Download (1800Kb) - oops/ - Oldenburger Online-Publikations-Server
Download (1800Kb) - oops/ - Oldenburger Online-Publikations-Server
Download (1800Kb) - oops/ - Oldenburger Online-Publikations-Server
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Kapitel 3<br />
Vorhersage von Wolkenbildern mit<br />
neuronalen Netzen<br />
Die Entwicklung von Bewölkungsstrukturen ist ein komplexer Vorgang, bei dem verschiedene<br />
Phänomene überlagert sind. Bestimmend sind advektive Prozesse, die zu einer Verlagerung der<br />
Strukturen führen, sowie lokale, oft thermische, Einflüsse, die zur Veränderung der Strukturen<br />
führen. Die Beschreibung dieser Vorgänge in einem mathematischen Modell ist nur mit starken<br />
Vereinfachungen möglich, so wird z.B. bei der in Kapitel 4 beschriebenen Methode im Wesentlichen<br />
die Wolkenbewegung berücksichtigt.<br />
Mit neuronalen Netzen können prinzipiell komplexe und hochdimensionale deterministische Probleme<br />
erkannt und modelliert werden, ohne daß der zugrundeliegende Zusammenhang explizit<br />
bekannt sein muß. Neuronale Netze lernen den funktionalen Zusammenhang durch Beispielpaare.<br />
Die Idee bei der Verwendung von neuronalen Netzen zur Vorhersage der Entwicklung von Wolkenstrukturen<br />
liegt darin, daß alle zugrunde liegenden Phänomene gemeinsam beschrieben werden<br />
können und keine vereinfachenden Annahmen gemacht werden müssen.<br />
Als Eingabe des Netzes werden die wesentlichen Informationen über die Bewölkungssituation aus<br />
zwei aufeinander folgenden Satellitenbildern verwendet und das darauf folgende, vorherzusagende<br />
Bild wird als Ausgabe des Netzes berechnet. Dabei ist es jedoch nicht möglich, genügend große<br />
Ausschnitte von Satellitenbildern direkt als Eingabe zu verwenden, da dies zu viel zu großen Eingabedimensionen<br />
führen würde. Die Bildausschnitte werden vor der Eingabe in das Netz durch<br />
Hauptkomponentenanalyse (engl.: principle component analysis, PCA) transformiert, so daß in<br />
wenigen Komponenten die erforderliche Information enthalten ist. Zusätzlich zur Reduktion der<br />
Eingabedimension hat dies den Vorteil, daß kleinskalige Strukturen, die von Bild zu Bild nicht<br />
erhalten bleiben und somit auch nicht vorhergesagt werden können, herausgefiltert werden.<br />
In diesem Kapitel wird zunächst eine kurze Einführung in neuronale Netze und die Hauptkomponentenanalyse<br />
gegeben und das Vorhersagemodell unter Verwendung dieser Methoden beschrieben.<br />
Anschließend folgt ein Test des Verfahrens an einfachen, künstlich generierten Beispielen. Um<br />
ein an das vorliegende Problem optimal angepaßtes neuronales Netz zu erhalten, muß eine Vielzahl<br />
von Parametern eingestellt werden, was im nächsten Abschnitt dargestellt wird. Das Kapitel<br />
15