Stochastic weather generators produce synthetic time series of meteorological data based on the statistical characteristics of observed weather at that specific location. It is important to note that weather generators are not weather forecasting algorithms, and thus are quite different from deterministic weather models. Stochastic model outputs behave statistically like weather data, but it is not expected that any particular simulated weather sequence will be duplicated in weather observations for a given location at a given time. Stochastic weather generators have for example been used in hydrological, agricultural and ecosystem studies. The synthetic time series of meteorological data then provide those conditions needed for a long term planning and risk analyses within these areas. In this study a stochastic weather generator, based on the approach reviewed in Richardson [1981], is developed and evaluated. The aim of the model is to provide the energy company E.ON’s models for hydrology and energy consumption with synthetic, correlated series of temperature and precipitation. The model is based on observed temperature and precipitation series from Gunnarn in the north of Sweden. A bipartite model composes the stochastic weather generator, one for the generation of temperature and one for the generation of precipitation. The two model parts are connected via the correlation between the two variables. Evaluation and tests of the stochastic weather generator are based on the specific requirements and the usage that the model is intended for. This includes for example the stochastic weather generator’s ability to simulate mean and variance of temperature as a function of the day of the year, monthly mean precipitation and average precipitation per period of precipitation as a function of the length of the period. The ability to simulate periods where the dominant factor is either warm or cold as well as dry and wet weather conditions was also investigated. All test results were very good, with the exceptions for one. The model encountered difficulties catching the characteristic double peak of the observed temperature distribution. Further investigations indicate that the problem occurred due to the fact that the observed temperature distribution exhibits skewness with seasonal variation. A solution is suggested, but for optimal performance further studies are required. This particular problem is not mentioned in accessible literature, thus it is hard to say if the problem has been ignored or not yet been noticed. The stochastic weather generator fulfills the requirements in a very good way. The model produce in a great extent synthetic time series of temperature and precipitation that statistically behave like observed weather data. / Stokastiska vädergeneratorer är modeller som genererar syntetiska tidsserier av meteorologiska variabler, genom att simulera egenskaperna hos observerad meteorologisk data. Det är viktigt att skilja en stokastisk vädergenerator från en deterministisk prognosmodell. Den resulterande tidsserien från en stokastisk vädergenerator har samma statistiska egenskaper som observerad väderdata, men det förväntas inte att någon viss simulerad sekvens skall kunna observeras på en viss plats under en viss tidpunkt. Stokastiska vädergeneratorer används bland annat för generering av indata till modeller för hydrologi, växtodling och ekologi. De simulerade serierna av meteorologiska variabler ger då förutsättningar för långsiktig planering och riskanalys inom dessa områden. I det här arbetet utvecklas och utvärderas en stokastisk vädergenerator av Richardson-typ, vars syfte är att förse energibolaget E.ONs modeller för hydrologi och energiförbrukning med syntetiska, korrelerade, temperatur- och nederbördsserier. Modellen är uppbyggd och anpassad efter observerade temperatur- och nederbördsserier från Gunnarn, som ligger i norra Sverige. Den stokastiska vädergeneratorn är uppbyggd av två delmodeller, en för temperaturgenerering och en för nederbördsgenerering, som kopplats ihop med hjälp av korrelationen mellan dessa variabler. Utvärdering och test av modellen baserar sig främst på de specifika krav och användningsområden som modellen är konstruerad för. Detta inkluderar bland annat undersökningar av den stokastiska vädergeneratorns förmåga att fånga temperaturens medelvärde och standardavvikelse som funktion av dag på året samt månadsmedelnederbörd och snittnederbörd per nederbördsperiod, som funktion av periodlängd. Även modellens förmåga att fånga antalet perioder (konsekutiva dagar) då temperaturen är kallare (≤ 2 °C) och varmare (≥ 2 °C) än medeltemperatur samt förmågan att fånga antalet perioder med uppehåll och med nederbörd undersöks. Överlag visar samtliga test ett mycket bra resultat, med ett undantag. Modellen har svårt att fånga den karakteristiska dubbeltoppen i den observerade temperturfördelningen. Vidare undersökningar tyder på att problemet orsakas av att den observerade temperaturseriens fördelning har en årstidsvarierande skevhet som försvårar modellens beskrivning av den samma. Ett förslag på lösning presenteras, men vidare studier krävs för att problemet skall lösas på ett optimalt sätt. Problemet har inte uppmärksammats i tillgänglig litteratur, vilket gör det svårt att veta om det har ignorerats eller om det inte har belysts tidigare. Sammanfattningsvis kan sägas att den stokastiska vädergeneratorn på ett mycket bra sätt lever upp till de krav som ställs. Modellen genererar syntetiska tidsserier av temperatur och nederbörd som i stor utsträckning har samma egenskaper som observerad data.
Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:uu-303879 |
Date | January 2006 |
Creators | Svensson, Johanna |
Publisher | Uppsala universitet, Luft-, vatten och landskapslära |
Source Sets | DiVA Archive at Upsalla University |
Language | Swedish |
Detected Language | Swedish |
Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
Format | application/pdf |
Rights | info:eu-repo/semantics/openAccess |
Relation | Examensarbete vid Institutionen för geovetenskaper |
Page generated in 0.0086 seconds