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

Originalbild 90 Moden 20 Moden
Abbildung 3.3: Beispiel eines Hauptkomponenten-transformierten Cloud-Index Bildauschnitts
vom 1.6.1997, 14:00 Uhr, von links nach rechts: Originalbild, aus 90 Moden rekonstruiertes Bild,
aus 20 Moden rekonstruiertes Bild.
3.2.3 Klassifizierung der Cloud-Index Bilder
Eine durch Hauptkomponenten-Analyse festgelegte Basis ist für eine bestimmte Menge von Bildern
optimal. Je ähnlicher sich diese Bilder sind, desto weniger Moden reichen aus, um die Bilder
bei gleichem mittleren Fehler zu beschreiben. Das legt nahe, die Bewölkungsbilder in verschiedene
Klassen einzuteilen, innerhalb derer sich die Bilder weniger unterscheiden, und für jede Klasse
eine eigene Basis zu suchen. Die Klassen müssen dabei so allgemein bleiben, daß sich auch die
bei der Vorhersage auftretenden neuen Strukturen einordnen lassen.
Auch für die Beschreibung der Bewölkungsentwicklung mit neuronalen Netzen kann es vorteilhaft
sein, wenn ähnliche Ausgangssituationen zusammen gefaßt werden. Voraussetzung dabei ist
es, daß in jeder Klasse genügend Trainings-Beispiele zur Verfügung stehen, so daß das neuronale
Netz nicht an spezielle Situationen überangepaßt wird. Es ergaben sich gute Ergebnisse für die Unterteilung
in vier Klassen (siehe Abschnitt 3.6). Für jede Klasse wurde eine eigene Basis ermittelt
und ein eigenes Netz trainiert. Die Kriterien für die Klassifikation sind in Abschnitt 3.6 dargestellt.
3.2.4 Vorhersagealgorithmus unter Verwendung von neuronalen Netzen
und Hauptkomponenten-Transformation
Der Algorithmus zur Vorhersage von Cloud-Index Bildern setzt sich aus verschiedenen, aufeinander
folgenden Teilen zusammen. Ein Überblick, wie die Vorhersagefunktion berechnet und der
Vorhersagealgorithmus auf die Bewölkungsbilder angewendet wird, ist in Abbildung 3.4 gegeben.
Im oberen Teil der Graphik ist dargestellt, wie die verschiedenen Verfahrensschritte aneinandergefügt
werden, um zunächst die Vorhersagefunktion zu bestimmen. Dabei wird davon ausgegangen,
daß die Parameter bezüglich der Klassifizierung und der Netzarchitektur bereits festgelegt
sind. Im ersten Schritt wird die zugrunde liegende Menge von Bildausschnitten nach Bewölkungssituation
in vier Klassen unterteilt. Für jede der Klassen wird mit Hauptkomponenten-Analyse
25