dc.contributor.advisor | Mareile Astrid Wolff | |
dc.contributor.advisor | Anita Verpe Dyrrdal | |
dc.contributor.author | Størdal, Guro | |
dc.date.accessioned | 2024-08-23T16:29:49Z | |
dc.date.available | 2024-08-23T16:29:49Z | |
dc.date.issued | 2024 | |
dc.identifier | no.nmbu:wiseflow:7110333:59110706 | |
dc.identifier.uri | https://hdl.handle.net/11250/3148015 | |
dc.description.abstract | Med et klima i endring er det mange værfenomener som kan endre karakteristikk og klimatologi. Et slikt værfenomen er lyn. I Norge er det lite forskning, men for andre deler av verden er det flere studier. De gir motstridende svar på om lynaktiviteten vil endre seg, både i mengde og lokasjon. Det er flere utfordringer med å modellere lynaktivitet for fremtiden. Den ene er tilgangen på gode nok data på nåværende og historisk lynaktivitet. En annen utfordring er hvordan man kan modellere lyn ut i fra andre parametere.
I denne oppgaven brukes simulerte klimadata fra tidligere studier gjort med HCLIM38-AROME, for en nåværende periode (2014-2018), en historisk periode (1986-2005) og en fremtidig periode (2081-2100) for månedene mai-oktober. Klimadataene fra den nåværende perioden brukes i kombinasjon med observerte lyn fra samme periode for å trene en maskinlæringsmodell for lynaktivitet. Parameterne som brukes tar utgangspunkt i hvilke parametere som brukes i værvarsling av lyn ved Meteorologisk institutt, men et stort utvalg modeller med kombinasjoner av flere parametere, der noen også tar i bruk funksjonsteknikk, prøves ut og sammenlignes. De som gir mest lovende resultater blir videreutviklet, og to modeller brukes til slutt for å modellere lynaktivitet for den historiske og den fremtidige perioden. Disse to periodene sammenlignes for å se om lynaktiviteten endrer seg.
Ingen av modellene som ble utprøvd ga et perfekt resultat, og det trengs mer forskning på hvordan bygge en god modell for lynaktivitet. Bedre og mer observasjonsdata er et punkt som raskt vil heve kvaliteten. To modeller med tilfeldig skog klassifisering (Random forest classifier, rfc) presterte bedre enn mange andre. Disse bruker nesten de samme parameterne, konvektivt tilgjengelig potensiell energi (Convective Available Potential Energy, CAPE), maksimal vertikal vindhastighet (w), 0-isotermen, en land/vann-maske, klokkeslett og konvektiv hemming (Convektiv inhibition, CIN) multiplisert med 0-isotermen, men den ene bruker i tillegg CIN og -15-isotermen.
De to modellene ga forskjellige resultater endring i lynaktivitet. Den ene modellerte en svak økning, mens den andre modellerte en svak reduksjon midlet over månedene mai-oktober. Begge modellerte at juli og august forblir ganske stabilt, men at spesielt i starten av mai, september og oktober kan det bli en økning. | |
dc.description.abstract | With a changing climate many weather phenomona may change characteristics and climatology. One such weather phenomena lightning. There is few studies ragarding Norway, but for other parts of the world there's several studies. They give conflicting results on whether the lightning activity will change, both in frequency and location. There are many challenges with modeling future lightning activity. One is acsess to good data on present and historical activity. An other challenge is how you model lightning from other parameters.
In this thesis simulated climate data from earlier studier with HCLIM38-AROME, for a present (2014-2018), historical (1986-2005) and future periode (2081-2100) for the months May-October is used. Climate data from the present periode is used in combination with lightningobservation from the same period to train a machine learning algorithms on lightning activity. The parameters used take base in what parameters that are used in lightning forecast at the Norwegian Meteorological Institute, but a broad selection of models with combinations of different parameters, also putting feature engineering to use, are trained and compared. The most promesing ones gets developed furtger, and in the end two models are used to model the lightning activity for the historical and the future periode. The periode gets compared to assess if the lightning activy changes.
None of the models gave a perfect result, and more reacarch needs to be but into how to build a good model for lightning activity. Improved observational data is a aspect that would easily rise the quality. Two RandomForest models performed better than many others. These use almost the same parameters, Convective Available Potential Energy (CAPE) maximal vertical vindspeed (w), 0-isotherm, a land/water-mask, time and Convective Inhibition (CIN), but one uses CIN and -15-isotherm in addition.
The two models gave different results ragarding the change in lightning activity. One modeld a weak increase, while the other modeled a weak decrease over the periode May through October. Both models no big changes for July and Augustm but especially in the beginning of May, September and October may see an increase. | |
dc.language | nob | |
dc.publisher | Norwegian University of Life Sciences | |
dc.title | Bruk av maskinlæring, lynobservasjoner og klimamodelldata til modellering av endring i lynaktivitet i Norge | |
dc.type | Master thesis | |