Som nevnt er begrepet du leter etter utholdenhet. Generelt varierer styrken vilt, avhengig av hvilken variabel du ser på, plasseringen og av om du også velger andre faktorer som årstid og andre meteorologiske variabler.

Jeg forventer at utholdenhet i daglig nedbør er relativt dårlig. prediktor, gitt at nedbør ofte enten er en kortvarig hendelse drevet av veldig forbigående dynamikk som frontal passasje, eller ser en ganske tilfeldig romlig fordeling over små områder drevet av små forstyrrelser og ikke-lineære interaksjoner (og dermed vanligvis fører til regn PoPs regelmessig å være mer nyttig enn binære prognoser).

Persistens brukes ofte som grunnlag for å beregne prognoseferdigheter ... men det ser ut til å bli rapportert i forskning ved hjelp av mer sofistikerte oppsummeringsberegninger som ferdighetspoeng enn rette sannsynligheter.

Imidlertid fant jeg i det minste En Markov-kjedemodell for sannsynligheten for nedbørforekomst i intervaller av forskjellig lengde av James E. Caskey, jr., Som i det minste hadde et bord i tråd med linjene du spurte ... for Denver, Colorado mellom 1949-1958, og brukte 0,054 "(0,254 mm) som betingelse:

For de som sliter med å finne ut verdiene, i denne tabellen når $ \ rho_1 $ ligner på $ r_1 $ , bruken av nedbørsmotstand er lav.

Colorado er et fjellområde, så jeg kunne forestille meg at vindstørrelse i stor skala oppe sannsynligvis viser seg å være viktigere enn mange områder. For et sted som Florida om sommeren eller Oklahoma om våren, kan jeg forestille meg at ferdigheten er lavere ettersom vedvarende variabler er mindre viktige. Likevel, fordi fuktighet ofte varierer saktere, regelmessig kontrollert av luftmasser og storskala vindretninger, som ofte er ledet av store synoptiske værfunksjoner, vil det sannsynligvis være i det minste noen forskjell i de betingede sannsynlighetene på alle steder / årstider. p>

Vet ikke om disse dataene er nyttige nok til forelesningsformål, men forhåpentligvis tilbyr de en gren å søke i. Du kan kanskje grave opp noen flere lignende tabeller ved å søke videre gjennom forskningsjournalresultater på steder som AMS, eller, hvis det er behov og ønske, kan beregne slike variabler ut fra stasjonsdata tilgjengelig på nettsteder som NCEI.

Pearson publiserer et datasett for studenter på A-nivå (videregående skole) som inkluderer værdata fra forskjellige steder. Mens datasettet er (bevisst) feil [en oppgave for studentene er å identifisere feil i datasettet], er det "ekte" data, og spørsmål om utholdenhet kan undersøkes med det.

For eksempel i Heathrow, mai-oktober 2015, var det 80 dager det regnet og førti dager det regnet, gitt at det hadde regnet dagen før. Så på dette tidspunktet var sannsynligheten for regn omtrent 0,43 og den betingede sannsynligheten er omtrent 0,50. Så prognoser for vær bare basert på utholdenhet gir en ganske dårlig prognose.