Vurdering av meteorologiske Present Weather Sensors fra Haukeliseter testfelt
Master thesis
Permanent lenke
http://hdl.handle.net/11250/295610Utgivelsesdato
2015-08-07Metadata
Vis full innførselSamlinger
- Master's theses (RealTek) [1723]
Sammendrag
Meteorologisk institutt (MET) bruker fortsatt observatører for visuelle observasjoner på
flere værstasjoner rundt om i landet. I fremtiden vil det bli nødvendig å automatisere
denne prosessen, men det har vist seg spesielt vanskelig å automatisere parameteren
nedbørstype. Til dette blir såkalte Present Weather Sensors (PWSs) brukt. Nederland og
flere andre land har allerede gjort vurderinger av forskjellige PWSs, og bruker i dag
PWSs istedenfor observatører på sine stasjoner, tilpasset deres klima. Formålet med
denne oppgaven har vært å utføre en lignende vurdering av sensorer her i Norge, basert
på metoder fra andre lands tidligere forskning. På Haukeliseter testfelt i Vinje har MET
stående seks PWSs som ønskes analysert i vinterstid. Dette er Vaisala PWD22, Vaisala
PWD21, Campbell PWS100, Ott Parsivel, og to Thies LPM. En Thies LPM er plassert
på utsiden av et DFIR vindskjold, mens den andre er plassert på innsiden
Vurderingen av sensorene er basert på en sammenligning av minuttmålte
nedbørtypedata for vintermånedene i perioden desember 2012- april 2015, hvor Vaisala
PWD22 har fungert som referanse. Timemålte data fra et seks dagers manuelt opphold
på Haukeliseter testfelt, og bildedata er brukt som tilleggsinformasjon. Andre
parametere som er valgt ut for analyse har vært sensorstatuser, nedbørintensiteter,
siktkoder, temperatur og vindhastighet. Disse parameterne er blitt brukt som supplement
for analyse av spesielle værsituasjoner.
Resultatene er presentert og analysert som kontingenstabeller med tilhørende
scoreverdier (POD, FAR, CSI og HSS) for fem ulike nedbørsgrupper. Fra resultatene
kan det konkluderes med følgende:
Ott Parsivel har de dårligste scoreverdiene av alle sensorene. Sensoren registrerer ofte
‘ingen nedbør’ selv om både observatør, bildedata og de fem andre sensorene varsler
ulike nedbørstyper, hovedsakelig snø.
Campbell PWS100 har de beste scoreverdiene for regn, har god scoreverdi for
nedbørsdeteksjon, men har litt større problemer med snødeteksjon. Dette skyldes at
sensoren veldig ofte registrerer kornsnø der Vaisala registrerer snø. Campbell har også
en tendens til å melde ‘ingen nedbør’ og ‘ukjent nedbør’ selv om andre instrumenter og
bildedata viser snø.
Vaisala PWD21 har veldig gode scoreverdier for nedbør og snødeteksjon for alle typer
situasjoner, noe som kan forventes av en eldre versjon av Vaisala PWD22.
Thies LPM på innsiden av DFIR vindskjold har litt bedre scoreverdier enn Thies LPM
på utsiden av vindskjold. Forskjellen er likevel ikke stor nok til at det kan bekreftes at
vindskjoldbeskyttelse har innvirkning på resultatene. Begge Thies LPM-sensorene
registrerer flere hendelser av små nedbørspartikler sammenlignet med de andre
sensorene, noe som stemmer overens med resultater fra Haij og Wauben (2010). Da kun
en sensor er brukt som referanse, kan det likevel ikke bekreftes at disse registreringene
faktisk stemmer.
Ingen av sensorene har gode scoreverdier for nedbør i frossen form eller for iskorn,
kornsnø og snøstjerner.
ABSTRACT
The Norwegian Meteorological Institute (MET) still uses human observers for ‘present
weather’ observations at several measurement sites around the country. In the longterm,
it would be necessary to automate this process. It has however been proven
difficult to automate the parameter ‘type of precipitation’. Present Weather Sensors
(PWSs) are the automatic alternative. Several countries, including the Netherlands, have
already conducted several trials of different PWSs, and are today using PWSs adapted
to their climate. The purpose of this thesis has been to conduct a similar assessment of
PWSs in Norway. MET have six PWSs placed at Haukeliseter in Vinje, which they
want evaluated. These sensors are the Vaisala PWD22, Vaisala PWD21, Campbell
PWS100, Ott Parsivel and two separate Thies LPMs. The two Thies LPM sensors are
located on the outside and inside of a DFIR windshield.
The assessment of the sensors is based on a comparison of minutely ‘type of
precipitation’ data, where Vaisala PWD22 was chosen as a reference. Manually
collected hourly data from six days at Haukeliseter, and pictures from METs databases,
were used as additional information. Other parameters that were selected for analysis
include operational status of sensors, precipitation intensity, visibility, temperature and
wind velocity. These parameters were used as an analytical supplement for special
situations.
The results are presented and analyzed as contingency tables with accompanying
verification scores (POD. FAR, CSI and HSS) for five different precipitation groups.
Based on the results, the following conclusions were made:
Ott Parsivel had the poorest verification scores of all the sensors. The sensor have the
tendency too measure 'no precipitation', even though observer, pictures and other
sensors are in agreement that other precipitation types are present.
Of all the sensors, Campbell PWS100 had the highest verification scores for rain, and
generally good scores for detection of precipitation. However, when detecting solid
precipitation it had some struggles with detection of snow. The sensor often measures
snow grains instead. Campbell PWS100 has some tendency to measure 'no precipitation'
or 'unidentified precipitation', despite other sensors and pictures showing snow.
Vaisala PWD21 has the highest scores for detection of precipitation, and for detection
of snow, which is to be expected from an older version of the Vaisala PWD22. The
Thies LPM mounted in the interior of the DFIR windshield had slightly better scores
than the identical sensor mounted on the exterior. However, the differences appear
small, which makes it difficult to say if the windshield has any positive impact (on the
results). Both sensors show a higher rate of detection of smaller precipitation particles
compared to the other sensors, which is consistent with the results obtained by Haij and
Wauben (2010). Still, with only a sensor as reference, it cannot be confirmed that these
measurements are correct.
None of the sensors shows adequate scores for frozen precipitation, or detection of ice
pellets, snow grains or ice crystals.