Tilbake til oversikten over dagens seminar.
Oppgave 1/5. Tidsbruk: ca 20 min.
I denne oppgaven skal vi gjøre oss litt kjent med GPT og Python-programmering.
1. Bli kjent med Jupyter Notebooks
- Gå inn i mappen FYS1035 H23 og åpne fila Intro til programmering i Jupyterhub.ipynb. Følg instruksjonene i notebook-en.
2. Python som kalkulator
Nå skal vi se hvordan vi kan bruke programmering til å finne svar på noen av oppgavene fra tidligere seminarer.
- Oppgave 2-2 fra seminar 1, strålingsbalanse: En varmelampe sender varmestråling med en effekt på 440 W/m2 mot et mørkt terrassegulv med emissivitet 0,9. Om du ser bort fra alle andre former for varmetransport, hva blir likevektstemperaturen til overflaten?
- Finn frem notatene dine fra seminar 1. Hvordan løste du denne oppgaven? Hvilken modell brukte du? Hva ble svaret?
- Be GPT om å lage en Python-kode for å løse oppgaven. Kopier og kjør koden i Jupyterhub.
- Bruker GPT samme modell som det du gjorde? Ble det samme svar? Hvorfor/hvorfor ikke?
- Oppgave 2 fra seminar 2, konveksjon: En kubikkmeter luft ved jordoverflaten varmes opp fra 15 oC til 25 oC. Lufta er fri til å utvide seg, og trykket er konstant. Anta at vi kan beskrive lufta som en ideell gass. Hva blir det nye volumet til lufta?Luft har varmekapasitet 1005 J/kg K og tetthet 1,2 kg/m3 ved atmosfærisk trykk og 20 oC. Hvor mye varme ble tilført lufta?
-
- Finn frem notatene dine fra seminar 2. Hvordan løste du denne oppgaven? Hvilken modell brukte du? Hva ble svaret?
- Be GPT om å lage en Python-kode for å løse oppgaven. Kopier og kjør koden i Jupyterhub.
- Bruker GPT samme modell som det du gjorde? Ble det samme svar? Hvorfor/hvorfor ikke?
3. Lese og plotte data
I mappen FYS1035 H23 finner du fila gmst_changes_model_and_obs.csv. Den inneholder observerte globale temperaturavvik (i forhold til 1850-1990) i tillegg til en del andre data som er plottet i panel b i IPCC WG1 figur SPM.1 og lastet ned herfra. Vi er interessert i den svarte linja i plottet, som er observerte data. Du kan se innholdet i fila ved å trykke på den.
- Be GPT om å lage en Python-kode som laster inn fila og plotter dataene. Husk at Python starter på 0, ikke 1, når den teller rader og kolonner.
- Sammenlign med figuren. Fikk du samme plott?
- Ofte brukes et glidende gjennomsnitt med tidsvindu på 10 år når man plotter historiske temperaturdata. Be GPT om å modifisere koden til å bruke et glidende gjennomsnitt, og prøv deg frem med å bruke tidsvinduer på 2, 5 og 10 år. Hva blir resultatet?