Download (1800Kb) - oops/ - Oldenburger Online-Publikations-Server
Download (1800Kb) - oops/ - Oldenburger Online-Publikations-Server
Download (1800Kb) - oops/ - Oldenburger Online-Publikations-Server
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
von freien Parametern, und die numerische Suche nach den optimalen Gewichten ist nicht mehr<br />
durchführbar.<br />
Die in den Bildausschnitten enthaltene Information muß also über eine geringere Anzahl von Eingabevariablen<br />
weitergegeben werden. Die erste Frage, die sich hier stellt, ist, welche Anteile dieser<br />
Information für die Berechnung des Vorhersagebildes wichtig bzw. unwichtig sind. Je kleinskaliger<br />
die Strukturen sind, desto schneller verändern sie sich. Werden Bilder im Abstand von 30 Minuten<br />
oder mehr betrachtet, läßt sich für Strukturen, die durch Variation von Bewölkung im Bereich von<br />
wenigen Pixeln charakterisiert sind, kein deterministischer Zusammenhang für die verschiedenen<br />
Zeitpunkte erkennen. Dies läßt darauf schließen, daß Information über sehr kleinskalige Strukturen<br />
vernachlässigt werden kann, ohne die Vorhersagequalität zu beeinträchtigen. Dies könnte u.a.<br />
auch durch Verwendung von Fourier- oder Wavelet-Moden als Eingabe für das neuronale Netz realisiert<br />
werden. Für diese Arbeit wurde die an eine bestimmte Menge von Bildern optimal angepaßte<br />
Hauptkomponenten-Transformation eingesetzt.<br />
3.2.2 Hauptkomponenten-Transformation von Cloud-Index Bildern<br />
Um für die Bewölkungsbilder durch Hauptkomponenten-Analyse eine optimale Basis zu finden,<br />
werden die Bildausschnitte als eindimensionale Vektoren aufgefaßt, indem die einzelnen Bildzeilen<br />
aneinandergereiht werden. So kann das in Abschnitt 3.1.2 beschriebene Verfahren angewendet<br />
werden. Als Grundlage für die Hauptkomponenten-Analyse dient eine feste Menge A von Bildausschnitten.<br />
Die aktuellen Bilder, die zur Vorhersage genutzt werden, sind nicht Teil dieser Menge.<br />
Sie lassen sich nur dann gut durch die für die Menge A ermittelte Basis repräsentieren, wenn in<br />
A eine dem aktuellen Bild ähnliche Situation enthalten war. Die Menge A muß deshalb genügend<br />
Bildausschnitte umfassen.<br />
Für die Verarbeitung im neuronalen Netz werden sowohl die Eingabe- als auch die Ausgabebilder<br />
als Hauptkomponenten-Transformierte dargestellt. Abb. 3.3 zeigt an einem Beispiel, neben einem<br />
Cloud-Index-Bildausschnitt in voller Auflösung, die Hauptkomponenten-transformierten Bilder<br />
unter Verwendung von 20 bzw. 90 Moden ( ˆ= Komponenten). Es wird deutlich, daß durch<br />
die Vernachlässigung der höheren Komponenten die kleinskaligen Strukturen unterdrückt werden.<br />
In dem Bild, das aus 20 Moden rekonstruiert wurde, wird die Bewölkungsstruktur nur sehr grob<br />
wiedergegeben, für 90 Moden ist die Darstellung wesentlich detaillierter. Die Anordnung der Basisvektoren<br />
nach dem Beitrag zum mittleren Fehler entspricht auch einer Anordnung nach der<br />
Größe der Strukturen, die durch die jeweiligen Moden repräsentiert werden.<br />
Die für die Vorhersage relevante Information kann durch eine Anzahl von Moden dargestellt werden,<br />
die im Bereich von zehn bis mehreren Hundert liegt. Dies ist gegenüber der Repräsentation<br />
durch mehrere tausend Pixel eine große Verbesserung. In Kapitel 3.6 wird zur Vorhersage verwendete<br />
Anzahl von Moden in Abhängigkeit vom Vorhersagezeitraum bestimmt.<br />
24