Wirtschaft Lexikon der Argumente

Home Screenshot Tabelle Begriffe

 
Wetterdaten: Wetterdaten umfassen Informationen über atmosphärische Bedingungen wie Temperatur, Feuchtigkeit, Windgeschwindigkeit, Niederschlag und Luftdruck, die zu bestimmten Zeiten und an bestimmten Orten aufgezeichnet werden. Siehe auch Wettervorhersage.

_____________
Anmerkung: Die obigen Begriffscharakterisierungen verstehen sich weder als Definitionen noch als erschöpfende Problemdarstellungen. Sie sollen lediglich den Zugang zu den unten angefügten Quellen erleichtern. - Lexikon der Argumente.

 
Autor Begriff Zusammenfassung/Zitate Quellen

Meteorologie über Wetterdaten - Lexikon der Argumente

Edwards I 394
Wetterdaten/Metereologie/Edwards: Inzwischen werden globale Datensätze durch Simulationen erzeugt, die durch instrumentelle Beobachtungen eingeschränkt, aber nicht bestimmt sind. In einer früheren Arbeit habe ich diese Beziehung als "Modell-Daten-Symbiose" beschrieben, eine für beide Seiten vorteilhafte, aber auch voneinander abhängige Beziehung(1). Diese Idee stimmt mit neueren Arbeiten von Wissenschaftsphilosophen über "Modelle als Vermittler" überein - eine halbautonome "dritte Kraft" in der Wissenschaft, die in den Räumen zwischen der realen Welt, den Instrumenten und der Theorie funktioniert(2). Wie Margaret Morrison und Mary Morgan argumentieren, haben wissenschaftliche Modelle bestimmte Eigenschaften, die es uns ermöglichen, sie als eine Technologie zu behandeln. Sie stellen uns ein Werkzeug zur Untersuchung zur Verfügung, das dem Benutzer die Möglichkeit gibt, etwas über die Welt oder über Theorien oder beides zu lernen. Aufgrund ihrer Eigenschaften der Autonomie und Repräsentationskraft und ihrer Fähigkeit, eine Beziehung zwischen wissenschaftlichen Theorien und der Welt herzustellen, können sie als mächtiger Agent im Lernprozess agieren. Das heißt, Modelle sind sowohl ein Mittel für als auch eine Quelle von Wissen(3).
Edwards I 395
Das Konzept der Modell-Daten-Symbiose unterstützt auch die Behauptungen der Philosophen Stephen Norton und Frederick Suppe, die argumentieren, dass "Daten modelliert werden müssen, um richtig interpretiert und eingesetzt werden zu können". Norton und Suppe definieren wissenschaftliche Methoden im Wesentlichen als Wege zur Kontrolle der Möglichkeit von artefaktischen Ergebnissen und argumentieren, dass die Modell-Daten-Symbiose alle Wissenschaften durchdringt - sogar die Laborwissenschaften, in denen die Datenmodellierung den Forschern erlaubt, artefaktische Elemente zu entfernen oder zu korrigieren. "Sogar Rohdaten", so argumentieren sie, "beinhalten eine in die Instrumente eingebaute Modellierung." Ein Beispiel ist eine thermoelektrische Sonde, die die Umgebungstemperatur aus dem Strom ableitet, der von zwei ungleichen Metallen erzeugt wird, die im Inneren der Sonde verbunden sind. Um diese Ströme mit der Temperatur in Beziehung zu setzen, sind Parameter für die magnetische Permeabilität der beiden Metalle erforderlich. Die Temperaturmessungen der Sonde müssen als Ausgaben eines physikalisch instanziierten mathematischen Modells verstanden werden(4).
Edwards: Wenn Norton und Suppe recht haben, ist die Suche nach Reinheit entweder in Modellen (als Theorien) oder Daten (als unvermittelte Berührungspunkte mit der Welt) nicht nur fehlgeleitet, sondern unmöglich. Die Frage ist vielmehr, wie gut es Wissenschaftlern gelingt, das Vorhandensein von artefaktischen Elementen sowohl in der Theorie als auch in der Beobachtung zu kontrollieren...
Edwards I 396
...und genau so läuft der iterative Zyklus der Verbesserung von Datenassimilationssystemen (und des Beobachtungsnetzwerks) ab. Daher gibt es in der globalen Klimawissenschaft (und vielleicht in jeder modellbasierten Wissenschaft) weder reine Daten noch reine Modelle. Nicht nur die Daten sind "theorielastig", sondern auch die Modelle sind "datenlastig".
Heute: Moderne Analysemodelle verschmelzen Daten und Theorie zu einem glatten, konsistenten, umfassenden und homogenen Zahlenraster (...) es gibt ein Datenbild, nicht ein Datensatz. >Modelle/Metereologie.
Edwards I 397
Modelle: Die Verwendung von Modellen, um Daten global zu machen, legitimierte die Möglichkeit alternativer Datenbilder. Die Logik geht wie folgt: Man wird nie eine perfekte Kenntnis der Anfangsbedingungen erhalten. Kein praktisches Beobachtungsnetz wird jemals fein genug sein, um dem riesigen Bereich der Energie- und Bewegungsskalen der Atmosphäre, vom Molekularen bis zum Globalen, voll gerecht zu werden. Außerdem wird es immer Fehler in den Instrumenten, Fehler in der Übertragung und Fehler im Analysemodell geben. Hinzu kommt, dass die chaotische Natur der Wetterphysik bedeutet, dass winzige Variationen der Anfangsbedingungen (hier: "analysierte globale Daten") oft zu stark abweichenden Ergebnissen führen. Daher wird die Verwendung eines einzelnen analysierten Datensatzes als Eingabe für ein einzelnes deterministisches Vorhersagemodell immer eine beträchtliche Fehlermarge mit sich bringen, insbesondere für Zeiträume, die länger als ein oder zwei Tage sind.
Die Lösung: In den frühen 1990er Jahren begannen die Prognostiker, diesen offensichtlichen Mangel ihrer Methode in einen Vorteil zu verwandeln. In einer Technik, die als "Ensemble-Prognose" bekannt ist, erzeugen sie nun für jeden Prognosezeitraum ein "Ensemble"...
Edwards I 398
...von leicht unterschiedlichen Datensätzen - d. h. verschiedene globale Datenbilder, Versionen der Atmosphäre - die zusammen den wahrscheinlichen Fehlerbereich widerspiegeln. Typischerweise enthält das Ensemble zwölf oder mehr solcher Datensätze. Die Prognostiker lassen dann das Prognosemodell auf jedem dieser Datensätze laufen und erstellen ein entsprechendes Ensemble von Prognosen(6).
Edwards: Statistisch gesehen stellen die Unterschiede zwischen diesen Vorhersagen eine Prognose des Vorhersagefehlers dar. >Klimadaten/Klimatologie.

1. Edwards, “Global Climate Science, Uncertainty and Politics.”
2. Morgan and Morrison, Models as Mediators.
3. M. Morrison and M. S. Morgan, “Models as Mediating Instruments,” in Models as Mediators: Perspectives on Natural and Social Sciences, ed. M. S. Morgan and M. Morrison (Cambridge University Press, 1999).
4. Norton and Suppe, “Why Atmospheric Modeling Is Good Science,” 70, 72,
5. Lorenz, “Deterministic Nonperiodic Flow”; E. N. Lorenz, “A Study of the Predictability of a 28-Variable Atmospheric Model (28-Variable Atmosphere Model Constructed by Expanding Equations of Two-Level Geostrophic Model in Truncated Double-Fourier Series),” Tellus 17 (1965): 321–; E. S. Epstein, “Stochastic Dynamic Prediction,” Tellus 21, no. 6 (1969): 739–; C. E. Leith, “Theoretical Skill of Monte Carlo Forecasts,” Monthly Weather Review 102, no. 6 (1974): 409–; R. N. Hoffman and E. Kalnay, “Lagged Average Forecasting, an Alternative to Monte Carlo Forecasting,” Tellus, Series A—Dynamic Meteorology and Oceanography 35 (1983): 100–.
6. Z. Toth and E. Kalnay, “Ensemble Forecasting At NMC: The Generation of Perturbations,” Bulletin of the American Meteorological Society 74, no. 12 (1993): 2317–; M. S. Tracton and E. Kalnay, “Operational Ensemble Prediction at the National Meteorological Center: Practical Aspects,” Weather and Forecasting 8, no. 3 (1993): 379–.


_____________
Zeichenerklärung: Römische Ziffern geben die Quelle an, arabische Ziffern die Seitenzahl. Die entsprechenden Titel sind rechts unter Metadaten angegeben. ((s)…): Kommentar des Einsenders. Übersetzungen: Lexikon der Argumente
Der Hinweis [Begriff/Autor], [Autor1]Vs[Autor2] bzw. [Autor]Vs[Begriff] bzw. "Problem:"/"Lösung", "alt:"/"neu:" und "These:" ist eine Hinzufügung des Lexikons der Argumente.
Meteorologie

Edwards I
Paul N. Edwards
A Vast Machine: Computer Models, Climate Data, and the Politics of Global Warming Cambridge 2013

Send Link

Autoren A   B   C   D   E   F   G   H   I   J   K   L   M   N   O   P   Q   R   S   T   U   V   W   Y   Z  


Begriffe A   B   C   D   E   F   G   H   I   J   K   L   M   N   O   P   Q   R   S   T   U   V   W   Z