Prognoze meteo

Prof.Monica Cercel, Școala Gimnazială

În cadrul acestui material am lucrat cu datele ce le-am cules şi centralizat în următorul tabel:
Tabel 1.Indicatori
ZIUA Presiunea Temperatura Probabilitate Acoperire Viteza Directia Umiditatea Vizibilitate
atmosferica precipitatii cu nori vantului vantului relativa
MIERCURI 1032 hpa 0°C 6% 95 % 6 km/h VNV 74 % 14 km
JOI 1032 hpa 1°C 5% 100 % 8 km/h NV 71 % 13 km
VINERI 1031 hpa 1°C 17 % 68 % 3 km/h NV 83 % 10 km
SAMBATA 1031 hpa 4°C 0% 4% 3 km/h S 62 % 18 km
DUMINICA 1030 hpa 5°C 0% 0% 3 km/h N 71 % 22 km

1. Prognoze cu softul WinQSB

Pasul 1. Am deschis modulul Forecasting din WinQSB şi am stabilit tipul de problemă (prognoza pe serii
de timp) şi unitatea de măsură a perioadelor pe care dorim prognoza:

Fig.1.1. Definirea problemei în modulul Forecasting din WinQSB

Pasul 2. Am introdus de la tastatură valorile temperaturii înregistrate miercuri, joi, vineri, sâmbătă şi
duminică:

Fig.1.2. Temperaturile cunoscute, exprimate în grade Celsius

Pasul 3. Am completat datele cu privire la metoda prin care să se efectueze prognoza (aici, medie care
urmează un trend liniar) şi la numărul de perioade ulterioare pe care să se întindă prognoza (2 zile):
 Fig.1.3. Selectarea modelului de prognoză
Pasul 4. Am aplicat succesiunea de comenzi Solve and Analyze → Perform Forecasting:

Fig.1.4. Afişarea rezultatelor obţinute prin modelul de prognoză ales

Pasul 5. Prin succesiunea de comenzi Utilities → Graph → Gallery am obţinut reprezentarea grafică a
valorilor afişate în vederea unui raport mai sugestiv al acestora, sub diferite forme:
 Fig.1.5. Reprezentare grafică sub formă de linie poligonală, cu datele previzonate şi cu indicatori statistici

Fig.1.6. Reprezentare grafică sub formă de diagramă circulară în 3D

Pasul 6. Interpretarea rezultatelor. Prima coloană a tabelului conţine valorile de intrare, adică
valorile temperaturilor în zilele de miercuri, joi, vineri, sâmbătă, duminică, exprimate în grade Celsius,
coloana a doua valorile rezultate în urma prognozării folosite. Diferenţa dintre valorile înregistrate şi cele
prognozate este relevată în coloana denumită Forecast Error (eroare de prognozare). Linia CFE afişează
eroarea de prognozare prin metoda de prognoză selectată şi anume 5 grade Celsius. Interpretarea
rezultatelor afişate este următoarea: în următoarele 2 zile, luni şi marţi, temperaturile se vor situa în
intervalul (5 ◦C-5 ◦C, 5 ◦C+5 ◦C) = (0 ◦C, 10 ◦C).

2. Prognoze cu softul SPSS

Pasul 1.
Realizarea machetei bazei de date, respectiv variabilele de procesat (indicatorii precizaţi în tabelul
1) pentru zilele miercuri, joi, vineri, sâmbătă duminică, apoi introducerea acestora într-un fişier special ce
primeşte în mod automat extensia .sav de la programul SPSS.

Fig.2.1. Introducerea variabilelor în subfereastra Variable View din fereastra Data Editor a softului SPSS 17

Fig.2.2. Introducerea datelor în subfereastra Data View din fereastra Data Editor
a softului SPSS 17
 Pasul 2.
Calculul mediilor statistice, a valorilor minime şi maxime a indicatorilor prin comenzi succesive
Analyze → Descriptives Statictics → Descriptives → Options în programul SPSS 17 asupra fişierului din
fereastra Data Editor. Softul a afişat rezultatele prevăzute în tabelul 2.1.
Reprezentarea grafică a datelor, prin histograme de diverse tipuri, se face prin apelarea comenzilor
Analyze → Descriptives Statictics → Frequencies → Charts → Histograms din programul SPSS 17.
Tabel 2.1. Valori ale mediilor statistice,respectiv valorile minime şi maxime ale indicatorilor, calculate cu softul SPSS 17

Abatere
N Minim Maxim Medie standard

Presiunea atmosferică 5 1030 1032 1031,20 ,837

(exprimată în hpa)

Temperatura (exprimată în 5 0 5 2,20 2,168

grade Celsius)

Probabilitate precipitaţii 5 0 17 5,60 6,950

(exprimată în %)

Acoperire cu nori (%) 5 0 100 53,40 48,495

Viteza vântului (km/h) 5 3 8 4,60 2,302

Umidiatate(%) 5 62 83 72,20 7,530

Vizibilitate(km) 5 10 22 15,40 4,669

Valid N (listwise) 5

Fig.2.3. Histograma presiunii atmosferice

 Fig.2.4. Histograma temperaturii

Fig.2.5. Histograma probabilităţii precipitaţiilor

Fig.2.6. Histograma privind acoperirea cu nori

Fig.2.7. Histograma privind viteza vântului

Fig.2.8. Histograma umidităţii

Fig.2.9. Histograma vizibilităţii

Pasul 3.
Stabilirea legăturii între valorile variabilelor se face prin analiza de corelaţie şi prin executarea
succesivă a comenzilor: Analyze → Correlate → Bivariate → fereastra Bivariate Correlations. În urma
procesării softul a oferit informaţiile despre coeficienţii de corelaţie, conform tabelului 2.2.

Tabel 2.2. Matricea de corelaţii

Pasul 4.
Analiza regresiilor şi identificarea formei legăturii dintre variabilele analizate.
Din programul SPSS 17 prin comenzi succesive Analyze → Regression → Curve Estimation →
fereastra Curve Estimation, am selectat modele analitice pentru obţinerea ecuaţiei de regresie (Liniar-
funcţia liniară, Exponential - funcţia exponenţială) pentru câteva variabile, una independentă şi cealaltă
dependentă.
Softul a afişat în tabele, rezultatele privind coeficienţii funcţiilor de regresie, adică coeficienţii
modelelor matematice.
Tabel 2.3. Coeficienţii funcţiei exponenţiale de regresie

Coefficients

Standardized
Unstandardized Coefficients Coefficients

B Std. Error Beta t Sig.

Temperatura (exprimată în ,001 ,000 -,855 -2,850 ,065

grade Celsius)

(Constant) 1031,926 ,340 3038,365 ,000

The dependent variable is ln(Presiunea atmosferică (exprimată în hpa)).

 Conform rezultatelor din tabelul 2.3, presiunea este o funcţie exponenţială de temperatură, adică:

p = p(T) = a·eb·T = 1031,926·e0,001·T. (2.1)

Pe baza modelului matematic din formula (2.1), oricând cunoaştem temperatura, introducând în
formulă, vom putea estima presiunea.
Tabel 2.4. Coeficienţii funcţieiliniare de regresie

Coefficients

Standardized
Unstandardized Coefficients Coefficients

B Std. Error Beta t Sig.

Probabilitate precipitaţii ,975 ,273 ,900 3,577 ,037

(exprimată în %)

(Constant) 66,739 2,281 29,259 ,000

Conform rezultatelor din tabelul 2.4, umiditatea se poate exprima ca funcţie liniară depinzănd de
probabilitatea de precipitaţii, adică:

U =U(probab.precipit) = a+b×probab.precipit
=66,739 +0,975×probab.precipit. (2.2)

Pe baza modelului matematic din formula (2.2), oricând cunoaştem probabilitatea de apariţie a
precipitaţiilor, introducând în formulă, vom putea estima nivelul de umiditate.
În mod analog, se pot găsi modelele de regresie multiliniare sau modele de regresie curbilinii între
mai multe variabile.

Concluzii.
Analiza şi evaluarea prognozei meteo se poate face rapid cu ajutorul softurilor. Acestea funcţionează pe
baza unor modele matematice adecvate, din statistica matematică.