Hurst-Kolmogorov dynamics in hydrometeorological processes and in the microscale of turbulence

Dimitriadis, Panayiotis

dc.contributor.author	Dimitriadis, Panayiotis	en
dc.date.accessioned	2017-11-24T11:44:04Z
dc.date.available	2017-11-24T11:44:04Z
dc.date.issued	2017-11-24
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/45955
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.2836
dc.rights	Default License
dc.subject	στοχαστικές μέθοδοι	el
dc.subject	Δυναμική Hurst-Kolmogorov	el
dc.subject	Υδρομετεωρολογία	el
dc.subject	Τυρβώδεις διεργασίες	el
dc.subject	εντροπία	el
dc.subject	Stochastic Methods	en
dc.subject	Hurst-Kolmogorov dynamics	en
dc.subject	Hydrometeorology	en
dc.subject	Turbulent processes	el
dc.subject	Entropy	el
dc.title	Hurst-Kolmogorov dynamics in hydrometeorological processes and in the microscale of turbulence	en
dc.contributor.department	Τομέας Υδατικών Πόρων και Περιβάλλοντος	el
heal.type	doctoralThesis
heal.secondaryTitle	Δυναμική Hurst-Kolmogorov σε υδρομετεωρολογικές διεργασίες και μικροκλίμακα τύρβης	el
heal.classification	Civil engineering	en
heal.classification	MATHEMATICAL METHODS; PROGRAMMING MODELS; MATHEMATICAL AND SIMULATION MODELING	el
heal.classification	STOCHASTIC PROCESSES	el
heal.classification	Monte Carlo method	el
heal.classification	HYDROMETEOROLOGY	el
heal.classification	ENTROPY	el
heal.classification	turbulent flow	el
heal.classificationURI	http://skos.um.es/unesco6/330506
heal.classificationURI	http://data.seab.gr/concepts/6ca5fa29c7950767cbdff3b3c2db129576fe533a
heal.classificationURI	http://data.seab.gr/concepts/00b94906743fbc12dfadd9e7cee1d107cae9fdd7
heal.classificationURI	http://id.loc.gov/authorities/subjects/sh85087032
heal.classificationURI	http://data.seab.gr/concepts/5ef07b38767580b2646dc4831e42e247262c1c65
heal.classificationURI	http://data.seab.gr/concepts/a7d3891eb9a49d51e38629ddf7587c874c493956
heal.classificationURI	http://lod.nal.usda.gov/40640
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2017-09-09
heal.abstract	Η υψηλή πολυπλοκότητα και αβεβαιότητα της δυναμικής της ατμόσφαιρας έχει από καιρό αναγνωρισθεί μέσα από την εμπειρία και ανάλυση των υδρομετεωρολογικών διεργασιών, όπως θερμοκρασία, υγρασία, άνεμος, βροχόπτωση, ατμοσφαιρική πίεση, παροχές ποταμού κτλ. Συγκεκριμένα, όλες αυτές οι διεργασίες φαίνεται να εμπεριέχουν μεγάλη αβεβαιότητα στην πρόβλεψη που επιτείνεται λόγω της ομαδοποίησης ομοειδών φαινομένων. Αυτή η συμπεριφορά είναι πολύ διαφορετική από την εποχική περιοδικότητα που συμβαίνει σε υπο-ετήσια κλίμακα. Η ομαδοποίηση αυτή των φαινομένων ανιχνεύτηκε πρώτα από τον H.E. Hurst το 1951 στο πλαίσιο μελέτης έργων στον ποταμό Νείλο. Η μαθηματική έκφραση αυτής της συμπεριφοράς αποδίδεται στον A. Kolmogorov που την ανέπτυξε ενώ μελετούσε τυρβώδη φαινόμενα το 1940. Για να δοθεί εξίσου αναγνώριση και στους δύο επιστήμονες, το φαινόμενο και η δυναμική αυτή ονομάζεται Hurst-Kolmogorov (HK). Για την σωστή μελέτη αυτής της ομαδοποίησης των φαινομένων και γενικά την στοχαστική συμπεριφορά των υδρομετεωρολογικών διεργασιών, θα χρειαζόμασταν άφθονες μετρήσεις σε ετήσια κλίμακα. Δυστυχώς, μεγάλα μήκη και υψηλής ποιότητας δεδομένα είναι δύσκολο να βρεθούν για υδρομετεωρολογικές διεργασίες. Ωστόσο, οι φυσικές διεργασίες μικρής κλίμακας που δημιουργούν και οδηγούν τις υδρομετεωρολογικές, διέπονται από τυρβώδη συμπεριφορά. Μελετώντας την μικροκλίμακα τυρβωδών φαινομένων σε εργαστήριο, μπορούμε να κατανοήσουμε ορισμένες εκφάνσεις των συγγενών μακροσκοπικών διεργασιών στο πεδίο. Υπάρχουν ορισμένες ομοιότητες μεταξύ της μικροκλίμακας της ταχύτητας του ανέμου και της θεωρίας τυρβώδους οριακού στρώματος. Επίσης, το μέγεθος των σταγόνων βροχής, που είναι συνυφασμένο με την μορφή και ένταση επεισοδίων βροχόπτωσης, επηρεάζεται από την τυρβώδη κατάσταση της μικροκλίμακας του ανέμου. Ορισμένα ισχυρά πλεονεκτήματα της μελέτης στη μικροκλίμακα τύρβης στο εργαστήριο είναι η καταγραφή χρονοσειρών μεγάλου μήκους, η υψηλή συχνότητα καταγραφής και το ελεγχόμενο περιβάλλον του εργαστηρίου. Η ανάλυση αυτών των χρονοσειρών μας δίνει τη δυνατότητα καλύτερης κατανόησης, ελέγχου και σύγκρισης των δύο επιστημονικών μεθόδων, της ντετερμινιστικής και της στοχαστικής ανάλυσης. Σε αυτή την διατριβή, αναπτύσσουμε το πλαίσιο της στοχαστικής ανάλυσης για την εμπειρική αλλά και θεωρητική εκτίμηση περιθώριων χαρακτηριστικών και δομής συσχέτισης μιας διεργασίας. Επίσης, αναπτύσσουμε και εφαρμόζουμε αλγορίθμους στοχαστικής σύνθεσης μαθηματικών ανελίξεων αλλά και στοχαστικής πρόβλεψης φυσικών διεργασιών. Επίσης, συζητούμε και προτείνουμε έναν χαρακτηρισμό της τυρβώδους συμπεριφοράς μέσα από την παράμετρο Hurst και την μείωση της διασποράς με την αύξηση της χρονικής κλίμακας με βάση εργαστηριακά πειράματα θερμαινόμενης τυρβώδους φλέβας. Επιπρόσθετα, προτείνουμε ένα στοχαστικό μοντέλο συμπεριφοράς μιας διεργασίας από μικρές σε μεγάλες κλίμακες, που προκύπτει από την μεγιστοποίηση της εντροπίας. Τέλος, εφαρμόζουμε αυτό το μοντέλο και σε άλλες διεργασίες μικροκλίμακας τύρβης αλλά και σε χρονοσειρές θερμοκρασίας, βροχόπτωσης, υγρασίας, ατμοσφαιρικής πίεσης, παροχών ποταμού και ανέμου, από χιλιάδες σταθμούς ανά τον κόσμο.	el
heal.abstract	The high complexity and uncertainty of atmospheric dynamics has been long identified through the observation and analysis of hydrometeorological processes such as temperature, humidity, atmospheric wind, precipitation, atmospheric pressure, river discharges etc. Particularly, all these processes seem to exhibit high unpredictability due to the clustering of events, a behaviour first identified by H.E. Hurst in 1951 while working at the River Nile, although its mathematical description is attributed to A. N. Kolmogorov who developed it while studying turbulence in 1940. To give credits to both scientists this behaviour and dynamics is called Hurst-Kolmogorov (HK). In order to properly study the clustering of events as well as the stochastic behaviour of hydrometeorological processes in general we would require numerous of measurements in annual scale. Unfortunately, large lengths of high quality annual data are hardly available in observations of hydrometeorological processes. However, the microscopic processes driving and generating the hydrometeorological ones are governed by turbulent state. By studying turbulent phenomena in situ we may be able to understand certain aspects of the related macroscopic processes in field. Certain strong advantages of studying microscopic turbulent processes in situ is the recording of very long time series, the high resolution of records and the controlled environment of the laboratory. The analysis of these time series offers the opportunity of better comprehending, control and comparison of the two scientific methods through the deterministic and stochastic approach. In this thesis, we develop the stochastic framework for the empirical as well as theoretical estimation of the marginal characteristic and dependence structure of a process. Also, we develop and apply explicit and implicit algorithms for stochastic synthesis of mathematical processes as well as stochastic prediction of physical processes. Moreover, we discuss and suggest a definition for turbulent processes through the Hurst parameter and the drop of variance with scale based on experiments held at the laboratory. Additionally, we propose a stochastic model for the behaviour of a process from the micro to the macro scale that results from the maximization of entropy. Finally, we apply this model to other microscale turbulent processes as well as to temperature, precipitation, humidity, atmospheric pressure, river discharges and wind time series from thousands of stations around the globe and several billions of data. A summary of the major innovations of the thesis are: (a) the further development, and extensive application to numerous processes, of the classical second-order stochastic framework including innovative approaches to account for discretization effects and statistical bias; (b) the further development of stochastic generation schemes such as the Sum of Autoregressive (SAR) models, e.g. AR(1) or ARMA(1,1), the Symmetric-Moving-Average (SMA) scheme in multiple dimensions (that can generate any process second-order dependence structure, marginal distribution and certain aspects of the intermittency behaviour) and an implicit and explicit cyclo-stationary (CSAR and CSMA) schemes for simulating the periodicities of a process such as seasonal and diurnal; and (c) the introduction and application of an extended HK stochastic model (with an identical expression of marginal distribution and correlation structure) that is in agreement with an interestingly large variety of turbulent (such as thermal jet of positively buoyancy processes using laser-induced-fluorescence techniques as well as grid-turbulence generated within a wind-tunnel) and hydroclimatic processes (such as temperature, atmospheric wind, dew-point/humidity, precipitation and atmospheric pressure in a global scale).	en
heal.advisorName	Κουτσογιάννης, Δημήτριος	el
heal.advisorName	Koutsoyiannis, Demetris	en
heal.committeeMemberName	Koutsoyiannis, Demetris	en
heal.committeeMemberName	Papanicolaou, Panos	en
heal.committeeMemberName	Christian, Onof	en
heal.committeeMemberName	Loukas, Athanasios	en
heal.committeeMemberName	Stamou, Anastasios	el
heal.committeeMemberName	Karakasidis, Theodoros	el
heal.committeeMemberName	Langousis, Andreas	el
heal.academicPublisher	Σχολή Πολιτικών Μηχανικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	159
heal.fullTextAvailability	true