Suite

17.1 : Fréquence du vent - Géosciences

17.1 : Fréquence du vent - Géosciences


Les vitesses du vent sont rarement constantes. Le nombre de fois qu'une plage ∆M de vitesses de vent s'est produite dans le passé est le la fréquence d'occurrence. L'attente que ce même fréquence relative se produira dans le avenir est le probabilité (Pr).

La distribution de probabilité des vitesses moyennes du vent M à n'importe quel endroit est décrite par le Distribution de Weibull:

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

où Pr est la probabilité (ou fréquence relative) de la vitesse du vent M± 0,5·∆M. De telles variations de vitesse du vent sont causées par des processus synoptiques, à mésoéchelle, locaux et de couche limite.

Paramètre d'emplacement Mo est proportionnelle à la vitesse moyenne du vent. Pour paramètre d'étalement α, un plus petit provoque une propagation plus large des vents autour de la moyenne. Les valeurs des paramètres et la forme de distribution correspondante varient d'un endroit à l'autre.

Le taille du bac ou alors résolution est M. Par exemple, la colonne tracée à la Fig. 17.1 pour M = 3 m s–1 est la probabilité que le vent soit compris entre 2,5 et 3,5 m s–1. La largeur de chaque colonne de l'histogramme est ∆M = 1 m s–1. La somme des probabilités pour toutes les vitesses du vent doit être égale à 1, ce qui signifie qu'il y a 100 % de chances que la vitesse du vent soit comprise entre zéro et l'infini. Utilisez-le pour vérifier les erreurs. Éq. (17.1) n'est qu'approximatif, donc la somme des probabilités est presque égale à 1.

Les distributions de la vitesse du vent sont utiles pour estimer la production d'électricité par les éoliennes et lors de la conception de bâtiments et de ponts pour résister à des vents extrêmes.

Vous pouvez exprimer la probabilité de vent extrême comme un Période de renvois (RP), qui est égal à la période totale de mesure divisée par le nombre de fois où le vent a dépassé un seuil. Par exemple, si des vents dépassant 30 m s–1 eu lieu deux fois au cours du siècle dernier, puis la période de retour de 30 m s–1 vents est RP = (100 ans)/2 = 50 ans. Les vents plus rapides se produisent moins fréquemment et ont des périodes de retour plus longues.

En comptant la fréquence d'occurrence des vents provenant de chaque direction de la boussole (N, NNE, NE, etc.) sur une période telle que 10 ans, puis en traçant cette fréquence sur un graphique polaire, le résultat est appelé un vent rose. Par exemple, la figure 17.2 montre la rose des vents pour l'aéroport de Vancouver (CYVR).

La longueur totale de chaque ligne de vent donne la fréquence totale de toute vitesse de vent de cette direction, tandis que la largeur (ou la couleur) de la ligne subdivise cette fréquence en portions associées à diverses vitesses de vent. (Toutes les roses des vents ne sont pas subdivisées en fonction de la vitesse du vent.) La fréquence des vents calmes est généralement écrite au centre du cercle si elle convient, ou est indiquée sur le côté. La somme de toutes les fréquences (y compris calme) doit totaliser 100 %. En un coup d'œil, les lignes les plus longues indiquent les directions prédominantes du vent pour n'importe quel endroit.

Par exemple, à l'aéroport de Vancouver, les vents d'est (E) (vents de l'est) sont les plus fréquents, suivis des vents de WNW puis de l'ESE. Les décollages et atterrissages d'avions sont plus sûrs - et nécessitent des distances plus courtes - s'ils se font face au vent. Par conséquent, les aéroports sont construits avec leurs pistes alignées parallèlement aux directions prédominantes du vent (dans des limites raisonnables, telles que dictées par les limites de propriété et les obstacles).

Exemple d'application

Quelle est la fréquence des vents d'est à l'aéroport de Vancouver?

Trouve la réponse

Utilisez la figure 17.2. Fréquence ≈ 26% .

Exposition: C'est la somme de 2 % pour 0,5 < M 1,9, plus 9 % pour 1,9 < M ≤ 3,4, plus 10 % pour 3,4 < M ≤ 5,5, plus 5 % pour M > 5,5 m s–1.

La figure 17.3 montre que les pistes de l'aéroport de Vancouver conviennent à la climatologie éolienne de la figure précédente. L'extrémité de chaque piste est étiquetée avec la direction du compas magnétique (en dizaines de degrés ; par exemple, 12 signifie 120° magnétique) vers laquelle l'avion vole lorsqu'il s'approche de cette extrémité de la piste depuis l'extérieur de l'aéroport. Ainsi, les avions utiliseront la piste 30 pour des vents de 300°. Les pistes parallèles sont étiquetées comme gauche (L) ou droite (R).


17.1 : Fréquence du vent - Géosciences

Tous les articles publiés par MDPI sont rendus immédiatement disponibles dans le monde entier sous une licence en libre accès. Aucune autorisation particulière n'est requise pour réutiliser tout ou partie de l'article publié par MDPI, y compris les figures et les tableaux. Pour les articles publiés sous une licence Creative Common CC BY en accès libre, toute partie de l'article peut être réutilisée sans autorisation à condition que l'article original soit clairement cité.

Les articles de fond représentent la recherche la plus avancée avec un potentiel important d'impact élevé dans le domaine. Les articles de fond sont soumis sur invitation individuelle ou sur recommandation des éditeurs scientifiques et font l'objet d'un examen par les pairs avant leur publication.

L'article de fond peut être soit un article de recherche original, une étude de recherche novatrice substantielle qui implique souvent plusieurs techniques ou approches, ou un article de synthèse complet avec des mises à jour concises et précises sur les derniers progrès dans le domaine qui passe systématiquement en revue les avancées les plus Littérature. Ce type d'article donne un aperçu des orientations futures de la recherche ou des applications possibles.

Les articles du Choix de l'éditeur sont basés sur les recommandations des éditeurs scientifiques des revues MDPI du monde entier. Les rédacteurs en chef sélectionnent un petit nombre d'articles récemment publiés dans la revue qui, selon eux, seront particulièrement intéressants pour les auteurs ou importants dans ce domaine. L'objectif est de fournir un aperçu de certains des travaux les plus passionnants publiés dans les différents domaines de recherche de la revue.


FHSU Géosciences - Dr Todd Moore

Bienvenue au Département de Géosciences. Comme mes collègues des Géosciences, je m'intéresse au monde physique et à la façon dont nous interagissons avec lui. Ma formation de géographe physique a élargi mes intérêts, mais je me concentre principalement sur les aléas météorologiques violents et le changement et la variabilité climatiques.

Contexte éducatif

  • doctorat en géographie et études en climatologie, Texas State University - San Marcos, TX 2013
  • MME. en géographie, Texas State University - San Marcos, TX 2009
  • B.S. en géographie, Texas State University - San Marcos, TX 2005

Cours enseignés

  • Climatologie
  • Météorologie
  • Temps violent et dangereux
  • Changement climatique
  • Géographie physique

Intérêts de recherche et spécialisations

  • Risques météorologiques violents et climatologie
  • Climatologie des tornades
  • Changement et variabilité climatiques

Publications / résumés et présentations en surbrillance

(voir CV pour la liste complète)

Attelle AM, Moore TW, Matthews TL. 2020 La relation entre les déserts alimentaires, les marchés de producteurs et les programmes d'aide alimentaire dans les secteurs de recensement d'Hawaï. Hawai'i Journal of Health & Social Welfare 79:4-9.

Moore TW, député McGuire. 2019. Tornade-jours aux États-Unis par phase de l'oscillation de Madden-Julian et de l'oscillation globale du vent. Dynamique climatique. DOI : 10.1007/s00382-019-04983-y.

Moore TW, député McGuire. 2019. Utilisation de l'ellipse d'écart type pour documenter les changements dans la dispersion spatiale de l'activité saisonnière des tornades aux États-Unis. npj Science du climat et de l'atmosphère. DOI : 10.1038/s41612-019-0078-4.

Moore TW, DeBoer TA. 2019. Un examen et une analyse des changements possibles dans la climatologie des tornades aux États-Unis. Progrès en géographie physique : Terre et environnement. DOI : 10.1177/0309133319829398.

Moore TW. 2019. Fréquence saisonnière et distribution spatiale des tornades aux États-Unis et leur relation avec El Niño/oscillation australe. Annales de l'Association américaine des géographes. DOI : 10.1080/24694452.2018.1511412.

Moore TW, St. Clair JM, DeBoer TA. 2018. Une analyse de la fréquence anormale des tornades hivernales et printanières par phase de l'oscillation El Niño/Australe, l'oscillation globale du vent et l'oscillation de Madden-Julian. Avancées en météorologie: 3612567. DOI : 10.1155/2018/3612567.

Moore TW. 2018. Activité de tornade annuelle et saisonnière aux États-Unis et oscillation mondiale du vent. Dynamique climatique 50 : 4323�. DOI : 10.1007/s00382-017-3877-5.

Moore TW. 2018. Tendances annuelles et saisonnières des tornades dans les États-Unis contigus et ses régions. Revue internationale de climatologie 38(3) : 1582�. DOI : 10.1002/joc.5285.

Moore TW, Sokol NJ, Blume RA. 2017. Distributions spatiales des tornades de cyclones tropicaux par intensité et caractéristiques de taille. Atmosphère 8. DOI : 10.3390/atmos8090160.

Moore TW. 2017. Sur les caractéristiques temporelles et spatiales des jours de tornade aux États-Unis. Recherche atmosphérique 184 : 56󈞭. DOI : 10.1016/j.atmosres.2016.10.007.

Les recherches en cours

Mes recherches actuelles portent sur la climatologie des tornades aux États-Unis. Je m'intéresse à la documentation des tendances spatio-temporelles de l'activité des tornades et à l'identification des moteurs possibles de ces tendances dans le système climatique. Grâce à cette recherche, j'ai documenté une diminution du nombre de jours avec peu de tornades et une augmentation du nombre de jours avec de nombreuses tornades, une diminution du nombre de tornades dans les Grandes Plaines et une augmentation du nombre de tornades plus à l'est, et une diminution du nombre de tornades la dispersion spatiale des tornades. J'ai également identifié des relations entre l'activité des tornades et des modèles climatiques tels que l'oscillation El Niño/Southern, l'oscillation de Madden-Julian et l'oscillation globale du vent.

Il reste encore beaucoup de travail à faire pour documenter les tendances et identifier les relations. Si vous souhaitez en savoir plus et contribuer à ce sujet amusant et important, veuillez me contacter.


Collaboration interdisciplinaire

L'expertise de Schumacher était nécessaire pour établir des liens avec divers événements pluvieux qui se sont produits au fil du temps. Elle avait de l'expérience avec les données radar et les mesures de pluie à l'échelle mondiale.

"Les grosses tempêtes qui couvrent des centaines de kilomètres fournissent environ 50 à 80% de pluie au Texas", a déclaré Schumacher. « De nos jours, ces tempêtes ont des signatures isotopiques différentes. »

Les recherches de Maupin repoussent les principes obsolètes du paléo-monde, car vous devez étudier comment les tempêtes grossissent et ce qui les influence, a-t-il déclaré.

"Ces orages sont si gros que même si la plupart des pluies se produisent en Oklahoma, la pluie au Texas portera toujours la signature isotopique de ces énormes tempêtes", a déclaré Maupin. « Vous prenez les empreintes digitales de ces systèmes quel que soit l'endroit où ils se produisent, et ils n'ont pas besoin d'être super localisés pour être reconnus. Les grosses tempêtes provoquent des signatures isotopiques épuisées. Vous ne pouvez pas expliquer la variabilité des stalactites par les seuls changements de température.


17.1 : Fréquence du vent - Géosciences

Tous les articles publiés par MDPI sont rendus immédiatement disponibles dans le monde entier sous une licence en libre accès. Aucune autorisation particulière n'est requise pour réutiliser tout ou partie de l'article publié par MDPI, y compris les figures et les tableaux. Pour les articles publiés sous une licence Creative Common CC BY en accès libre, toute partie de l'article peut être réutilisée sans autorisation à condition que l'article original soit clairement cité.

Les articles de fond représentent la recherche la plus avancée avec un potentiel important d'impact élevé dans le domaine. Les articles de fond sont soumis sur invitation individuelle ou sur recommandation des éditeurs scientifiques et font l'objet d'un examen par les pairs avant leur publication.

L'article de fond peut être soit un article de recherche original, une étude de recherche novatrice substantielle qui implique souvent plusieurs techniques ou approches, ou un article de synthèse complet avec des mises à jour concises et précises sur les derniers progrès dans le domaine qui passe systématiquement en revue les avancées les plus Littérature. Ce type d'article donne un aperçu des orientations futures de la recherche ou des applications possibles.

Les articles du Choix de l'éditeur sont basés sur les recommandations des éditeurs scientifiques des revues MDPI du monde entier. Les rédacteurs en chef sélectionnent un petit nombre d'articles récemment publiés dans la revue qui, selon eux, seront particulièrement intéressants pour les auteurs ou importants dans ce domaine. L'objectif est de fournir un aperçu de certains des travaux les plus passionnants publiés dans les différents domaines de recherche de la revue.


4 Données et résultats

Les phénomènes analysés dans cet article et leurs ensembles de données correspondants sont décrits ci-dessous. Des informations complètes sur les résultats de notre analyse statistique sont fournies dans les tableaux 1-6. Le tableau 1 montre les résultats de l'ajustement d'une distribution de loi de puissance non tronquée. Le tableau 2 complète ces résultats avec l'incertitude des paramètres obtenus à partir du bootstrap. Le tableau 3 montre les résultats pour une lognormale tronquée, uniquement pour les ensembles de données pour lesquels cette distribution donne un meilleur ajustement que la loi de puissance non tronquée. Le tableau 4 correspond à l'ajustement d'une loi de puissance tronquée, uniquement lorsque cette distribution conduit à un ajustement différent du cas non tronqué. Le tableau 5 donne l'incertitude obtenue par bootstrap des paramètres résultants. Le tableau 6 résume les résultats avec la distribution préférée pour chaque ensemble de données.

Base de données N Unités X(N) uneen forme r m β p uneCV
EQ CMT mondial 48,636 dycm 5.3·10 29 4.0·10 27 2.12 97 2.087 0.33 * 2·10 27
EQ Californie 179,255 dycm 1.1·10 27 1.5·10 21 5.89 2,883 1.655 0.30 3·10 20
TD Floride 163,019 km 2 45.7 1.0 1.66 476 2.472 0.39 0.8
SH Kentucky 101,095 km 2 31.3 0.2 2.16 511 2.485 0.77 0.2
SH Mer Morte 1,033 km 2 0.0041 0.00044 0.98 48 2.804 0.59 0.0002
Incendies en Angola 17,643 Ha 271,000 63 3.63 1,294 1.818 0.22 30
Incendies Canada 408 Ha 67,600 12,600 0.73 13 2.277 0.25 * 10,000
TC NATl 771 10 10 m 3 /s 2 25 12.6 0.31 16 5.145 0.22 * 10
CT EPac 594 10 10 m 3 /s 2 31 5.0 0.79 76 3.275 0.35 5
CT NATl+EPac 1,065 10 10 m 3 /s 2 31 7.9 0.59 56 3.578 0.55 * 8
Pluie CA 5,037,333 km 2 238,000 100,000 0.38 165 6.479 0.50 100,000
TP terrain 6,385,195 km 3 177 33 0.73 286 4.109 0.38 30
TP océan 10,372,063 km 3 2,080 200 1.02 555 3.250 0.47 * 200
TP terre+océan 16,757,258 km 3 2,080 200 1.02 555 3.250 0.47 * 200
Boules de feu 748 kt 440 0.3 3.14 278 2.022 0.21 0.2
  • Noter. Les ensembles de données contiennent N événements, la valeur maximale de la variable est X(N), le nombre de données dans la plage de loi de puissance est m, la limite inférieure de l'ajustement est uneen forme, l'exposant est β, et le p La valeur est p. La plage logarithmique de l'ajustement ou le nombre d'ordres de grandeur est . Le nombre de simulations est de 1 000 et 50 valeurs de uneen forme, équidistants en échelle logarithmique, sont balayés pour chaque ordre de grandeur. La valeur approximative de la transition de la queue lognormale à la loi de puissance est également incluse et notée uneCV. Lorsque cette valeur est signalée par un astérisque (dans la colonne la plus à droite), cela signifie qu'en principe (lorsqu'aucune restriction n'a été appliquée sur uneen forme) nous avons trouvé uneCV > uneen forme puis nous avons imposé uneen forme > uneCV. Dans le reste des cas, cela n'était pas nécessaire. EQ, TD, SH, TC, CA et TP désignent respectivement les tremblements de terre, les dépressions topographiques, les dolines, les cyclones tropicaux, les zones d'amas de pluie et les précipitations totales de pluie. CMT = tenseur du moment centroïde.
Base de données uneen forme
EQ CMT mondial 2.6·10 27 4.4·10 27 7.4·10 27 2.05 ± 0.16 0.35
EQ Californie 2.1·10 21 7.2·10 21 2.6·10 22 1.65 ± 0.04 0.29
TD Floride 0.52 1.0 1.9 2.50 ± 0.16 0.33
SH Kentucky 0.07 0.2 0.5 2.47 ± 0.24 0.33
SH Mer Morte 2.4·10 −4 4.5·10 −4 8·10 −4 2.89 ± 0.66 0.32
Incendies en Angola 40 120 370 1.79 ± 0.07 0.29
Incendies Canada 12,000 15,300 19,500 2.85 ± 0.65 0.30
CT NATl 11.1 12.6 14.4 5.88 ± 1.62 0.39
CT EPac 4.7 6.5 8.9 3.89 ± 1.14 0.38
CT NATl+EPac 8.0 10.8 14.7 4.54 ± 1.61 0.41
TP terrain 27 34 44 4.29 ± 0.57 0.38
TP océan 190 270 380 3.47 ± 0.31 0.40
TP terre+océan 190 270 380 3.47 ± 0.31 0.40
Boules de feu 0.4 0.6 1.0 1.95 ± 0.35 0.37
  • Noter. L'exposant β est représenté par la moyenne de tous les résultats bootstrap, , et la variabilité de β par 1 écart type σb. Le p la valeur est également donnée en termes de valeur moyenne . La variabilité du seuil inférieur une est calculé en prenant son logarithme, en calculant la moyenne et l'écart type, et en retransformant en prenant l'exponentielle des résultats. Les trois valeurs rapportées sont associées à la moyenne du logarithme et à cet écart type de ±1. Le nombre d'échantillons bootstrap est de 100.
Base de données N uneen forme ben forme r m μ σ p
TD Floride 163,019 0.018 3.40 35,167 −9.85 2.84 0.59
SH Kentucky 101,095 0.0095 3.51 17,624 −9.70 2.54 0.22
SH Mer Morte 1,033 1.3·10 −6 0.005 3.60 964 −10.4 1.64 0.23
Incendies en Angola 17,643 8.7 4.49 5,349 −13.2 4.96 0.32
Incendies Canada 408 3.3 4.3 314 3.36 3.29 0.45
  • Noter. Le μ et σ sont les paramètres log-normaux notez que d'autres chercheurs préfèrent rapporter eμ et eσ à la place (Limpert et al., 2001 ). La coupure supérieure est fixée à b −1 = 0, sauf pour les dolines de la Mer Morte. Le nombre de simulations est de 1 000 et 50 valeurs de uneen forme, équidistants en échelle logarithmique, sont balayés pour chaque ordre de grandeur.
Base de données N uneen forme ben forme r m β p
EQ CMT mondial 48,636 1.3·10 24 2·10 27 3.20 22,061 1.655 0.46
SH Mer Morte 1,033 2.5·10 −7 1.3·10 −5 1.7 323 0.391 0.24
Incendies Canada 408 1.0 12,600 4.1 395 1.153 0.23
CT NATl 771 0.16 10 1.8 534 1.224 0.27
CT 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
Pluie CA 5,037,333 6,310 50,100 0.9 15,817 1.711 0.32
TP océan 10,372,063 0.126 12.6 2.0 1,273,883 1.721 0.66
  • Noter. Le nombre de données dans la plage de loi de puissance tronquée est m, la coupure inférieure de l'ajustement est uneen forme, la limite supérieure est ben forme, l'exposant est β, et le p La valeur est p. Le nombre d'ordres de grandeur couverts par l'ajustement est . Le nombre de simulations est de 1 000 (sauf pour le cas des précipitations totales des amas de pluie océanique, qui est de 100), et 10 valeurs de uneen forme sont balayés à équidistance en échelle logarithmique pour chaque ordre de grandeur.
Base de données uneen forme ben forme
EQ CMT mondial 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
Incendies Canada 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
CT 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 océan 0.08 0.27 0.91 2.5 6.3 16 1.73 ± 0.03 0.35
  • Noter. Seuls les cas qui conduisent à des lois de puissance significatives sont inclus. L'exposant β est représenté par la moyenne de tous les résultats bootstrap, , et la variabilité de β par 1 écart type σb. Le p la valeur est également donnée en termes de valeur moyenne . La variabilité des deux seuils une et b est calculé comme dans le cas non tronqué par la moyenne ±1 écart type de leurs logarithmes. Le nombre d'échantillons bootstrap utilisé est de 100, à l'exception des précipitations totales au-dessus de l'océan, qui sont de 30.
Base de données Distribution préférée
EQ CMT mondial Loi de double puissance
EQ Californie Loi de puissance non tronquée
TD Floride Lognormale tronquée
SH Kentucky Lognormale tronquée
SH Mer Morte Lognormale tronquée (avec b −1 ≠ 0)
Incendies en Angola Lognormale tronquée
Incendies Canada Loi de puissance tronquée + lognormale tronquée
CT NATl Loi de puissance tronquée
CT EPac Loi de puissance tronquée
CT NATl+EPac Loi de puissance tronquée
Pluie CA Rien
TP terrain Rien
TP océan Loi de puissance tronquée
TP terre+océan Rien
Boules de feu Loi de puissance non tronquée
  • Noter. Pour les feux de forêt au Canada, il existe un régime de loi de puissance tronqué commençant au minimum X suivi d'une lognormale tronquée couvrant jusqu'au plus grand X, sans transition nette entre les deux distributions.

Les figures 1 et 2 présentent les distributions empiriques ainsi que les ajustements préférés dans chaque cas. Ces chiffres ne jouent aucun rôle dans la procédure d'ajustement et ne sont présentés qu'à titre d'illustration, pour avoir une perspective visuelle et intuitive. Les distributions empiriques sont correctement normalisées les ajustements, tels que définis en général sur une plage plus petite, ne sont pas normalisés mais adaptés à la normalisation des distributions empiriques (voir les légendes pour des informations détaillées).

4.1 Tremblements de terre

Certains auteurs ont soutenu qu'une distribution de loi de puissance non tronquée est problématique, car l'extrapolation de cette relation aux plus grands séismes conduirait à une libération infinie d'énergie à long terme, en raison de la divergence de la valeur moyenne des distributions de loi de puissance lorsque β 2 (Knopoff & Kagan, 1977 Serra & Corral, 2017 ). Ainsi, des écarts par rapport au comportement de la loi de puissance de Gutenberg-Richter doivent être attendus pour les plus gros séismes. Néanmoins, nous montrerons que la loi de puissance non tronquée n'est pas un si mauvais modèle pour la taille des séismes.

4.2 Gouffres karstiques et dépressions topographiques fermées

Les dolines sont des dépressions du sol produites par un affaissement dû dans la plupart des cas au karst, c'est-à-dire par la dissolution de roches solubles par les eaux souterraines. Les gouffres présentent un danger car ils peuvent se former sous les bâtiments et les infrastructures (telles que les routes, les voies ferrées et les pipelines) et sont particulièrement dangereux s'ils s'effondrent soudainement, causant même des pertes humaines (Brinkmann, 2013 Galve et al., 2011).

Des relations fréquence-taille en loi de puissance ont récemment été proposées pour les dolines, en considérant soit leur diamètre soit leur surface comme mesure de la taille (Galve et al., 2011 Wall & Bohnenstiehl, 2014 Yizhaq et al., 2017 ), et leurs exposants ont été proposé de varier à mesure que de nouveaux gouffres se développent, grandissent et fusionnent (Yizhaq et al., 2017 ). La relation fréquence-taille des dépressions topographiques en Floride montre un comportement similaire (Wall & Bohnenstiehl, 2014). Ces dépressions sont utilisées comme proxy des caractéristiques karstiques, bien qu'elles ne soient pas toutes des dolines (Arthur et al., 2007 ). Notez qu'une fonction logarithmique entre la fréquence cumulée et le diamètre du gouffre proposée pour d'autres ensembles de données de gouffre (Gutiérrez et al., 2016 Taheri et al., 2015 ) est équivalente à une loi de puissance avec exposant unitaire.

Les cartes des dolines peuvent être délimitées manuellement ou en identifiant automatiquement les dépressions topographiques dans les modèles d'élévation numériques, ce qui peut entraîner des différences dans les inventaires résultants (Wall et al., 2017). Ici, nous utilisons la base de données des dolines du Kentucky (USA), cartographiée manuellement et probablement le plus grand ensemble de données de dolines disponible, avec plus de 100 000 dolines (Paylor et al., 2003) la base de données des dépressions topographiques fermées de la Floride (USA), basée sur la cartographie automatique, comprenant plus de 160 000 dépressions (Florida Department of Environmental Protection, 2004) et un ensemble de données composé de plus de 1000 dolines à côté de la mer Morte (Yizhaq et al., 2017). La taille est mesurée en termes de surface (X = UNE), en kilomètres carrés. Les dolines peuvent avoir une superficie minimale de l'ordre de 0,1 à 1 m 2 , ce qui est observé dans la base de données de la mer Morte et dans d'autres études détaillées (Galve et al., 2009 ). En revanche, pour les bases de données du Kentucky et de Floride, les plus petites zones signalées devraient être limitées par la résolution des cartes utilisées pour leur compilation. Pendant ce temps, la plus grande taille de gouffre cartographiée peut être affectée par des effets de frontière, en particulier dans les petites zones géographiques.

Nos résultats montrent que les deux plus grands ensembles de données (Floride et Kentucky), bien que ne correspondant pas exactement au même phénomène géologique, conduisent à des résultats similaires. Une distribution de loi de puissance non tronquée peut être ajustée pour 1,5 et 2 ordres de grandeur, respectivement, avec l'exposant β très proche de 2,5. Le CV Le test confirme ces résultats, en ce sens que dans la plage résultante, l'ajustement de la loi de puissance est préféré devant la lognormale. Cependant, comme la lognormale est valable pour une gamme beaucoup plus large, cette distribution est, dans l'ensemble, préférée, avec μ− 10 et σ2,5–2,8. Les résultats pour la distribution de la loi de puissance tronquée sont similaires à ceux du cas non tronqué, avec un exposant un peu plus petit (β≃2.3) pour le Kentucky. Une loi de puissance parasite qui est apparue pour les données de Floride dans la gamme de très petites zones a été ignorée.

La description de l'ensemble de données de la mer Morte en termes de loi de puissance est plus pauvre. Une distribution de loi de puissance non tronquée n'est pas rejetée pour le dernier ordre de grandeur (étant généreuse) mais avec moins de 50 points de données et avec un exposant plus grand (β2.8). Le coefficient de variation logarithmique confirme cette plage pour laquelle la queue lognormale n'est pas préférée néanmoins, comme la lognormale conduit à une plage d'ajustement beaucoup plus grande, cette dernière est préférée pour décrire la distribution globalement. Dans ce cas, cependant, les besoins lognormal et le seuil supérieur, bX(N) (sinon, pour b, la lognormale est rejetée).

En revanche, notez que si les zones UNE sont transformés en dimensions linéaires L au moyen de la relation LUNE 1/2 , équation 6 avec z = 2 indique qu'une plage de β de 2,5 à 2,8 transformées jusqu'à la plage de 4 à 4,6 pour βL.

4.3 Feux de forêt

Les modèles de feux de forêt étaient l'un des sujets les plus populaires dans le domaine de la criticité auto-organisée. Cependant, à notre connaissance, les résultats de simulation de ces modèles de jouets n'ont pas été comparés aux données d'observation avant les travaux de Malamud et al. (1998). Avant l'époque de la criticité auto-organisée, les distributions de la taille des feux avaient été tracées par Minnich (1983). Malamud et al. (1998) ont constaté que les zones brûlées par les feux de forêt dans différents endroits des États-Unis et de l'Australie (y compris les enregistrements de paléoincendies) suivent des distributions de loi de puissance (non tronquées) avec l'exposant β allant de 1,3 à 1,5. Plus tard, Malamud et al. (2005) ont étudié 18 écorégions différentes des États-Unis, trouvant des distributions de loi de puissance avec des exposants de 1,3 à 1,75. De nombreuses autres études statistiques ont été réalisées voir, par exemple, les citations de Malamud et al. (2005). Fait intéressant, certains auteurs ont affirmé que les zones brûlées dans d'autres régions sont mieux décrites par la distribution lognormale (Corral et al., 2008 Hantson et al., 2016 ).

Hantson et al. ( 2016 ) ont généré des cartes des zones brûlées à haute résolution (30 m) à partir d'images satellite (Landsat), pour certaines des régions d'incendie les plus importantes au monde. La base de données résultante comprenait huit régions d'écosystèmes et de climats différents, sur tous les continents (à l'exception de l'Anctarctique). La zone brûlée UNE, en ha (1 ha = 0,01 km 2 ), a été utilisé comme mesure de la taille du feu (X = UNE). Après leur analyse statistique minutieuse, les auteurs ont constaté que seules deux régions étaient compatibles avec l'hypothèse de la loi de puissance tronquée (au Canada et au Kazakhstan), avec des exposants β égal à 1,0 à 1,3, respectivement. Quatre autres sites ont montré un comportement lognormal, tandis que les deux autres (en Angola et en Australie), n'étaient compatibles avec aucun des deux modèles statistiques. Ici, nous sélectionnons comme sites représentatifs ceux de l'Angola et du Canada, et nous réanalysons leurs enregistrements de feux de forêt. Le premier site est associé à la forêt claire, avec des données recueillies sur 4 années (non consécutives), alors que les données du Canada correspondent à la forêt boréale surveillée pendant 14 ans.

Contrairement aux résultats originaux, notre analyse montre que les données sur les feux de forêt en Angola peuvent être bien représentées à la fois par une loi de puissance non tronquée et par une distribution lognormale. La loi de puissance non tronquée vaut pour les surfaces brûlées supérieures à environ 60 ha (correspondant à plus de 3,5 ordres de grandeur), avec un exposant β1.8. Dans la comparaison avec l'ajustement lognormal, la loi de puissance n'est pas rejetée dans cette plage. Cependant, la lognormale est valable pour une gamme plus large, commençant à environ 10 ha, couvrant 4,5 ordres de grandeur et comprenant plus de 4 fois le nombre de points compris par la loi de puissance. L'ajustement de la distribution de la loi de puissance tronquée ne conduit pas à des différences notables par rapport à la loi de puissance non tronquée. Par conséquent, la loi lognormale est la distribution préférée.

En revanche, les données du Canada donnent une queue de loi de puissance très courte, avec un exposant plus grand et pour une plage plus limitée, commençant à environ 12 000 ha et contenant très peu de points de données. Nous pouvons ignorer cette loi de puissance comme fausse et adopter l'ajustement lognormal qui est valable pour X ≥ 3,3 ha jusqu'à la plus grande valeur (67 000 ha) et couvre une partie importante des données (77 % de tous les points de données). De plus, et en accord avec le travail original, une loi de puissance tronquée avec β≃1.15 donne un bon ajustement entre 1 et 12 000 ha, couvrant 97 % de tous les points de données. Comme la loi de puissance tronquée et la lognormale sont définies sur des plages différentes, nous n'avons aucun moyen de les départager et nous considérons les deux ajustements comme valides. C'est-à-dire que nous pouvons dire que la loi de puissance tronquée est valable pour les petits X et la lognormale pour les grands X mais sans transition nette entre eux.

Ces résultats, ainsi que ceux de nombreux autres chercheurs précédents, montrent clairement que, contrairement aux tremblements de terre, les incendies de forêt ne peuvent pas être caractérisés par des exposants de loi de puissance presque universels, comme l'a initialement remarqué de manière qualitative Minnich (1983).

4.4 Cyclones tropicaux

Le terme cyclone tropical s'applique aux ouragans et aux typhons, qui sont le même phénomène, à la seule différence que le premier se produit dans l'Atlantique Nord et le Pacifique Nord-Est et le second dans le Pacifique Nord-Ouest. Mais le terme comprend aussi des systèmes plus faibles, comme les tempêtes tropicales et les dépressions tropicales. La catégorisation est établie par la vitesse maximale du vent soutenu, qui dans les dépressions tropicales est inférieure à 34 nœuds et dans les tempêtes tropicales est comprise entre 34 et 64 nœuds (1 nœud = 0,5144 m/s) sinon, le cyclone tropical est considéré comme un ouragan ou un typhon (ou un cyclone tropical sévère ou une tempête cyclonique sévère, dans d'autres bassins océaniques) (Emanuel, 2005a).

Les enregistrements de cyclones tropicaux analysés ici correspondent aux bassins de l'Atlantique Nord (NAtl) et du Pacifique Nord-Est (EPac), pour les périodes 1966-2016 et 1986-2016, respectivement, et sont obtenus à partir du jeu de données HURDAT2 de la NOAA (USA) (Atlantic Oceanographic et Laboratoire météorologique, 2018 ). Nous considérons également un ensemble de données agrégées joignant les deux bassins (NAtl+EPac), pour la période 1986-2016. Une vue cartographique des trajectoires des cyclones tropicaux dans les deux bassins indique qu'il peut être judicieux de considérer les deux bassins ensemble, comme un seul méga-bassin unifié, dans un certain sens.

Dans les trois cas, nous trouvons qu'une loi de puissance non tronquée peut s'adapter à la queue des distributions, avec l'exposant β autour de 4 ou plus, avec une grande incertitude (comme le montre le bootstrap). Néanmoins, cette loi de puissance est assez marginale, car elle s'étend pour moins d'un ordre de grandeur en plus, l'augmentation de la valeur apparente de l'exposant avec une montre qu'il ne s'agit pas d'une véritable loi de puissance. Notez que l'exposant de la loi de puissance de l'ensemble de données joint ne respecte pas la loi des moyennes harmoniques rapportée précédemment (Navas-Portella et al., 2018), car les plages d'ajustement de chaque ensemble de données sont quelque peu différentes. Néanmoins, l'ajustement lognormal n'est pas préféré pour la queue. D'autres travaux ont adapté une distribution gamma tronquée (qui contient une queue exponentielle) à ce type de données (Corral & Turiel, 2012 del Castillo et al., 2017 ). Lors de l'ajustement d'une loi de puissance tronquée, les résultats sont en accord avec la référence d'origine (Corral et al., 2010 ), avec un exposant β compris entre 1,1 et 1,2, pour environ 2 ordres de grandeur. D'autre part, une distribution lognormale tronquée avec b ne correspond pas aux données. Notons enfin que, d'après la figure et le facteur de conversion présentés ci-dessus, les cyclones tropicaux les plus extrêmes (en termes d'énergie) dégagent une énergie de l'ordre de 3 × 10 11 m 3 /s 2 ≃1,5 × 10 18 J.

4.5 Pluie

Les précipitations ont été traditionnellement étudiées en termes de pluie collectée pendant une période de temps fixe (1 jour ou 1 mois) sur un seul site (c'est-à-dire une mesure ponctuelle dans l'espace). Peters et ses coauteurs (Peters et al., 2002 Peters & Christensen, 2002 2006 ), et auparavant Andrade et al. (1998), ont contesté cette approche, définissant l'événement de pluie sur un site comme un continuum d'occurrence de pluie dans le temps. Dans le cas idéal, on devrait être capable de mesurer la pluie avec une haute résolution dans le temps, par exemple 1 min. Ainsi, pour un seul site de la mer Baltique, Peters et al. ( 2002 ) ont obtenu un exposant en loi de puissance β≃1,35 pour la pluie totale collectée lors d'événements pluvieux. Une analyse ultérieure pour différents sites du globe, où la pluie a été enregistrée à l'aide de différents instruments, a trouvé un exposant presque universel β dans la plage 1,0-1,2.

Plus tard, Peters et al. ( 2012 ) ont adopté un point de vue différent, définissant l'événement de pluie non pas dans le temps mais dans l'espace, c'est-à-dire qu'ils ont considéré la zone instantanée des amas de précipitations. Ceci a été obtenu comme dans la théorie de la percolation, en agrégeant les pixels précipitants les plus proches correspondant à une tranche de temps. Les zones résultantes UNE, en kilomètres carrés ont été mesurés (c. X = UNE). Les données utilisées proviennent du radar de précipitation du satellite Tropical Rainfall Measuring Mission. Peters et al. ( 2012 ) ont remarqué un régime de type loi de puissance pour les zones, avec un exposant β≃2.05. En fait, un résultat similaire a été revendiqué beaucoup plus tôt par Lovejoy (1981) pour les zones de pluie (radar) dans l'Atlantique tropical, indiquant le comportement de la loi de puissance avec β1.82. Quelques années plus tard, Lovejoy et Mandelbrot (1985) rapportèrent β≃1,75 dans le même contexte.

Notre réanalyse des données de Peters et al. ( 2012 ) montre que l'ajustement d'une distribution de loi de puissance non tronquée conduit à de mauvais résultats. La loi de puissance ne peut s'adapter qu'aux événements les plus extrêmes, comportant moins de 200 points de données (sur plus de 5 millions) et couvrant moins d'un demi-ordre de grandeur. De plus, l'exposant apparent montre une augmentation avec la valeur de coupure. L'ajustement de la loi de puissance tronquée ne conduit pas non plus à des résultats très positifs, malgré le fait que la représentation graphique de la distribution montre une tendance linéaire décroissante dans un tracé log-log. La raison de cet échec peut être due au nombre astronomiquement grand de clusters. Cela signifie que l'incertitude associée à la distribution empirique est très petite, et le test de qualité d'ajustement peut détecter les plus petites différences par rapport à un comportement réel (idéal) de la loi de puissance. La meilleure loi de puissance tronquée obtenue (celle ayant le plus grand rapport b/une) tient pour moins de 1 ordre de grandeur et comprend moins de 1% des clusters, montrant une variation significative avec le changement de une et b ainsi, nous négligeons la loi de puissance obtenue comme non pertinente.

Les événements pluvieux résultants ont été classés en deux groupes : les événements terrestres (avec 90 % ou plus de leurs cellules correspondant à la terre) et les événements océaniques (définis de manière analogue), le reste des groupes (2,5 % du total) n'a pas été pris en compte. Les auteurs ont obtenu qu'une distribution gamma tronquée (appelée loi de puissance tronquée par eux) correspondait le mieux à l'ensemble de données océaniques, tandis que la distribution de Weibull (appelée ici exponentielle étirée) convenait à la fois à l'ensemble de données terrestres et à l'ensemble de données agrégées terre + océan. L'exposant de la loi de puissance correspondant donné par la distribution gamma était β≃1.71 (la distribution de Weibull n'a pas de régime de loi de puissance clair lorsque son paramètre de forme tend vers zéro, ce que les auteurs ont trouvé).

Nous réanalysons les données de Traxl et al. ( 2016 ), aimablement mis à jour par les auteurs pour la période de 20 ans 1998-2017. Les ensembles de données terrestres et océaniques ont été définis par 80 % ou plus de cellules. Nos résultats pour l'ajustement de la loi de puissance non tronquée conduisent à des queues de loi de puissance très courtes (1 ordre de grandeur ou moins) avec des valeurs de β assez grande (là encore, la méthode du bootstrap montre une grande variabilité de ces valeurs, et une dépendance de β sur une est également présent). La queue de l'ensemble de données combiné terre+océan est constituée exclusivement d'événements océaniques et conduit aux mêmes résultats que l'ensemble de données océaniques. Le test du coefficient de variation logarithmique indique que l'ajustement lognormal n'est pas préféré pour ces queues courtes.

De l'autre côté, pour les amas océaniques, une loi de loi de puissance tronquée avec exposant β = 1,7 vaut pour 2 ordres de grandeur, comprenant plus de 1 million de points de données. Pour autant que nous le sachions, il s'agit de l'une des distributions de loi de puissance avec plus de données jamais trouvées (Clauset et al., 2009) en utilisant des procédures statistiques rigoureuses. Les deux autres fichiers ne montrent aucun comportement de loi de puissance tronquée, en raison de la grande quantité de données (en prenant des sous-échantillons aléatoires plus petits, on peut constater que les lois de puissance tronquées sont acceptées, ainsi que les queues lognormales, mais cela signifierait ignorer la majorité des Les données). En ce qui concerne la forme globale de la densité de probabilité, il est remarquable qu'elle présente une grande similitude avec la densité de probabilité du PDI des cyclones tropicaux (Corral et al., 2010 ), tous deux illustrés à la figure 1. Notez à partir de là que le energy released by the most extreme rainfall events is of the order of 2 × 10 3 km ≃5 × 10 21 J. This large difference with respect to tropical cyclones may be due to the fact that in that case the energy referred to kinetic energy ( 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 (X) 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 et al., 1996 ). Zonal (vous), 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).

Voir la vidéo: QUEST-CE QUE LES GÉOSCIENCES?