Download (1800Kb) - oops/ - Oldenburger Online-Publikations-Server

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