Более

17.1: Частота ветра - Науки о Земле


Скорость ветра редко бывает постоянной. Количество раз, когда диапазон ∆M скоростей ветра встречался в мимо это частота возникновения. Ожидание того же относительная частота произойдет в будущее это вероятность (Pr).

Распределение вероятностей средней скорости ветра M в любом месте описывается Распределение Вейбулла:

( begin {align} operatorname {Pr} = frac { alpha cdot Delta M cdot M ^ { alpha-1}} {M_ {o} ^ { alpha}} cdot exp left [- left ( frac {M} {M_ {o}} right) ^ { alpha} right] tag {17.1} end {align} )

где Pr - вероятность (или относительная частота) скорости ветра M ± 0,5 · ∆M. Такие вариации скорости ветра вызваны синоптическими, мезомасштабными, локальными и пограничными процессами.

Параметр местоположения Mо пропорциональна средней скорости ветра. Для параметр спреда α, меньшее α приводит к более широкому разбросу ветров относительно среднего значения. Значения параметров и соответствующая форма распределения варьируются от места к месту.

В размер бункера или разрешающая способность есть ∆M. Например, столбец на рис. 17.1 для M = 3 м с–1 вероятность того, что ветер дует от 2,5 до 3,5 м с–1. Ширина каждого столбца гистограммы ∆M = 1 м с.–1. Сумма вероятностей для всех скоростей ветра должна равняться 1, что означает, что существует 100% вероятность того, что скорость ветра находится между нулем и бесконечностью. Используйте это, чтобы проверить наличие ошибок. Уравнение (17.1) является приблизительным, поэтому сумма вероятностей почти равна 1.

Распределение скорости ветра полезно для оценки выработки электроэнергии ветровыми турбинами, а также при проектировании зданий и мостов, способных противостоять сильным ветрам.

Вы можете выразить вероятность сильного ветра как период возврата (RP), который равен общему периоду измерения, разделенному на количество раз, когда ветер превышал пороговое значение. Например, если скорость ветра превышает 30 м с–1 произошло дважды за последнее столетие, затем период повторяемости 30 мс–1 ветров RP = (100 лет) / 2 = 50 лет. Более быстрые ветры возникают реже и имеют более длительные периоды повторяемости.

Если подсчитать частоту появления ветров с каждого направления компаса (север, северо-северо-восток, северо-восток и т. Д.) За период, например, 10 лет, а затем нанести эту частоту на полярный график, результат называется Роза ветров. Например, на рис. 17.2 показана роза ветров для аэропорта Ванкувер (CYVR).

Общая длина каждой ветровой линии дает общую частоту любой скорости ветра. из в этом направлении, в то время как ширина (или цвет) линии подразделяет эту частоту на части, связанные с различными скоростями ветра. (Не все розы ветров подразделяются по скорости ветра.) Частота тихих ветров обычно указывается в центре круга, если он подходит, или указывается сбоку. Сумма всех частот (включая штиль) должна составлять 100%. На первый взгляд, самые длинные линии указывают на преобладающее направление ветра для любого места.

Например, в аэропорту Ванкувера восточные (восточные) ветры (ветры из на восток) наиболее часты, за ними следуют ветры с ЗСЗ, а затем с ЮВ. Взлет и посадка самолетов более безопасны и требуют меньших расстояний, если они выполняются против ветра. Следовательно, аэропорты строятся с взлетно-посадочными полосами, выровненными параллельно преобладающим направлениям ветра (в пределах разумного, что диктуется границами собственности и препятствиями).

Образец заявки

Как часто бывают восточные ветры в аэропорту Ванкувера?

Найти ответ

Используйте Рис. 17.2. Частота ≈ 26%.

Экспозиция: Это сумма 2% для 0,5 5,5 м с.–1.

На рис. 17.3 показано, что взлетно-посадочные полосы в аэропорту Ванкувера соответствуют климатологии ветра, показанной на предыдущем рисунке. Конец каждой взлетно-посадочной полосы маркируется направлением магнитного компаса (в десятках градусов; например, 12 означает 120 ° магнитного), в сторону которого летит самолет, приближаясь к этому концу взлетно-посадочной полосы за пределами аэропорта. Таким образом, самолет будет использовать ВПП 30 при ветре от 300 °. Параллельные взлетно-посадочные полосы обозначены как левая (L) или правая (R).


17.1: Частота ветра - Науки о Земле

Все статьи, опубликованные MDPI, немедленно становятся доступными по всему миру по лицензии открытого доступа. Для повторного использования всей или части статьи, опубликованной MDPI, включая рисунки и таблицы, специального разрешения не требуется. Для статей, опубликованных под лицензией Creative Common CC BY с открытым доступом, любая часть статьи может быть повторно использована без разрешения при условии четкого цитирования исходной статьи.

Тематические статьи представляют собой самые передовые исследования со значительным потенциалом воздействия в данной области. Тематические статьи представляются по индивидуальному приглашению или рекомендации научных редакторов и проходят рецензирование перед публикацией.

Тематический доклад может быть либо оригинальной исследовательской статьей, либо существенным новым исследованием, которое часто включает несколько методов или подходов, либо всеобъемлющим обзорным документом с краткими и точными обновлениями последних достижений в этой области, в котором систематически рассматриваются самые захватывающие достижения в научной литература. Этот тип статьи дает представление о будущих направлениях исследований или возможных приложениях.

Статьи Editor’s Choice основаны на рекомендациях научных редакторов журналов MDPI со всего мира. Редакторы выбирают небольшое количество недавно опубликованных в журнале статей, которые, по их мнению, будут особенно интересны для авторов или важны в этой области. Цель состоит в том, чтобы сделать снимок некоторых из наиболее интересных работ, опубликованных в различных исследовательских областях журнала.


Науки о Земле FHSU - Д-р Тодд Мур

Добро пожаловать в Департамент наук о Земле. Как и моих коллег из области наук о Земле, меня интересует физический мир и то, как мы с ним взаимодействуем. Моя подготовка в качестве физико-географа расширила мои интересы, но я сосредоточен в основном на опасных погодных условиях, а также на изменении и изменчивости климата.

Образование

  • Кандидат наук. Магистр географии и климатологии, Техасский государственный университет - Сан-Маркос, Техас, 2013 г.
  • РС. Магистр географии, Техасский государственный университет - Сан-Маркос, Техас, 2009 г.
  • Б.С. Магистр географии, Техасский государственный университет - Сан-Маркос, штат Техас, 2005 г.

Преподаваемые курсы

  • Климатология
  • Метеорология
  • Суровая и опасная погода
  • Изменение климата
  • Физическая география

Научные интересы и специализации

  • Неблагоприятные погодные условия и климатология
  • Климатология торнадо
  • Изменение и изменчивость климата

Выделенные публикации / аннотации и презентации

(полный список см. в резюме)

Brace AM, Мур TW, Мэтьюз Т.Л. 2020 Взаимосвязь между продовольственными пустынями, фермерскими рынками и программами продовольственной помощи в районах переписи населения Гавайев. Гавайский журнал здравоохранения и социального обеспечения 79:4-9.

Мур TW, Макгуайр депутат. 2019. Торнадо-дни в США по фазам Колебания Мэддена-Джулиана и Глобального Колебания Ветра. Климатическая динамика. DOI: 10.1007 / s00382-019-04983-y.

Мур TW, Макгуайр депутат. 2019. Использование эллипса стандартного отклонения для документирования изменений пространственной дисперсии сезонной активности торнадо в Соединенных Штатах. npj Наука о климате и атмосфере. DOI: 10.1038 / s41612-019-0078-4.

Мур TW, ДеБоер Т.А. 2019. Обзор и анализ возможных изменений климатологии торнадо в США. Прогресс в физической географии: Земля и окружающая среда. DOI: 10.1177 / 0309133319829398.

Мур TW. 2019. Сезонная частота и пространственное распределение торнадо в Соединенных Штатах и ​​их связь с Эль-Ниньо / Южным колебанием. Летопись Американской ассоциации географов. DOI: 10.1080 / 24694452.2018.1511412.

Мур TW, Сент-Клер Дж. М., ДеБоер Т. А.. 2018. Анализ аномальной повторяемости зимних и весенних торнадо по фазам Эль-Ниньо / Южного колебания, Глобального колебания ветра и колебания Мэддена-Джулиана. Достижения в метеорологии: 3612567. DOI: 10.1155 / 2018/3612567.

Мур TW. 2018. Годовая и сезонная активность торнадо в США и глобальное колебание ветра. Климатическая динамика 50: 4323 & # 82114334. DOI: 10.1007 / s00382-017-3877-5.

Мур TW. 2018. Годовые и сезонные тренды торнадо в смежных Соединенных Штатах и ​​их регионах. Международный журнал климатологии 38 (3): 1582 & # 82111594. DOI: 10.1002 / joc.5285.

Мур TW, Сокол Нью-Джерси, Блюм РА. 2017. Пространственное распределение смерчей тропических циклонов по интенсивности и размерным характеристикам. Атмосфера 8. DOI: 10.3390 / atmos8090160.

Мур TW. 2017. О временных и пространственных характеристиках торнадо-дней в США. Атмосферные исследования 184: 56 & # 821165. DOI: 10.1016 / j.atmosres.2016.10.007.

Текущее исследование

Мое текущее исследование сосредоточено на климатологии торнадо в Соединенных Штатах. Я заинтересован в документировании пространственно-временных тенденций активности торнадо и определении возможных движущих сил этих тенденций в климатической системе. Благодаря этому исследованию я задокументировал уменьшение количества дней с небольшим количеством торнадо и увеличение количества дней с большим количеством торнадо, уменьшение количества торнадо на Великих равнинах и увеличение количества торнадо дальше на восток и уменьшение количества торнадо на Великих равнинах. пространственное распространение смерчей. Я также выявил взаимосвязь между активностью торнадо и такими климатическими моделями, как Эль-Ниньо / Южное колебание, Колебание Мэддена-Джулиана и Глобальное колебание ветра.

Предстоит еще проделать большую работу, чтобы задокументировать тенденции и выявить взаимосвязи. Если вам интересно узнать об этой интересной и важной теме и внести свой вклад в нее, свяжитесь со мной.


Междисциплинарное сотрудничество

Опыт Шумахера был необходим, чтобы установить связь с различными дождями, которые происходили с течением времени. У нее был опыт работы с радиолокационными данными и измерениями дождя в глобальном масштабе.

«Сильные штормы, которые охватывают сотни миль, обеспечивают около 50-80% дождя в Техасе», - сказал Шумахер. «В наши дни эти бури имеют разные изотопные сигнатуры».

По его словам, исследования Мопена отталкивают устаревшие принципы палеомира, потому что вы должны изучить, как штормы становятся сильнее и что на них влияет.

«Эти грозы настолько сильны, что даже если большая часть дождя выпадает в Оклахоме, дождь в Техасе по-прежнему будет нести изотопную сигнатуру этих огромных штормов», - заявил Мопин. «Вы снимаете отпечатки пальцев с этих систем, независимо от того, где они возникают, и их не нужно суперлокализовать, чтобы их можно было распознать. Сильные штормы вызывают обеднение изотопных сигнатур. Невозможно объяснить изменчивость сталактитов только изменениями температуры ».


17.1: Частота ветра - Науки о Земле

Все статьи, опубликованные MDPI, немедленно становятся доступными по всему миру по лицензии открытого доступа. Для повторного использования всей или части статьи, опубликованной MDPI, включая рисунки и таблицы, специального разрешения не требуется. Для статей, опубликованных под лицензией Creative Common CC BY с открытым доступом, любая часть статьи может быть повторно использована без разрешения при условии четкого цитирования исходной статьи.

Тематические статьи представляют собой самые передовые исследования со значительным потенциалом воздействия в данной области. Тематические статьи представляются по индивидуальному приглашению или рекомендации научных редакторов и проходят рецензирование перед публикацией.

Тематический доклад может быть либо оригинальной исследовательской статьей, либо существенным новым исследованием, которое часто включает несколько методов или подходов, либо всеобъемлющим обзорным документом с краткими и точными обновлениями последних достижений в этой области, в котором систематически рассматриваются самые захватывающие достижения в научной литература. Этот тип статьи дает представление о будущих направлениях исследований или возможных приложениях.

Статьи Editor’s Choice основаны на рекомендациях научных редакторов журналов MDPI со всего мира. Редакторы выбирают небольшое количество недавно опубликованных в журнале статей, которые, по их мнению, будут особенно интересны для авторов или важны в этой области. Цель состоит в том, чтобы сделать снимок некоторых из наиболее интересных работ, опубликованных в различных исследовательских областях журнала.


4 Данные и результаты

Явления, анализируемые в этой статье, и соответствующие наборы данных описаны ниже. Полная информация о результатах нашего статистического анализа представлена ​​в таблицах 1-6. В таблице 1 показаны результаты аппроксимации неусеченного степенного распределения. Таблица 2 дополняет эти результаты неопределенностью параметров, полученных из бутстрапа. В таблице 3 показаны результаты для усеченного логнормального значения только для наборов данных, для которых это распределение дает лучшее соответствие, чем неусеченный степенной закон. Таблица 4 соответствует подгонке усеченного степенного закона только тогда, когда это распределение приводит к подгонке, отличной от усеченного случая. В таблице 5 представлена ​​неопределенность, полученная бутстрапом результирующих параметров. В таблице 6 приведены результаты с предпочтительным распределением для каждого набора данных.

Набор данных N Единицы измерения Икс(N) асоответствовать р п β п арезюме
EQ CMT в мире 48,636 дин см 5.3·10 29 4.0·10 27 2.12 97 2.087 0.33 * 2·10 27
EQ Калифорния 179,255 дин см 1.1·10 27 1.5·10 21 5.89 2,883 1.655 0.30 3·10 20
TD Флорида 163,019 км 2 45.7 1.0 1.66 476 2.472 0.39 0.8
SH Кентукки 101,095 км 2 31.3 0.2 2.16 511 2.485 0.77 0.2
SH Мертвое море 1,033 км 2 0.0041 0.00044 0.98 48 2.804 0.59 0.0002
Пожары Ангола 17,643 ха 271,000 63 3.63 1,294 1.818 0.22 30
Пожары Канада 408 ха 67,600 12,600 0.73 13 2.277 0.25 * 10,000
TC NAtl 771 10 10 м 3 / с 2 25 12.6 0.31 16 5.145 0.22 * 10
TC EPac 594 10 10 м 3 / с 2 31 5.0 0.79 76 3.275 0.35 5
TC NAtl + EPac 1,065 10 10 м 3 / с 2 31 7.9 0.59 56 3.578 0.55 * 8
Дождь Калифорния 5,037,333 км 2 238,000 100,000 0.38 165 6.479 0.50 100,000
ТП земля 6,385,195 км 3 177 33 0.73 286 4.109 0.38 30
TP океан 10,372,063 км 3 2,080 200 1.02 555 3.250 0.47 * 200
ТП суша + океан 16,757,258 км 3 2,080 200 1.02 555 3.250 0.47 * 200
Огненные шары 748 kt 440 0.3 3.14 278 2.022 0.21 0.2
  • Примечание. Наборы данных содержат N события, максимальное значение переменной равно Икс(N), количество данных в диапазоне степенного закона равно п, нижняя граница посадки асоответствовать, показатель степени равен β, а п ценность п. Логарифмический диапазон соответствия или количество порядков величины: . Количество симуляций - 1000, и 50 значений асоответствовать, равные промежутки в логарифмическом масштабе, подметаются для каждого порядка величины. Приближенное значение перехода от логнормального к степенному закону хвоста также включено и обозначено арезюме. Когда это значение отмечено звездочкой (в крайнем правом столбце), это означает, что в принципе (когда на асоответствовать) мы нашли арезюме & gt асоответствовать тогда мы заставили асоответствовать & gt арезюме. В остальных случаях этого не требовалось. EQ, TD, SH, TC, CA и TP обозначают землетрясения, топографические депрессии, воронки, тропические циклоны, области скоплений дождя и общее количество осадков, соответственно. CMT = тензор центроидного момента.
Набор данных асоответствовать
EQ CMT в мире 2.6·10 27 4.4·10 27 7.4·10 27 2.05 ± 0.16 0.35
EQ Калифорния 2.1·10 21 7.2·10 21 2.6·10 22 1.65 ± 0.04 0.29
TD Флорида 0.52 1.0 1.9 2.50 ± 0.16 0.33
SH Кентукки 0.07 0.2 0.5 2.47 ± 0.24 0.33
SH Мертвое море 2.4·10 −4 4.5·10 −4 8·10 −4 2.89 ± 0.66 0.32
Пожары Ангола 40 120 370 1.79 ± 0.07 0.29
Пожары Канада 12,000 15,300 19,500 2.85 ± 0.65 0.30
TC NAtl 11.1 12.6 14.4 5.88 ± 1.62 0.39
TC EPac 4.7 6.5 8.9 3.89 ± 1.14 0.38
TC NAtl + EPac 8.0 10.8 14.7 4.54 ± 1.61 0.41
ТП земля 27 34 44 4.29 ± 0.57 0.38
TP океан 190 270 380 3.47 ± 0.31 0.40
ТП суша + океан 190 270 380 3.47 ± 0.31 0.40
Огненные шары 0.4 0.6 1.0 1.95 ± 0.35 0.37
  • Примечание. Показатель β представлен средним значением всех результатов начальной загрузки, , и изменчивость β на 1 стандартное отклонение σб. В п значение также дано в виде среднего значения . Вариабельность нижней отсечки а вычисляется путем логарифмирования, вычисления среднего и стандартного отклонения и обратного преобразования с использованием экспоненты результатов. Три представленных значения связаны со средним логарифмом и с этим стандартным отклонением ± 1. Количество загрузочных образцов - 100.
Набор данных N асоответствовать бсоответствовать р п μ σ п
TD Флорида 163,019 0.018 3.40 35,167 −9.85 2.84 0.59
SH Кентукки 101,095 0.0095 3.51 17,624 −9.70 2.54 0.22
SH Мертвое море 1,033 1.3·10 −6 0.005 3.60 964 −10.4 1.64 0.23
Пожары Ангола 17,643 8.7 4.49 5,349 −13.2 4.96 0.32
Пожары Канада 408 3.3 4.3 314 3.36 3.29 0.45
  • Примечание. В μ и σ являются логнормальными параметрами, обратите внимание, что другие исследователи предпочитают сообщать еμ и еσ вместо этого (Limpert et al., 2001). Верхний отсек закреплен на б −1 = 0, за исключением воронок Мертвого моря. Количество симуляций - 1000, и 50 значений асоответствовать, равные промежутки в логарифмическом масштабе, подметаются для каждого порядка величины.
Набор данных N асоответствовать бсоответствовать р п β п
EQ CMT в мире 48,636 1.3·10 24 2·10 27 3.20 22,061 1.655 0.46
SH Мертвое море 1,033 2.5·10 −7 1.3·10 −5 1.7 323 0.391 0.24
Пожары Канада 408 1.0 12,600 4.1 395 1.153 0.23
TC NAtl 771 0.16 10 1.8 534 1.224 0.27
TC EPac 594 0.08 10 2.1 511 1.085 0.37
TC NAtl + EPac 1,065 0.16 10 1.8 777 1.156 0.26
Дождь Калифорния 5,037,333 6,310 50,100 0.9 15,817 1.711 0.32
TP океан 10,372,063 0.126 12.6 2.0 1,273,883 1.721 0.66
  • Примечание. Количество данных в усеченном диапазоне степенного закона равно п, нижняя граница посадки асоответствовать, верхнее обрезание бсоответствовать, показатель степени равен β, а п ценность п. Количество порядков, охватываемых подгонкой, равно . Количество симуляций - 1000 (за исключением случая полного выпадения кластеров дождя в океане, которое составляет 100), и 10 значений асоответствовать равномерно развернуты в логарифмическом масштабе для каждого порядка величины.
Набор данных асоответствовать бсоответствовать
EQ CMT в мире 1.2·10 24 3.2·10 24 8.9·10 24 1.0·10 27 1.6·10 27 2.6·10 27 1.66 ± 0.02 0.34
Пожары Канада 1.5 7.1 33 9,400 27,000 78,000 1.21 ± 0.08 0.29
TC NAtl 0.06 0.14 0.35 2.1 6.1 17 1.16 ± 0.25 0.31
TC EPac 0.06 0.10 0.17 3.8 7.9 17 1.08 ± 0.12 0.30
TC NAtl + EPac 0.06 0.14 0.30 2.0 6.4 20 1.08 ± 0.26 0.32
TP океан 0.08 0.27 0.91 2.5 6.3 16 1.73 ± 0.03 0.35
  • Примечание. Включены только случаи, которые приводят к значимым степенным законам. Показатель β представлен средним значением всех результатов начальной загрузки, , и изменчивость β на 1 стандартное отклонение σб. В п значение также дано в виде среднего значения . Вариативность обоих отсечений а и б рассчитывается, как и в случае без усечения, как среднее ± 1 стандартное отклонение их логарифмов. Количество использованных образцов бутстрапа - 100, за исключением общего количества осадков над океаном, которое составляет 30.
Набор данных Предпочтительное распространение
EQ CMT в мире Двойной степенной закон
EQ Калифорния Неусеченный степенной закон
TD Флорида Усеченный логнормальный
SH Кентукки Усеченный логнормальный
SH Мертвое море Усеченный логнормальный (с б −1 ≠ 0)
Пожары Ангола Усеченный логнормальный
Пожары Канада Усеченный степенной закон + усеченный логнормальный
TC NAtl Усеченный степенной закон
TC EPac Усеченный степенной закон
TC NAtl + EPac Усеченный степенной закон
Дождь Калифорния Никто
ТП земля Никто
TP океан Усеченный степенной закон
ТП суша + океан Никто
Огненные шары Неусеченный степенной закон
  • Примечание. Для канадских лесных пожаров существует режим усеченного степенного закона, начиная с минимального Икс с последующим усеченным логнормальным покрытием до наибольшего Икс, без четкого перехода между обоими дистрибутивами.

На рисунках 1 и 2 показаны эмпирические распределения вместе с предпочтительными подгонками в каждом случае. Эти фигуры не играют никакой роли в процедуре подбора и показаны только для иллюстрации, чтобы иметь визуальную и интуитивную перспективу. Эмпирические распределения должным образом нормализованы, соответствия, как в целом определено для меньшего диапазона, не нормализованы, а адаптированы к нормализации эмпирических распределений (подробную информацию см. В подписях).

4.1 Землетрясения

Некоторые авторы утверждали, что неусеченное распределение степенного закона проблематично, поскольку экстраполяция этого отношения к крупнейшим землетрясениям приведет к бесконечному высвобождению энергии в долгосрочной перспективе из-за расхождения среднего значения распределений степенного закона, когда β ≤ 2 (Knopoff & Kagan, 1977, Serra & Corral, 2017). Таким образом, для самых сильных землетрясений следует ожидать отклонений от степенного закона Гутенберга-Рихтера, тем не менее, мы покажем, что неусеченный степенной закон - не такая уж плохая модель для размеров землетрясений.

4.2 Карстовые воронки и закрытые топографические впадины

Воронки - это углубления грунта, образовавшиеся в результате проседания, в большинстве случаев вызванного карстом, то есть растворением растворимых пород грунтовыми водами. Воронки представляют собой опасность, поскольку они могут образовываться под зданиями и инфраструктурой (такими как дороги, железные дороги и трубопроводы) и особенно опасны, если они внезапно обрушиваются, вызывая даже человеческие жертвы (Brinkmann, 2013 Galve et al., 2011).

Для карстовых воронок недавно были предложены степенные зависимости между частотой и размером, с учетом либо их диаметра, либо их площади в качестве меры размера (Galve et al., 2011 Wall & Bohnenstiehl, 2014 Yizhaq et al., 2017), и их показатели были рассчитаны. предлагается варьировать по мере развития, роста и слияния новых воронок (Yizhaq et al., 2017). Соотношение частоты и размера топографических депрессий во Флориде демонстрирует аналогичное поведение (Wall & Bohnenstiehl, 2014). Эти впадины используются в качестве заместителей карстовых структур, хотя не все они являются воронками (Arthur et al., 2007). Обратите внимание, что логарифмическая функция между кумулятивной частотой и диаметром воронки, предложенная для других наборов данных воронок (Gutiérrez et al., 2016 Taheri et al., 2015), эквивалентна степенному закону с единичной экспонентой.

Карты карстовых колодцев могут быть очерчены вручную или путем автоматического определения топографических углублений в цифровых моделях рельефа, что может привести к различиям в итоговых инвентаризациях (Wall et al., 2017). Здесь мы используем базу данных воронок Кентукки (США), нанесенную на карту вручную и, вероятно, самый большой доступный набор данных воронок, с более чем 100000 воронок (Paylor et al., 2003), базу данных закрытых топографических депрессий Флориды (США), основанную на автоматическом картировании. включающий более 160000 впадин (Департамент охраны окружающей среды Флориды, 2004 г.) и комплексный набор данных о более чем 1000 воронок рядом с Мертвым морем (Yizhaq et al., 2017). Размер измеряется по площади (Икс = А), в квадратных километрах. Воронки могут иметь минимальную площадь порядка 0,1–1 м 2, что наблюдается в базе данных Мертвого моря и в других подробных исследованиях (Galve et al., 2009). Напротив, для баз данных Кентукки и Флориды ожидается, что наименьшие зарегистрированные площади будут ограничены разрешением карт, используемых для их составления. Между тем, на самый большой нанесенный на карту размер карстовой воронки могут повлиять пограничные эффекты, особенно в небольших географических районах.

Наши результаты показывают, что два крупнейших набора данных (Флорида и Кентукки), хотя и не соответствуют в точности одному и тому же геологическому явлению, приводят к аналогичным результатам. Неусеченное степенное распределение может быть уложено для 1,5 и 2 порядков, соответственно, с показателем β очень близко к 2,5. В резюме test подтверждает эти результаты в том смысле, что в результирующем диапазоне предпочтение отдается степенному закону перед логнормальным. Однако, поскольку логнормальное значение справедливо для гораздо большего диапазона, это распределение в целом является предпочтительным, так как μ≃ - 10 и σ≃2,5–2,8. Результаты для усеченного степенного распределения аналогичны результатам для неусеченного случая с несколько меньшим показателем (β≃2.3) для Кентукки. Ложный степенной закон, появившийся для данных Флориды в диапазоне очень малых площадей, не был учтен.

Описание набора данных Мертвого моря с точки зрения степенного закона хуже. Неусеченное степенное распределение не отклоняется для последнего порядка величины (будучи щедрым), но с менее чем 50 точками данных и с большей экспонентой (β≃2.8). Логарифмический коэффициент вариации подтверждает этот диапазон, для которого логнормальный хвост, тем не менее, не является предпочтительным, поскольку логарифмический коэффициент приводит к гораздо большему диапазону аппроксимации, последний предпочтительнее для описания распределения в глобальном масштабе. В этом случае, однако, логнормальные потребности и верхнее пороговое значение бИкс(N) (в противном случае для б, логнормальный отклоняется).

С другой стороны, обратите внимание, что если области А преобразуются в линейные размеры L с помощью отношения LА 1/2, уравнение 6 с z = 2 указывает, что диапазон β от 2,5 до 2,8 преобразуется в диапазон 4–4,6 для βL.

4.3 Лесные пожары

Модели лесных пожаров были одной из самых популярных тем в области самоорганизованной критичности, однако, насколько нам известно, результаты моделирования этих игрушечных моделей не сопоставлялись с данными наблюдений до тех пор, пока работа Маламуда и др. (1998). До наступления эпохи самоорганизации критичности распределение размеров пожаров было построено Миннихом (1983). Маламуд и др. (1998) обнаружили, что области, сожженные лесными пожарами в разных местах США и Австралии (включая записи палеопожаров), подчиняются (неусеченному) распределению степенного закона с показателем степени β в пределах от 1,3 до 1,5. Позже Маламуд и др. (2005) изучили 18 различных экорегионов США, найдя степенные распределения с показателями от 1,3 до 1,75. Было проведено множество других статистических исследований, см., Например, цитаты Malamud et al. (2005). Интересно, что некоторые авторы утверждали, что выгоревшие площади в других регионах лучше описываются логнормальным распределением (Corral et al., 2008 Hantson et al., 2016).

Hantson et al. (2016) на основе спутниковых снимков (Landsat) создали карты выгоревших участков с высоким разрешением (30 м) для некоторых из наиболее важных регионов возникновения пожаров в мире. В результате была получена база данных, включающая восемь регионов с разными экосистемами и климатами на всех континентах (кроме Анктарктики). Обожженный участок Ав га (1 га = 0,01 км 2) использовался как мера размера пожара (Икс = А). После тщательного статистического анализа авторы обнаружили, что только два региона совместимы с гипотезой усеченного степенного закона (в Канаде и Казахстане) с показателями степени. β равны 1,0 и 1,3 соответственно. Четыре других сайта показали логнормальное поведение, тогда как оставшиеся два (в Анголе и Австралии) несовместимы ни с одной из двух статистических моделей. Здесь мы выбираем в качестве репрезентативных участков те, что находятся в Анголе и Канаде, и повторно анализируем их записи о лесных пожарах. Первый участок связан с открытым лесом с данными, собранными в течение 4 (непоследовательных) лет, тогда как данные Канады соответствуют бореальным лесам, мониторинг которых велся в течение 14 лет.

В отличие от исходных результатов, наш анализ показывает, что данные о лесных пожарах в Анголе могут быть хорошо представлены как с помощью неусеченного степенного закона, так и с помощью логнормального распределения. Неусеченный степенной закон справедлив для выгоревших площадей площадью более 60 га (что соответствует более чем 3,5 порядков величины) с показателем степени β≃1.8. При сравнении с логнормальным приближением степенной закон в этом диапазоне не отклоняется. Однако логнормальная величина действительна для большего диапазона, начиная примерно с 10 га, покрывая 4,5 порядка величины и составляя более чем в 4 раза больше точек, содержащихся в степенном законе. Подгонка распределения усеченного степенного закона не приводит к заметным различиям в отношении неусеченного степенного закона. Следовательно, предпочтительным является логнормальное распределение.

Напротив, данные по Канаде дают очень короткий хвост по степенному закону с большей экспонентой и для более ограниченного диапазона, начиная примерно с 12 000 га и содержащего очень мало точек данных. Мы можем игнорировать этот степенной закон как ложный и принять логнормальное соответствие, которое справедливо для Икс ≥ 3,3 га до наибольшего значения (67 000 га) и охватывает значительную часть данных (77% всех точек данных). Кроме того, и в соответствии с исходной работой, усеченный степенной закон с β1,15 дает хорошее соответствие между 1 и 12 000 га, покрывая 97% всех точек данных. Поскольку усеченный степенной закон и логнормальное значение определены в разных диапазонах, у нас нет возможности выбрать между ними, и мы считаем эти два соответствия действительными. То есть можно сказать, что закон усеченной степени выполняется для малых Икс и логнормальный для больших Икс но без четкого перехода между ними.

Эти результаты, вместе с результатами многих других предыдущих исследователей, проясняют, что, в отличие от землетрясений, лесные пожары не могут быть охарактеризованы почти универсальными степенными показателями, как первоначально качественно заметил Минних (1983).

4.4 Тропические циклоны

Термин тропический циклон применяется к ураганам и тайфунам, которые представляют собой одно и то же явление, с той лишь разницей, что первые случаются в Северной Атлантике и Северо-восточной части Тихого океана, а вторые - в Северо-западной части Тихого океана. Но этот термин также включает более слабые системы, такие как тропические штормы и тропические депрессии. Классификация определяется максимальной устойчивой скоростью ветра, которая в тропических депрессиях составляет менее 34 узлов, а во время тропических штормов составляет от 34 до 64 узлов (1 узел = 0,5144 м / с), в противном случае тропический циклон считается ураганом или тайфун (или сильный тропический циклон или сильный циклонический шторм в других океанских бассейнах) (Emanuel, 2005a).

Анализируемые здесь записи тропических циклонов соответствуют бассейнам Северной Атлантики (NAtl) и Северо-восточной части Тихого океана (EPac) за периоды 1966–2016 и 1986–2016 годов соответственно и получены из набора данных NOAA (США) HURDAT2 (Atlantic Oceanographic и метеорологическая лаборатория, 2018 г.). Мы также рассматриваем совокупный набор данных, объединяющий два бассейна (NAtl + EPac) за период 1986–2016 гг. Карта траекторий тропических циклонов в обоих бассейнах показывает, что, возможно, имеет смысл рассматривать два бассейна вместе, как единый объединенный мегабассейн, в некотором смысле.

Во всех трех случаях мы обнаруживаем, что неусеченный степенной закон может соответствовать хвосту распределений с показателем β около 4 или больше, с большой погрешностью (как показывает бутстрап). Тем не менее, этот степенной закон является довольно маргинальным, поскольку он распространяется менее чем на 1 порядок величины, кроме того, увеличение кажущегося значения показателя степени с а показывает, что мы не имеем дело с истинным степенным законом. Обратите внимание, что показатель степени объединенного набора данных не соответствует закону гармонических средних, о котором сообщалось ранее (Navas-Portella et al., 2018), поскольку диапазоны подгонки для каждого набора данных несколько отличаются. Тем не менее, логнормальная подгонка не является предпочтительной для хвоста. Другие работы соответствуют усеченному гамма-распределению (которое содержит экспоненциальный хвост) для такого рода данных (Corral & Turiel, 2012 del Castillo et al., 2017). При подборе усеченного степенного закона результаты согласуются с исходной ссылкой (Corral et al., 2010) с показателем степени β в диапазоне 1,1–1,2 примерно на 2 порядка. С другой стороны, усеченное логнормальное распределение с б не соответствует данным. Наконец, обратите внимание, что из рисунка и коэффициента преобразования, представленных выше, самые экстремальные тропические циклоны (с точки зрения энергии) выделяют энергию около 3 × 10 11 м 3 / с 2 ≃1,5 × 10 18 Дж.

4.5 Дождь

Осадки традиционно изучались с точки зрения дождя, собранного в течение фиксированного периода времени (1 день или 1 месяц) на одном участке (то есть точечная мера в пространстве). Петерс и соавторы (Peters et al., 2002 Peters & Christensen, 2002 2006), а ранее Andrade et al. (1998) оспорили этот подход, определив дождь над некоторым участком как непрерывный поток дождя во времени. В идеальном случае нужно уметь измерять дождь с высоким разрешением по времени, например, 1 мин. Таким образом, для одного участка в Балтийском море Peters et al. (2002) получили показатель степени β1,35 для общего количества осадков, собранных во время дождевых явлений. Последующий анализ для разных точек земного шара, где дождь регистрировался с помощью разных инструментов, обнаружил почти универсальный показатель степени β в диапазоне 1,0–1,2.

Позже Peters et al. (2012) придерживались другой точки зрения, определяя дождь не во времени, а в пространстве, то есть они рассматривали мгновенную площадь скоплений осадков. Это было получено, как в теории перколяции, объединяя высыпающие пиксели ближайшего соседа, соответствующие одному временному интервалу. Полученные области А, в квадратных километрах (т. е. Икс = А). Использованные данные были получены с радара осадков спутника Миссии по измерению тропических осадков. Peters et al. (2012) заметили степенной режим для площадей с показателем степени β≃2.05. Фактически, аналогичный результат был заявлен намного раньше Лавджоем (1981) для (радарных) дождевых областей в тропической Атлантике, заявив, что поведение степенного закона с β≃1,82. Несколькими годами позже Лавджой и Мандельброт (1985) сообщили β≃1,75 в том же контексте.

Наш повторный анализ данных Peters et al. (2012) показывает, что соответствие неусеченного степенного распределения приводит к плохим результатам. Степенной закон применим только к самым экстремальным событиям, включающим менее 200 точек данных (из более чем 5 миллионов) и охватывающим менее половины порядка величины. Более того, кажущаяся экспонента показывает увеличение с увеличением значения отсечки. Подгонка усеченного степенного закона также не приводит к очень положительным результатам, несмотря на то, что графическое представление распределения показывает убывающую линейную тенденцию на графике логарифмического логарифма. Причина этой неудачи может быть связана с астрономически большим количеством скоплений. Это означает, что неопределенность, связанная с эмпирическим распределением, очень мала, и критерий согласия может обнаружить мельчайшие различия в отношении реального (идеального) поведения степенного закона. Получен лучший усеченный степенной закон (имеющий большее отношение б/а) выполняется менее чем на 1 порядок и составляет менее 1% кластеров, показывая значительную вариацию с изменением а и б таким образом, мы не принимаем во внимание полученный степенной закон как нерелевантный.

Полученные в результате дождевые явления были разделены на две группы: наземные события (с 90% или более их ячеек, соответствующих суше) и океанические события (определенные аналогичным образом), остальные кластеры (2,5% от общего количества) не принимались во внимание. Авторы пришли к выводу, что усеченное гамма-распределение (называемое ими усеченным степенным законом) - это то, что лучше соответствует набору данных об океане, тогда как распределение Вейбулла (называемое там растянутой экспоненциальной) соответствует как набору наземных данных, так и агрегированному набору данных суша + океан. Соответствующий показатель степенного закона, задаваемый гамма-распределением, был равен β1,71 (распределение Вейбулла не имеет четкого степенного режима, когда его параметр формы стремится к нулю, что и обнаружили авторы).

Мы повторно анализируем данные Traxl et al. (2016), любезно обновленная авторами за 20-летний период 1998–2017 гг. Наборы данных о суше и океане были определены в 80% или более ячеек. Наши результаты для аппроксимации неусеченного степенного закона приводят к очень коротким хвостам степенного закона (1 порядок или меньше) со значениями β довольно большие (опять же, метод бутстрапа показывает большую изменчивость этих значений, а зависимость β на а также присутствует). Хвостовая часть комбинированного набора данных суша + океан состоит исключительно из океанских событий и приводит к тем же результатам, что и набор океанских данных. Тест логарифмического коэффициента вариации показывает, что логарифмическое соответствие не является предпочтительным для этих коротких хвостов.

С другой стороны, для скоплений океана усеченное степенное распределение с показателем β = 1,7 справедливо для 2 порядков, что составляет более 1 миллиона точек данных. Насколько нам известно, это одно из степенных распределений с большим количеством данных, когда-либо обнаруженных (Clauset et al., 2009) с использованием строгих статистических процедур. Два других файла не демонстрируют поведение усеченного степенного закона из-за большого количества данных (взяв меньшие случайные подвыборки, можно обнаружить, что принимаются усеченные степенные законы, а также логнормальные хвосты, но это будет означать игнорирование большинства из них. данные). Что касается общей формы плотности вероятности, примечателен тот факт, что она демонстрирует большое сходство с плотностью вероятности PDI тропических циклонов (Corral et al., 2010), оба показаны на рисунке 1. Обратите внимание на то, что отсюда следует, что энергия, выделяемая в результате наиболее экстремальных дождевых осадков, составляет порядка 2 × 10 3 км ≃ 5 × 10 21 Дж. Эта большая разница по сравнению с тропическими циклонами может быть связана с тем, что в этом случае энергия, относящаяся к кинетической энергии ( Emanuel, 1998 ), whereas for rainfall we consider total latent heat released.

The reason of the difference between our results and those of the original reference (Traxl et al., 2016 ) is that these authors were comparing different distributions by means of likelihood-ratio tests but without testing the goodness of fit of any of the distributions individually. So they determine a relative comparison about which distribution is preferred in comparison with the others, but they do not provide absolute judgements.

4.6 Impact Fireballs

Fireballs are exceptionally bright meteors produced by the impact of asteroids or comets on Earth's atmosphere and are usually called bolides if they explode midair. Large enough impact air bursts, even if the impactor does not reach the surface, can produce damage and casualties by a variety of mechanisms, especially by wind blast, thermal radiation, and atmospheric shock wave overpressure (Rumpf et al., 2017 ), being the latter recently illustrated by the damaging 2013 Chelyabinsk impact (Brown et al., 2013 Heimann et al., 2013 Popova & the Chelyabinsk Airburst Consortium, 2013 ).

The distribution of energy of asteroid and comet impacts with Earth is usually reported as a power law (Boslough et al., 2015 Brown et al., 2013 ) composed by different data sets which span different parts of the energy range (from small meteors to fireballs to calculated impact rates from known near-Earth objects).

Here we use the fireball and bolide data provided by Center for Near Earth Object Studies ( 2018 ), based on reports by U.S. Government sensors (Boslough et al., 2015 Brown et al., 2002 , 2013 ). The total impact energy (Икс) for each event is reported in kt (kilotons of TNT), extrapolated from the measured total optical radiated energy using an empirical fit (Brown et al., 2002 ). The largest fireball included there is Chelyabinsk (with a reported total energy of 440 kt), which was also independently located and characterized, even at regional or global distances, using the records of ground shaking produced by the shock wave (Brown et al., 2013 Heimann et al., 2013 ) and atmospheric infrasound (Le Pichon et al., 2013 ).

The data set includes events since April 1988, albeit, as other authors (Boslough et al., 2015 Brown et al., 2002 , 2013 ) we use only the data since 1994, as earlier years are substantially incomplete. Until July 2018, the database contains 748 events. The percent of the Earth's surface covered by the sensors has varied over that period (Brown et al., 2002 ) and on average may be on the order of 80% for events with total energy > 1 kt (Brown et al., 2013 ).

Our statistical analysis shows that fireballs are well described by an untruncated power law distribution for about 3 orders of magnitude, with exponent β≃2 but with large uncertainty. The truncated power law leads to practically the same results as the untruncated case. The fit of the lognormal distribution is also not rejected over more or less the same range as the power law however, the cv test confirms that the power law is preferred in front of the lognormal distribution over that range.


There are a number of well established methods in the literature describing how to assess and analyze measured wind wave data. However, obtaining reliable results from these methods requires adequate knowledge on their behavior, strengths and weaknesses. A proper implementation of these methods requires a series of procedures including a pretreatment of the raw measurements, and adjustment and refinement of the processed data to provide quality assurance of the outcomes, otherwise it can lead to untrustworthy results.

This paper discusses potential issues in these procedures, explains what parameters are influential for the outcomes and suggests practical solutions to avoid and minimize the errors in the wave results. The procedure of converting the water pressure data into the water surface elevation data, treating the high frequency data with a low signal-to-noise ratio, partitioning swell energy from wind sea, and estimating the peak wave frequency from the weighted integral of the wave power spectrum are described. Conversion and recovery of the data acquired by a pressure transducer, particularly in depth-limited water like estuaries and lakes, are explained in detail.

To provide researchers with tools for a reliable estimation of wind wave parameters, the Ocean Wave Analyzing toolbox, OCEANLYZ, is introduced. The toolbox contains a number of MATLAB functions for estimation of the wave properties in time and frequency domains. The toolbox has been developed and examined during a number of the field study projects in Louisiana’s estuaries.


2 Data source and methodology

The BNEJS was analysed over 16 years (1994–2009) using reanalysis data (0000, 0600, 1200 and 1800 UTC) from the National Center for Environmental Prediction – National Center for Atmospheric Research (NCEP-NCAR). These data (obtained from http://www.cdc.noaa.gov) were available in grid points with 2.5° × 2.5° of latitudinal and longitudinal spacing (Kalnay и другие., 1996 ). Zonal (ты), meridional (v) and vertical (ω) speed components of wind at the standard isobaric levels and derived variables (stream lines and vertical motion) were used. The Grid Analysis and Display System (GRADS) software, supplied by the Center for Ocean-Land-Atmosphere (COLA), was used for data visualization and manipulation. Radiosonde data were obtained from the University of Wyoming, College of Engineering, Department of Atmospheric Science (see http://weather.uwyo.edu/upperair/sounding.html).

‘Jet’ is the name given to almost any narrow band of strong wind (Vasquez, 1994 ). The Subtropical Jet Stream is usually strongest at the level 200 hPa with a common location of 28°S, which can vary between 25° and 35°S. The jet stream was defined as an air current with a low limit of maximum wind speed above 30 m s −1 in its core (Chromov and Mamontova, 1974 ). This limit is also used by the Meteorological National Institute (Instituto Nacional de Meteorologia – INMET) of Brazil for presentation of the jet stream over South America (see http://www.inmet.gov.br). According to Virji ( 1981 ), the maximum wind speed in the BNEJS was above 20 m s −1 . Therefore, in order to study the BNEJS, this value (20 m s −1 ) was used as a lower limit for the maximum wind speed in its core at the level 200 hPa. The BNEJS is defined as a jet current between 20–50°W and 20°S with a maximum wind speed in its core above 20 m s −1 . Note that, normally, 30 m s −1 is used as a jet stream limit and, therefore, both values were used. BNEJS frequencies (annual and monthly) with a maximum wind speed above 20 m s −1 , but less than 30 m s −1 and another above 30 m s −1 , were analysed. If one of the maps during the day (0000, 0600, 1200 and 1800 UTC) has shown a jet steam with a wind speed exceeding 20 m s −1 , this day was calculated as a day with a jet steam. If more than one jet stream was detected in the study region, it was calculated as one day with a jet steam.

The direction of the BNEJS with a wind speed above 30 m s −1 was identified as coming from the north (N), northwest (NW), west (W), southwest (SW), south (S), southeast (SE), east (E) and northeast (NE). The ranges were typical for meteorology, from N between 337.6° and 22.5° from NE between 22.6° and 67.5° from E between 67.6° and 112.5° from SE between 112.6° and 157.5° from S between 157.6° and 202.5° from SW between 202.6° and 247.5° from W between 247.6° and 292.5° and from NW between 292.6° and 337.5°. Annual and monthly frequencies of BNEJS spatial location were studied.


Conclusions and limitations

High-resolution wind speed data were collected from tropical cyclones during the last five Atlantic hurricane seasons. The data were compiled in a database and then stratified by wind speed and exposure (roughness length) for examination. Comparisons were made with an extratropical dataset collected near Lubbock, Texas, with the same instrumentation. Last, the associated wind speed histograms were compared and contrasted. Conclusions from this study include the following:

  • Stratification of the tropical and extratropical GF datasets into various roughness regimes (exposures) must be performed in order to make relevant comparisons between the datasets. Without stratification, based on the values of Z0, the resulting GF statistics and histograms are not well behaved. Once stratification occurs, the GF histograms become much more symmetrical.
  • The mean tropical cyclone GF determined for “open exposure” was 1.49 when the open exposure classification was made using a Z0 value that was determined by using a TI method. If the profile method was employed to determine the Z0 values and make roughness classifications, the mean GF was 1.55 for the tropical dataset.
  • The mean tropical cyclone GF determined within any specific roughness regime (using the TI method) was always higher than its extratropical counterpart. The largest percentage difference between the extratropical and tropical datasets was determined in the “roughly open to rough” exposure (0.09 m ≤ Z0 ≥ 0.1899 m) where the mean tropical GF was 7.41% higher than its extratropical counterpart. Results using stratifications based on the profile method were even more diverse.
  • The resulting wind speed histograms generated from the extratropical and tropical datasets show some significant differences, including the presence of higher-magnitude short-duration wind speed peaks in the tropical dataset, while the extratropical dataset yield a flatter histogram at longer peak durations.

As shown within this study, transitional flow regimes complicate the GF analysis greatly. The profile and TI methods of determining Z0 produced different results in many situations, and while the mean wind profile may come in equilibrium relatively quickly, the turbulent fluctuations take additional time and distance. This issue complicates the stratification of the data with respect to roughness. In most cases, the field deployments of instrumented towers are not placed in locations with fully developed flow, even though best efforts are being made to do so, resulting in transitional flow regimes that are inherent to the dataset. True equilibrium flow would demand kilometers of unaltered exposure, which is rare, if not impossible, to find in most cases along the U.S. coastline. The only way to further evaluate these transitional effects is to conduct an in-depth study site by site with recent aerial photographs to evaluate transitions that occur within 5–10 km. This effort is planned for some of the tropical deployment sites, as well as the extratropical deployment site.

Even with an abundance of higher-resolution wind speed data as compared with previous studies, the root cause for the differences between the extratropical and tropical GF statistics are not fully understood. Whether the disparity in statistics is due to differences in boundary layer stability or the presence of convective-scale motions that can modify the boundary layer is difficult to determine through the examination of only surface level wind speed data. If the underlying reason for the difference in GF statistics is relatively vigorous convection, then these differences would most certainly exist in precipitating extratropical cyclones as well. In fact, one can easily conceptualize that thunderstorm downdrafts could easily modify the boundary layer from above with far greater efficiency than most tropical systems. From a tropical cyclone perspective, the questions then become how widespread is this “convective” effect within the general extent of the tropical cyclone wind field, and to what extent are the GFs found within these convectively active regions different from those found in other regions of the tropical cyclone. Analysis of surface wind speed data alone cannot answer these questions. Rather, it must be coupled with other data sources, such as radars, to evaluate the presence and location of convection.

Another limitation of this study is the minimal amount of extreme wind speed cases found in the database. This problem is true even within the tropical cyclone dataset used for this study. Major hurricanes result in a vast increase in wind damage relative to weak tropical cyclones due to the squared relationship between wind speed and wind load. However, even with all of the field experimentation conducted in tropical cyclones at landfall over the 5-yr period, the database of surface level wind speed information from which to draw conclusions about major hurricanes is dreadfully inadequate and almost nonexistent.


In a paper in the Journal of Geophysical Research (Williams et al, [2021]), we speculate as to whether there are pre-cursors to large El Niño events. These super El Niños are rare (every 20 years or so) but large events occurred such as in 1998 and 2015. Looking at Eskdalemuir induction coil data, we noted that the average intensity of the first Schumann Resonance appeared to increase dramatically several months before the 2015 El Niño event. This was also observed at other stations around the world (see the paper). The plot to the right shows three panels. The upper panel is a map showing the direction that the north-south orientated coil is most sensitive to. It can sense most easily variations along the great circle (red line) towards India and Western Australia, and through the Carribean regions. The central panel is a measure of the El Niño Southern Oscillation Index showing the large intensity in 2015/16. The bottom panel is the normalised intensity of the first Schumann resonance at Eskdalemuir between 2013 and 2017. In the initial stages of the El Niño, before it reaches its maximum, there is an obvious rise in the amount of energy received. This does not happen for other El Niño events - just the very largest - and is speculated to be due to the reorganisation of the weather systems in the Pacific region which temporarily increases the number of lightning strikes.

Adaption of image from Williams et al (2021) showing the sensitivity of the North-pointing coil at Eskdalemuir to lightning from the Pacific Region. (Click to enlarge).


Смотреть видео: Wiatr północy (September 2021).