpliva vetrovno stanje v Ilirski Bistrici, kako nanj vpliva tlak, kako smer vetra, temperatura zraka v zaledju in na obali ter kako nanj vpliva temperatura morja. Vse te kombinacije bom preučil in našel kaj je glavni razlog za veter v kraju Preluka. Napovedni algoritem temelji na iskanju funkcije f, ki vrednosti x (vsi podatki iz Ilirske Bistrice in podatki iz Preluke, razen hitrosti vetra) preslika v dve kategoriji: 1 – šibek veter (neprimeren za surfanje), 2 – močen veter (primeren za surfanje). Funkcija f je kompleksna funkcija, ki je sestavljena iz več pravil (npr. temperatura v Ilirski Bistrici je < 10°C, če ima morje 20°C).
2.3 Testiranje algoritma Tretji del sestavlja testiranje algoritma in ugotavljanje ustreznosti napovedi. Primerjal bom napovedane jakosti vetra z realnimi podatki. V analizi bom predstavil odstotek pravilnih napovedi.
Izdelava modela za napoved termičnega vetra
10
3 Praktični del projektne naloge 3.1 Pridobitev podatkovne baze Najprej je bilo potrebno pridobiti podatke, ki sem jih potreboval za mojo seminarsko nalogo. Podatki so najlepše zbrani na že zgoraj omenjeni spletni strani Veterček. Za mojo nalogo so mi ustrezali podatki samodejnih vremenskih postaj Ilirska Bistrica in Preluka, zato sem za njihov dostop prosil administratorja strani. Dobil sem seznam podatkov obeh postaj iz leta 2017. Moj prvi cilj je bil dosežen že s pridobitvijo teh skoraj milijon podatkov. Administrator mi je tako omogočil nadaljnje delo in analizo meritev. Datoteka, ki sem jo dobil, je bila shranjena s končnico csv (eng. »CSV is a comma separated values file which allows data to be saved in a table structured format.«). Števila so vsebovala decimalne pike. Prva težava, na katero sem naletel ob odprtju datoteke v programu Excel, je bila pretvorba decimalnih pik v datum. V nastavitvah našega domačega računalnika je bil nastavljen slovenski zapis decimalnih mest, z vejicami. Ko sem prvič odprl dobljen dokument, so se mi vsa števila s pikami pretvorila v datume. Ko pa sem uporabil funkcijo »zamenjaj« in pike z vejicami in datume pretvoril nazaj v številčno obliko, pa so se pojavile popolnoma nove številke. Ko sem v nastavitvah nastavil decimalno piko kot prevzeto, sem dobil seznam s pravimi vrednostmi. Na spodnji sliki so razvidni podatki, ki sem jih dobil od administratorja.
Slika 4: Tabela, ki sem jo dobil od administratorja
Izdelava modela za napoved termičnega vetra
11
V naslednjem koraku sem tabelo optimiziral in dodal nekaj novih stolpcev.
Slika 5: Urejena tabela z nekaj dodanimi stolpci
Na sliki 5 je razviden seznam 52548 meritev, ki so se ponavljale vsakih 10 minut v letu 2017. Vsako meritev oz. vrstico v tabeli sestavlja:
številka meritve, ki je sestavljena iz datuma (leto-mesec-dan) in časa (ure:minute:sekunde)
datum,
čas,
veter (Preluka),
smer (Preluka),
največja vrednost vetra (Preluka),
čas največje vrednosti (Preluka),
temperatura (Preluka),
tlak (Preluka),
temperatura morja (Preluka),
temperatura (Ilirska Bistrica),
veter (Ilirska Bistrica),
sunek (Ilirska Bistrica),
smer (Ilirska Bistrica) in
padavine (Ilirska Bistrica). Vsaka meritev mi poda 15 zgoraj naštetih informacij, torej celotno tabelo sestavlja slabih 800.000 podatkov. V naslednjem koraku sem se lotil urejanja tabele. Številka meritve (na sliki 5 prvi stolpec, A) je bila za mojo nalogo recimo neuporabna. Dodal pa sem temperaturno
Izdelava modela za napoved termičnega vetra
12
razliko med Preluko in Ilirsko Bistrico (dT_PR_IB), ločen stolpec z urami, minutami in skupnimi sekundami. Skupne sekunde se začnejo znova seštevati vsak dan posebej.
3.2 Uvoz podatkov Nalogo sem se določil opraviti v programskem jeziku Python. Od vseh možnosti (Excel, Orange ipd.) mi je bil Python najmanj poznan, zato sem se zanj tudi odločil ter si s tem postavil nov izziv. Zaradi lažjega dela in večje preglednosti grafov sem uporabljal program Spyder v katerega sem vnesel podatke. Ko sem tabelo uredil z ustreznimi stolpci, sem datoteko prenesel v interaktivno konzolo Spyder. Naredil sem 20 seznamov. V prejšnjem poglavju sem razložil kako sem 15 prvotnim stolpcem dodal še 5 novih, da sem dobil tako 20 stolpcev oz. toliko ločenih seznamov. Prvih 14 vrstic se nanaša na kraj Preluka, ostalih 6 pa na Ilirsko Bistrico. Tako sem tabelo razširil na slaba dva milijona podatkov. Na spodnjih dveh slikah je razviden seznam imen vseh stolpcev in prve vrednosti od vsakega stolpca.
Slika 6: Leva slika prikazuje naslove stolpcev, desna pa primer elementom
3.3 Risanje grafov Vsi rezultati mojega dela se kažejo v grafih, zato je to najpomembnejši del naloge. Najprej sem glavi določil osnovne podatke: # -*- coding: utf-8 -*-
Izdelava modela za napoved termičnega vetra
13
""" Created on Wed Feb 21 16:30:16 2018 @author: Mark """ in knjižnice Numpy, Pandas in Mathplotlib. Knjižnico Nampy sem uporabil za seznamov. Pandas in Mathplotlit pa sta mi omogočili risanje grafov z veliko količino podatkov. Dodal sem še »reddata« za vnos csv datoteke, ki sem jo poimenoval Preluka_Ilirska.txt.
Slika 7: Dodane osnovne knjižnice
Iz seznama KT_Pre (hitrost vetra Preluka; knots je angleški izraz za enoto vozli), KT_IB in TEMP_Pre sem izločil neveljavne »none« meritve. Takrat je bila postaja v okvari in ni pošiljala podatkov. Dobil sem nove tabele s končnico »_filter«, npr. TEMP_Pre_filter.
Izdelava modela za napoved termičnega vetra
14
Slika 8: Filtrirane meritve z odstranjenimi "NONE" vrednostmi
Naslednji korak je bil namenjen grafom. Uporabil sem funkcijo »plt.hist«, s katero sem dobil prikaz ponovitev določenih vrednosti. V mojem primeru kolikokrat je pihal veter z močno 1 vozel, 2 vozla, 3 vozle itd. Graf ima razpon od 0 do 20 vozlov.
Slika 9: Koda za izris treh grafov
Izdelava modela za napoved termičnega vetra
15
3.4 Analiza rezultatov Kot sem povedal se rezultati kažejo v grafih. Najprej sem preveril kako pogost je veter različnih jakosti v Preluki in Ilirski Bistrici.
Slika 10: Histogram vetra v Ilirski Bistrici
Slika 11: Histogram vetra v Preluki
Iz slik 10 in 11, ki prikazujeta pogostost vetra, lahko najprej opazimo različno razporeditev stolpcev. V Ilirski Bistrici je izrazito najpogostejši veter jakosti med 1 in 5 vozli (skoraj 50 ponovitev), v Preluki pa se jakost pomakne nekoliko v desno. To
Izdelava modela za napoved termičnega vetra
16
pomeni, da so pogostejši prav močnejši vetrovi. Vendar ne smemo pozabiti, da sem tukaj primerjal vetrove iz vseh smeri ter v celotnem letu.
Slika 12: Prikaz vseh temperatur v letu v kraju Preluka
Prikazan je histogram temperature na lokaciji Preluka, ki se nahaja tik ob morju. Lahko opazimo, da se večina temperatur giblje med 0 in 15 stopinj. Podatek je zanimiv, saj lahko iz njega sklepamo, da je temu podobna tudi temperatura morja. Zanimivo je, da temperatura zraka le redko preseže 15 stopinj, iz tabele vseh podatkov pa sem preveril, da ima morje poleti temperaturo krepko nad 20 stopinj. V letu 2017 iz katerega jemljem podatke je bilo celo 28 stopinj. Tega zanimivega pojava mi ni uspelo raziskati, zato ostaja vprašanje odprto.
3.4.1 Izračun povprečnih vrednosti, uvedba filtra V tem poglavju sem dodal sem nekaj novih knjižnic, med katerimi je najpomembnejša
knjižnica »mathplotlib«, za risanje grafov. Uvedel sem tudi funkcijo »data.pop«, ki mi
je omogočila, da sem imel prvo vrstico namenjeno zgolj poimenovanju (»header«).
Seznam z indeksom 0 je prva vrstica s podatki. To mi je omogočilo lažje delu pri vnosu
podatkov.
Izdelava modela za napoved termičnega vetra
17
Slika 13: Dodana knjižnica mathplotlib in funkcija data.pop
Sedaj sem se lotil računanja povprečnih vrednosti. Najprej sem izračunal povprečno
letno vrednost za veter, ki znaša 3,8 vozlov ali 13,3 km/h. Nato povprečje za določen
mesec, na primer januar. Na koncu pa izračunal še za vsak mesec v letu svoje
povprečje. To sem prikazal tudi z grafom.
Slika 14: Izračunana povprečna vrednost letnega vetra
Slika 15: Povprečen veter za mesec januar
Izdelava modela za napoved termičnega vetra
18
Slika 16: Povprečen veter za celotno leto po mesecih
Zanimalo me je kateri mesec je najbolj vetroven v Preluki. Narisal sem graf, ki mi
pokaže povprečje vetrov za vsak mesec posebej. Pri tem je potrebno upoštevati, da so
tu zbrani vetrovi vseh smeri.
Slika 17: Povprečni vetrovi za vsak mesec v letu
Vidimo, da je najbolj vetroven januar, sledi pa mu december. Predstavljamo si lahko
januarske burje in jesenske juge, ki so za to obdobje značilni.
V naslednjem koraku sem se lotil povprečnega urnega izračuna. Naredil sem tudi
seznam vseh smeri vetrov.
Izdelava modela za napoved termičnega vetra
19
Slika 18: Povprečni veter za vsako uro
Slika 19: Seznam z 12 meritvami, vsaka z največjim sunkom, časom in smerjo sunka
Slika 20: Seznam smeri vseh vetrov, ki jih je zaznala postaja
Izdelava modela za napoved termičnega vetra
20
Dobil sem seznam vseh možnih smeri vetrov, ki jih je zaznala postaja:
[''SE', 'NNW', 'E', 'WSW', 'SSE', 'SW', 'NE', 'ESE', 'NW', 'NNE', 'ENE', 'S', 'W', 'SSW', 'N',
'WNW']
Z novo funkcijo, ki mi je omogočila filtrirano iskanje med stolpci, sem lahko računal
veter med določenima urama. Iz izkušenj vem, da je veter najmočnejši v jutranjih
urah. To domnevo sem potrdil. Podatke sem zožil le na uro med 5.00 in 8.00.
Slika 21: Filtracija med stolpci, pogoj ura med 5h in 10h
S funkcijo filtracije sem preveril oz. potrdil, da je najpogostejši in najmočnejši severnih
(»N«). Z »if« stavi sem dal pogoj, da mora biti časovni interval med 4.00 in 9.00. Uro
sem moral spremeniti in prilagoditi letnim časom. Poleti sonce vzide prej in s tem tudi
veter preje ugasne. Pozimi pa se časovni interval pomakne malo naprej. Z 4-urnim
intervalom sem lahko zaobjel tako poletni kot tudi zimski ekstrem.
Slika 22: Grafi hitrosti vetra, vsak za svojo smer
Izdelava modela za napoved termičnega vetra
21
Za vsako smer sem dodal svoj histogram in svojo barvo. Vendar moramo upoštevati,
da se y os prilagaja glede na vrednosti. Pri modri barvi (sever veter) je enota 1000, pri
rumeni (vzhodni veter) pa 25.
Slika 23: Histogram severnika
Slika 24: Histogram vzhodnika
Izdelava modela za napoved termičnega vetra
22
Slika 25: Histogram juga
Slika 26: Histogram zahodnika
Najprej opazimo različnost y osi. Prvi histogram ima enoto daleč največjo, kar pomeni, da je pogostost tu največja. Tudi najvišji stolpec je tu pomaknjen najbolj na desno (13 vozlov). Ugotovimo, da v Preluki piha najmočneje in hkrati najpogosteje severnik.
3.4.2 Temperaturna razlika, hitrost in smeri vetra V tem poglavju sem se lotil temperaturnih razlik. Ker vemo, da je za veter potrebna sprememba v tlaku oz. temperaturi, sem poskušal ugotoviti kdaj in kje je ta razlika
Izdelava modela za napoved termičnega vetra
23
največja. Hkrati sem za iste vrednosti preverjal še jakosti vetra. Na koncu sem podatke med seboj primerjal.
Slika 27: Koda za izračun temperaturen razlike med Ilirsko Bistrico in morjem, ustrezni graf za prvih 6 mesecev leta
Izdelava modela za napoved termičnega vetra
24
Slika 28: Graf za za preostalo polovico leta
Izdelava modela za napoved termičnega vetra
25
Grafi prikazujejo temperaturne razlike med morjem in Ilirsko Bistrico.
Slika 29: Temperaturna razlika med Ilirsko Bistrico in Preluko
Narisal sem 12 grafov, vsakega za svoj mesec. Vsebujejo 30 stolpcev oz. toliko kolikor dni ima mesec. Razvidna je največja razlika v mesecu decembru in januarju. Prej smo že omenjali ta dva meseca kot obdobje z najvišjim povprečnim vetrom. To je delni dokaz, da ima morda temperaturna razlika vpliv na moč vetra.
Izdelava modela za napoved termičnega vetra
26
Narisal sem enakih 12 grafov še za temperaturno razliko zraka med Preluko in Ilirsko Bistrico.
Slika 30: Temperaturna razlika med Preluko in Ilirsko Bistrica
Najprej opazimo, da so razlike malo manjše. To si razložimo z dejstvom, da se kopno ohlaja hitreje kot morje. Poleti ima recimo morje 25 stopinj, Ilirska Bistrica se ohladi na 15, Preluka pa na 20 stopinj. Razlika je torej manjša. Preveril sem še za koliko več se kopno sploh ohladi ponoči v primerjavi z morjem. Grafi prikazujejo temperaturna razliko med morjem in Preluko.
Izdelava modela za napoved termičnega vetra
27
Slika 31: Temperaturna razlika med morjem in Preluko
Razlika je opazno manjša. Ponekod segajo stolpci celo v minus. To pomeni, da se je občasno obala ohladila bolj kot se je lahko morje. To se dogaja predvsem v poletnih mesecih, ko ima voda 25 stopinj ali več, kopno pa se ohladi na prijetnih 20. Pozimi pa ima morje 10 stopinj kopno pa je malo nad ničlo.
Izdelava modela za napoved termičnega vetra
28
V naslednjih 12 grafih sem prikazal povprečno jakost severnega vetra za vsako uro v mesecu. Razviden je upad vetra sredi dneva in ponovno krepitev proti večeru. Vidimo tudi vpliv sončnega vzhoda. V zimskih mesecih veter poneha okoli desetih, poleti pa se vpad začne kar nekaj ur prej.
Slika 32: Povprečni dnevni veter za vsak mesec severnika med 4h in 9h
Izdelava modela za napoved termičnega vetra
29
Izračunal sem povprečne vrednosti sončnih vzhodov za vsak mesec, kar nam je lahko v pomoč pri primerjavi z zgornjimi grafi. Najhitreje je vzšlo v drugi polovici junija 5:10, najkasneje pa v decembru 7:44. Tabela 2: Tabela povprečnih sončnih vzhodov za vsak mesec
januar: 7.30 julij: 5.30
februar: 7.00 avgust: 6.00
marec: 6.40 september: 6.40
april: 6.15 oktober: 6.50
maj: 5.35 november: 7.05
junij 5.15 december: 7.35
Izdelava modela za napoved termičnega vetra
30
Sedaj bom preveril še smeri vetrov. Najprej v Preluki, nato še v Ilirski Bistrici.
Slika 33: Histogrami za vse smeri vetrov, na koncu še skupen histogram
Izdelava modela za napoved termičnega vetra
31
Preluka
Slika 34: Histogram vetrov vseh smeri v Preluki
Slika 35: Histogram vseh smeri v letu na enem grafu za Preluko
Izdelava modela za napoved termičnega vetra
32
Ilirska Bistrica
Slika 36: Histogram vetrov vseh smeri v Ilirski Bistrici
Slika 37: Histogram vseh smeri v letu na enem grafu za Ilirsko Bistrica
Izdelava modela za napoved termičnega vetra
33
Z zgornjima dvema grafoma sem lepo dokazal, da v Preluki v jutranjih urah piha najpogosteje severnik, saj je enota na y osi 1000, medtem ko je pri ostalih smereh od 12 do 120. Pri grafih vseh smeri skupaj izstopajoč stolpec predstavlja najpogostejšo smer vetra. V Preluki je najpogostejši severnik, v Ilirski Bistrici pa jugo vzhodnik, in sicer celo bolj kot v Preluki severnik. Če pogledamo jakost vetra pa takoj opazimo, da je severnik v Preluki veliko močnejši od jugo vzhodnika v Ilirski Bistrici. Iz pogostosti (pri obeh grafih sega y os do enote 1000) iste severne smeri na obeh krajih lahko morda predvidevamo, da se v Ilirski Bistrici veter »ustvari« na poti do morja pa se le še bolj ukrepi. Oba kraja na zemljevidu tudi ležita drug nad drugim.
Slika 38: Pogled na Ilirsko Bistrico v zaledju in Preluko ob morju
Spodnji dve sliki sem priložil kot dokaz jadranja na severnik. Veter piha vzporedno z zalivom oz. stran od obale. Optimalni kot jadranja glede na smer vetra je 90 stopinj, ravno to pa se vidi na slikah. Za lažjo predstavo o mikrolokaciji Preluka: širina zaliva je 550 metrov. Na drugi sliki, je najdaljša črta dolga slaba 2 kilometra. Vidimo, da veter piha tudi nekaj kilometrov izven zaliva. Zgornja obojestranska puščica pa kaže kako široko piha. Do tja se namreč da prisurfati, vsaj tako pravijo, dolžina tega pa je več kot 4 kilometre.
Preluka
Izdelava modela za napoved termičnega vetra
34
Slika 39: Meritev1 (dejanski prikaz jadranja na severnik v zalivu Preluka)
Slika 40: Meritev2
Viden je dejanski prikaz, kje vse piha tramontana oz. severnik.
Izdelava modela za napoved termičnega vetra
35
Slika 41: Zemljevid Krka, severa Cresa, Reke, Opatije
Na zgornjem zemljevidu se vidita otoka Krk in Cres prav tako pa čisto na vrhu reškega zaliva Preluka. Z modrimi puščicami je označena smer jutranje tramontane, rumene pa predstavljajo popoldanski maestral (smer JZ). Želel pa sem preveriti tudi vpliv popoldanskega maestrala oz. zahodnika. Ko sonce enkrat vzide se začne celina segrevati, veter pa precej hitro vpade. Ker se kopno segreje bolj kot morje začne pihati v nasprotno smer. Poglejmo primer Dalmacije. Čez dan piha termika iz morja proti celini. Ima smer zahoda, med otoki pa se zahodnik kanalizira v različna odstopanja od prvotne smeri. Ponoči zapiha burin s celine proti morju, ki morju segreto gladino pomeša z hladnejšo vodo iz dna, ravno toliko da se temperatura ohranja pri nekako stalnih 23 stopinjah. Težava nastane, če se morje in kopno segrejeta preveč, da med njima ni razlike, potem tudi burin ne piha več. Potrebna je močna burja, ki morje temeljito premeša in spet se začne termični cikel. Enak primer le malo manjši je Preluka. Nočni burin oz. jutranjo tramontano (severnik) sem že dokazal, enako pa velja tudi za maestral. Želel sem dokaz tudi tega. Za dokaz mi ni bilo potrebno narediti veliko. Pri kodi za izračun histograma vseh smeri v Preluki sem zamenjal uro. Pri pogoju sem prestavil čas iz 4:00-9:00 na 12:00-17:00. Tako sem dobil popoldanske ure. Z spodnjimi grafi sem torej dokazal kako se veter čez dan obrne. Vidimo kako severnik popoldne popolnoma poneha, okrepijo pa se južni in jugo-zahodni vetrovi ali tako imenovani lokalni maestral.
Preluka
Izdelava modela za napoved termičnega vetra
36
Slika 42: Histogram moči vetrov med 12h in 17h v Preluki
Slika 43: Vsi vetrovi med 12h in 17h v Preluki
Izdelava modela za napoved termičnega vetra
37
3.4.3 Točkovni graf Do sedaj sem dokazal, da je v Preluki veter najmočnejši v jutranjih urah in sicer v času sončnega vzhoda, potem nenadoma pade. Najpogostejši je severnik, ki se čez dan obrne v maestral. Nisem pa še dokazal povezave vetra in temperaturne razlike. Trditev bom potrdil v nekaj naslednjih grafih. Najprej sem naredil dva. Enega z vrednostmi največjih sunkov v dnevu. Želel sem dobiti mesečni pogled na največje dnevne sunke in nato še letni pogled. Drug seznam pa so na enak način sestavljale temperaturne razlike.
Slika 44: Naredil sem 2 seznama, en vsebuje največje sunke za vsak dan v mesecu v letu, drug pa temperaturen razlike med Preluko in Ilirsko Bistrico
Slika 45: Seznam severnih vetrov
Z dodanim tretjim seznamom vseh severnih vetrov, sem dobil tri pomembne sezname, ki so bili baza za risanje naslednjih grafov. Najprej sem želel preveriti kako ima temperaturna razlika vpliv na severnik. Narisal sem točkovni diagram iz seznamov »veter« in »letna_razlika«. Če je moje predvidevanje o medsebojni povezanosti pravilno, bi iz grafa moral razbrati premico, ki je nagnjena rahlo na desno. To pomeni, da z vetrom narašča tudi razlika v temperaturi.
Izdelava modela za napoved termičnega vetra
38
Slika 46: Razviden je trend naraščanja vetra z naraščanjem temperaturne razlike
Iz grafa 43 vidimo svetlejše in temnejše dele. Vsaka točka predstavlja hitrost vetra ob ustrezni razliki. Tam kjer je modra barva temnejša, tam je podobnih vrednosti več. Lepo vidi kako je gmota točk nagnjena rahlo na desno. To pomeni, da je za močnejši veter res potrebna tudi večja razlika v temperaturi. Še enkrat sem storil enako, le da sem namesto seznama »veter« uporabil seznam »letni_ sunek« in »letna_razlika«. Ker so sunki najvišje vrednosti, ki jih izmeri postaja moraj biti večina točk na zgornjem delu grafa. Trend temnejših točk pa bi moral biti enak kot pri prejšnjem grafu, usmerjen v desni zgornji kot.
Izdelava modela za napoved termičnega vetra
39
Slika 47: Prikaz odvisnosti sunka od temperaturne razlike
Enako kot pri prejšnjem grafu vidimo temnejše območje na desni in zgornji strani vrednosti. Na prvem grafu so opazna odstopanja na y osi pri vrednosti 7. Vidimo ravno črto, ki pa je posledica napake. Potrditev domneve bolje kaže drugi graf, zato sem uporabil seznam »letni_sunek«. V naslednjem koraku sem določil vrednost parametru optimalni sunek. Iz izkušenj vem, da so ponavadi sunki skoraj 10 vozlov nad povprečnim vetrom. To je razvidno tudi v tabeli. Za windsurfanje je potrebnih minimalno 13 vozlov za povprečnega »freeriderja«. Zato sem optimalni sunek nastavil na 20 vozlov. Naredil sem zanko, ki gre med podatki od 0 pa do največje temperaturen razlike (21,8°C). Znotraj nje pa sem vstavil še eno zanko, ki pa ima za obseg dolžino seznama »letna_razlika«. Tako je spremenljivka i v if stavek vnesla vsako vrednost letnega sunka in letne razlike. Kot pogoj za uspešno napoved je morala biti razlika spremenljivke i večja od podane temperaturne razlike (določa jo prva for zanka), hkrati pa pihati najmanj 20 vozlov. Kot uspešno napoved pa štejejo tudi meritve, kjer je razlika manjša od podane in je hkrati veter pod 20 vozlov. To pomeni, da je napoved napovedala, da ob majhni temperaturni razliki ne bo močnega vetra. Vse ostale kombinacije so dobile naziv napačne napovedi. Vse točne napovedi sem označil z 1, napačne pa z 0. Nastala sta dva seznama napovedi. Zaradi lažje preglednosti sem pred vnosom znakov v seznam izračunal še odstotek vsakega. Dobil sem dva seznama z odstotki znakov 0 in 1. Oba seznama pa sem na koncu združil v skupni »seznam_napoved«.
Izdelava modela za napoved termičnega vetra
40
Slika 48: Nastavil sem optimalni sunek, ki je bil pogoj za uspešno napoved
Naslednji korak pa je bil prikaz tega na grafu. Želel sem izvedeti ob kateri temperaturni razliki, je napoved najbolj točna. Na x osi sem prikazal razpon razlik, na y pa odstotke verjetnosti napovedi.
Slika 49: Nazoren prikaz kakšna mora biti temperaturna razlika za največjo točnost napovedi
Dobil sem graf z vrhom. To pomeni, da obstaja neka temperatura, pri kateri imamo največ možnosti, da bo pihal veter nad 20 vozlov. Ko bo temperaturna razlika med Preluko in Ilirsko Bistrico enaka 9°C, imamo ravno 80% možnosti, da bo veter dovolj močan za windsurfanje.
Izdelava modela za napoved termičnega vetra
41
Slika 50: Točkovni graf, ki prikazuje točnost moje napovedi; ZELENA-pravilno, RDEČA-napačno
Na grafu je z zeleno vidno prikazana točna napoved, ki znaša 80 odstotkov vseh pik
na sliki. Za ostale, rdeče pike pa je bila napoved napačna. Lahko opazimo, da je kar
nekaj pik pod mejo 20 vozlov, pa so vseeno zelene. Napoved je v teh primerih
pravilna, saj je bila predvidena tudi majhna temperaturna razlika. V takšnem
primeru, vemo da ne bo pihalo. Vseeno pa je takšnih vrednosti sorazmerno veliko.
Pojav potrdimo iz vsakdanjih izkušenj. Jadralci dobro vemo, da so zares nepozabni
surfaški dnevi o katerih bi se še govorilo prava redkost, zato pa jih vsakič
pričakujemo s toliko večjo nestrpnostjo.
Izdelava modela za napoved termičnega vetra
42
4 Sklep
V mojem projektu sem se odločil dokazati nekaj domnev, ki naj bi bile ključne za dovolj močen veter v Preluki. Podrobno sem analiziral podatke z vremenske postaje v Preluki in Ilirski Bistrici. V končnem grafu sem grafično dokazal kako temperaturna razlika vpliva na moč severnega vetra. Vrednosti prave napovedi sem označil z zeleno barvo, napačne pa z rdečo. Točno mejo med barvama sem določil s črtkanima premicama. X mejo predstavlja prej preverjena razlik 9 stopinj, y mejo pa določena vrednost 20 vozlov. Preveril sem, da je severnik najmočnejši v času sončnega vzhoda in da za tem hitro pade, ponovno se okrepi v večernih urah. Ko severnik poneha, se okoli poldneva obrne v jugozahodnik. Ta predstavlja popoldanski maestral. Pokazal sem, da je v Preluki daleč najpogostejši severnik. Vetrovi severnih smeri pa v Ilirski Bistrici ne dosegajo tako visokih vrednosti kot v Preluki. Moč vetra tako med krajema nima vpliva. S svojim delom sem zadovoljen, saj sem veliko dosegel. Naredil sem kar nekaj dokazov, ki pripomorejo k točnejši napovedi vetra v Preluki. Moj prvotni cilj je bila izdelava spletne strani, ki uporabniku pokaže kolikšna je verjetnost za naslednji dan, da bo veter dovolj močan za windsurfanje. Cilj ni bil dosežen. Imam pa sedaj narejeno podlago iz katere bom lahko v prihodnosti razvil model za napovedovanje. Analiziral bi kakšen vpliv imajo vrednosti na jutranji veter ob 22. uri, ko gremo recimo v posteljo. Na tak način bom lahko dodelal projekt še na tem področju. Naredil pa bi lahko tudi mobilno aplikacijo. Ta bi nas zbudila izbrani čas pred sončnim vzhodom v primeru, da takratne vrednosti dosegajo pogoje. V praksi bi bilo takole. Aplikacija bi vas vprašala kje živimo, ter pred vzhodom želimo biti na lokaciji. Če živimo v Ljubljani potrebujemo do Preluke uro in pol vožnje, za sestavitev opreme 15 minut. Na vodi želimo biti 45 minut pred vzhodom. Budilka nas bo zbudila 2 uri preden bo vzšlo sonce, če bo veter dosegal sunke 20 vozlov in če bo temperaturna razlika najmanj 9 stopinj. Tako bi ljubiteljem tega športa prihranil nekaj spanca in priskrbel nekaj več zabave na vodi. Upoštevati pa moramo, da na veter vpliva tudi prisotnost burje in juga, tako da bo lahko napoved kdaj tudi napačna.
Izdelava modela za napoved termičnega vetra
43
5 Literatura
- meteo.si - Uradna vremenska napoved za Slovenijo – Državna meteorološka služba RS – Vreme podrobneje. 2018. Dosegljivo na URL: http://meteo.arso.gov.si/met/sl/app/webmet/#webmet=vUHcs9WYkN3LtVGdl92LhBHcvcXZi1WZ09Cc1p2cvAncvd2LyVWYs12L3VWY0hWZy9SaulGdugXbsx3cs9mdl5WahxHf. Uporabljeno [18.3.2018].
- Windguru – Preluka. 2018. Dosegljivo na URL: https://www.windguru.cz/208246. Uporabljeno [18.3.2018].
- Veterček.com. 2018. Doesgljivo na URL: https://vetercek.com/index.php. Uporabljeno [18.3.2018].
- Spyder – Documentation – Spyder 3 documentation. Dosegljivo na URL: https://pythonhosted.org/spyder/. Uporabljeno [18.3.2018].
- Python: string to a datetime object. 2011. Dosegljivo na URL: https://blogs.harvard.edu/rprasad/2011/09/21/python-string-to-a-datetime-object/. Uporabljeno [18.3.2018].
- Python Graph Library – Stack Overflow. 2010 Dosegljivo na URL: https://stackoverflow.com/questions/606516/python-graph-library. Uporabljeno [18.3.2018].
- Python Histograms | plotly. 2015. Dosegljivo na URL: https://plot.ly/python/histograms/. Uporabljeno [18.3.2018].
- Pyplot tutorial – Matplotlib 2.0.2 documentation. 2017. Dosegljivo na URL: https://matplotlib.org/users/pyplot_tutorial.html#pyplot-tutorial. Uporabljeno [18.3.2018].
Ostalo:
- administrator strani Veterček Jaka Kukovič
- predlogi in popravki družinskih članov
6 Čas dela Projekta sem se najprej lotil v programskem jeziku Python v katerem sem porabil okoli 40 ur dela. Ko so bile narejene vse raziskave in narisani grafi, pa sem se lotil dokumentacije v Wordu. Tu sem porabil nekaj več kot 52 ur.