Jämförande mätningar - tidigare studier

I detta avsnitt beskrivs två exempel på tidigare studier inom ämnet, vilka även har använts som utgångspunkt för utvärderingen av Blitzortungssystemets prestanda.

I (Ward et al. 2008) utvärderades blixtlokaliseringssystemet NDLN™ (U.S National Lightning Detec-tion Network) genom jämförande mätningar med CGLSS (Cloud-to-Ground-Lightning Surveillance System) som referenssystem. NLDN™ är ett nationellt nätverk som täcker hela USA och bestod vid tidpunkten då studien utfördes av 113 st IMPACT ESP-sensorer placerade med ett avstånd på 200-350 km ifrån varandra. CGLSS-systemet är utformat för att täcka ett avgränsat område i Florida, USA och bestod vid studiens tidpunkt av sex st IMPACT ESP-sensorer. I studien jämfördes mätningar från systemen i det avgränsade området där CGLSS har högre prestanda (Ward et al. 2008).

För den jämförande analysen valdes de fyra dagar under sommaren 2005 och 2006 som CGLSS detek-terat flest urladdningar i samtliga riktningar i det avsedda området. Urladdningar mellan systemen

ansågs vara tidskorrelerade om de registrerats inom ett tidsintervall på 2 ms. För de korrelerade urladdningarna utfördes en maximal ström-analys samt beräkningar av relativ detektionsgrad och positioneringsosäkerhet (Ward et al. 2008). Dessa begrepp förklaras närmare i avsnitt 7.3.3.

I (Jacques 2011) utfördes en liknande undersökning i samma område där man utvärderade blixtlokali-seringssystemet USPLN med systemet CGLSS-II, som är en uppgraderad version av CGLSS. USPLN bestod vid studiens tidpunkt av 100 stycken sensorer och utvecklades från början som ett alternativ till NDLN™.

Blixtdata filtrerades genom att urladdningar detekterade av CGLSS-II togs bort om de hade en uppskattad strömstyrka mellan 0 till +10kA, eftersom svaga positiva urladdningar ofta är detekterade molnblixtar. Urladdningar detekterade av CGLSS-II behölls endast om de var inom det avgränsade området. För USPLN-data gjordes ingen filtrering då det innebär att man introducerar ett bias, i synnerhet nära avgränsningen för det studerade området (Jacques 2011). Förklaringen till detta är att om man exkluderar alla blixtar utanför studieområdet för systemet som studeras kan endast blixtar inom området tidskorreleras. Detta innebär att systemet som utvärderas kommer att få högre uppmätt prestanda eftersom urladdningar med stort positioneringsfel i viss mån exkluderas.

För att korrelera urladdningar mellan blixtlokaliseringssystemen användes ett tidsintervall på 3 ms samt ett avståndskriterium på 15 km. Avståndskriteriet baserades på att tidigare studier visat att endast 2 % matchning av urladdningar på avstånd större än 15 km. Vid korrelationsproceduren för-säkrade man sig om att varje urladdning endast korrelerades en gång och urladdningar som detekteras inom samma tidsfönster matchades med den urladdning som var närmast temporärt eller spatialt (Jac-ques 2011).

Förklaringsmodell tidskorrelering

Figur 7: Vänster: Enskilda urladdningar inom en sekund. Höger: Tidskorrelerade enskilda urladdningar inom en sekund

I Figur 7 antas punkterna vara platsbestämda detekterade urladdningar från två blixtlokaliserings-system, där respektive system har varsin färg. Genom att filtrera urladdningar som är detekterade inom 2 ms kan korrelerade par urskiljas. Om fler än en urladdning från system A och/eller fler än en urladdning från system B detekteras inom tidsfönstret, kan man välja om man vill para ihop de urladdningar som befinner sig närmast temporärt eller spatialt. I Figur 7 slumpade det sig så att de urladdningspar som befann sig närmast spatialt och temporärt är korrelerade. Notera dock att detta inte alltid är fallet, samt att antalet urladdningar som detekterats av system A och system B kan skilja sig åt. Värt att nämna är att inget verkligt blixtlokaliseringsystem är utan felmarginal, vilket

innebär att man inte kan vara säker på att något av systemen fastställt den faktiska positionen för urladdningarna.

Korrelationsprocedur i detalj

1. Först skapades ett kombinerat dataset med SMHI och Blitzortungs data, där varje urladdning gavs en parameter för systemtillhörighet.

2. Därefter sorterades blixtdata efter tid, vilket innebär att urladdningar från båda systemen blan-dades.

3. I nästa steg utfördes själva korrelationsprocessen där urladdningar som låg inom tidskriteriet (2 ms) gavs ett unikt ”flash-ID”. Därefter raderades de poster med flash-ID:n endast innehål-landes urladdningar från ett system.

4. Efter det implementerades en ”närmsta grannar”-algoritm (Frio n.d.). Denna algoritm hittar de unika urladdningspar som ligger närmast temporalt inom en flash. Om ett flash-ID exempelvis innehåller tre stycken Blitzortung-urladdningar och fem SMHI-urladdningar kommer tre stycken unika par bildas.

5. Slutligen användes the Great distance formula (GeoPy-Contributors 2015) för att beräkna av-ståndet mellan urladdningsparen.

Interpolering

För alla kartor som interpolerats har metoden IDW (Inverse distance weighted) använts. Metoden bygger på antagandet att punkter nära varandra har mer gemensamt än punkter längre bort, vilket medför att punkter nära prediktionspunkten viktas så att de får större inverkan än punkter längre bort. Vikterna består av det inversa avståndet upphöjt till ”power-värdet” -p. För alla kartor valdes p = 2, vilket innebär att viktningen för punkter som omger prediktionspunkten minskar med avståndet i kvadrat (Environmental Systems Research Institute n.d.). Detta värde ansågs bäst representera data då p-värden från 1 till 3 testades.

Urval av blixtdata

SMHI:s blixtdata utgjordes av två separata dataset där det första innehöll urladdningar med tids-stämpel med upplösning i sekundnivå och täckte perioden 1 januari 2012 - 16 september 2016. Då en tidsupplösning på minst millisekund krävs för att kunna korrelera urladdningar enligt tidigare be-skrivning, gavs tillgång till ytterligare blixtdata i nanosekundupplösning med en separat textfil för varje år. Formatet hos textfilerna var gemensamt oavsett dataset och textfil, där varje detekterad ur-laddning där varje parameter hade en egen kolumn (tidsstämpel, latitud, longitud, max strömstyrka, moln/jordblixt indikator, etc.). Den geografiska avgränsningen utgjordes av Sveriges territorialgräns, det geografiska referenssystemet WGS84 och tidszonen var i UTC. Blixtdata för Blitzortungsystemet kunde endast hämtas för två dygn i taget genom att manuellt fylla i ett formulär på Blitzortungs hem-sida. Där klipptes en ruta ut med en total utsträckning: (55◦< latitud < 70◦|| 11◦< longitud < 24◦) innehållande Sverige och en stor del av Östersjön varpå en textfil innehållandes blixtdata sparades med ett slumpvis genererat namn. Med anledning av detta skrevs ett skript för att generera ett dataset utifrån de enskilda textfilerna. På grund av denna tidskrävande manuella procedur gjordes valet att endast använda blixtdata från blixthögsäsongen (maj till september) för åren 2012-2016. I litteraturen som undersökts har inga indikationer om ett årstidsberoende hos prestandan för blixtlokaliseringssy-stem påträffats. Tidsstämpeln för urladdningarna hade tidszonen UTC och koordinaterna var givna i det geografiska referenssystemet WGS84.

Utvärderingen av Blitzortungsystemet är uppdelad i två huvuddelar, Övergripande distribution av ur-laddningar 7.3.2 samt Utvärdering av prestanda 7.3.3. I avsnitt 7.3.2 användes SMHI:s dataset med tidsupplösning på sekundnivå där rådata finns presenterad i Tabell 1. Denna blixtdata bearbetades sedan för att respektive system skulle få samma geografiska avgränsning och tidsperiod. Då tidspe-rioden för SMHI:s blixtdata är från 1 januari 2012 - 16 september 2016 och Blitzortungs blixtdata sträcker sig över 1-maj till 31 september åren 2012-2015 och 1 maj - 16 september 2016 innebar det att endast inkludera data inom sammanfallande tidsperioder. För att få samma geografiska avgränsning exkluderades Blitzortung-urladdningar utanför Sveriges territorialgräns. Slutligen delades data upp i ett dataset för varje blixtsäsong och resultatet kan ses i Tabell 2.

I avsnittet Utvärdering av prestanda användes istället datasetet från SMHI med tidsstämpel i nano-sekundupplösning, och blixtdata från Blitzortungsystemet var densamma som i Övergripande distri-bution av urladdningar. Blixtdatan finns presenterad i Tabell 3. För att tidsperioden skulle stämma överens mellan systemen inkluderades urladdningar som detekteras mellan 1 maj - 16 september 2016 från båda systemen. Eftersom alla beräkningar i avsnittet Utvärdering av prestanda grundas på kor-relation av urladdningar mellan systemen enligt olika villkor behövs ingen geografisk avgränsning av urladdningar mellan systemen. För de individuella delarna inom avsnitt Utvärdering av prestanda 7.3.3 skapades olika delmängder från rådata i Tabell 3, och dessa beskrivs i Tabell 4.