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.
35<br />
30<br />
25<br />
Variabilität<br />
20<br />
15<br />
10<br />
5<br />
0<br />
20 40 60 80 100 120 140 160 180 200 220<br />
Mittelwert<br />
Abbildung 3.7: Variabilität eines Cloud-Index Bildes in y-Richtung in Abhängigkeit vom Mittelwert<br />
des Bildes.<br />
gleichmäßig wie bei klarem Himmel ist (siehe Abb. 3.7). Beispiele mit klar erkennbaren Wolkenstrukturen<br />
sind in Klasse 3 zusammengefaßt, sie sind durch geringe Variabilität bei Mittelwerten<br />
im Bereich von 60 bis 160 gekennzeichnet. Die Bilder aus Klasse 4 mit stark variabler Bewölkung<br />
sind am schwersten vorherzusagen.<br />
Zur Bewertung der Klassifikationskriterien wurden die Fehler, die durch die Hauptkomponenten-Transformation<br />
bei vorheriger Klassifikation entstehen, mit den entsprechenden Fehlern ohne<br />
Klassifikation verglichen. Dazu wurden in Abb. 3.9 die jeweiligen Fehler für die verschiedenen<br />
Klassen dargestellt. Im klassifizierten Fall enthielt die Ausgangsmenge für die Hauptkomponenten-<br />
Analyse nur Bildausschnitte der jeweiligen Klasse, im unklassifizierten Fall wurde die Hauptkomponenten-Analyse<br />
für alle Beispiele durchgeführt. Die Hauptkomponenten-Transformation wurde<br />
dann für jede Klasse mit den beiden verschiedenen Basissystemen durchgeführt. Es zeigt sich, daß<br />
für alle Klassen der Fehler durch die Klassifizierung deutlich sinkt. Je weniger Moden berücksichtigt<br />
werden, desto größer ist der Abstand zwischen den jeweiligen Kurven. Zur Beurteilung der<br />
Fehler durch die Hauptkomponenten-Analyse sind in Abb. 3.9 zum Vergleich die Persistenzfehler<br />
für 30-Minuten-Vorhersage eingetragen, die eine untere Grenze für die zu erreichende Vorhersagequalität<br />
darstellen. Bei der Transformation mit den klassifizierten Basissystemen wird der Persistenzfehler<br />
oberhalb von 20 Moden unterschritten. So ist die Grundlage dafür gegeben, daß mit<br />
dem Vorhersagealgorithmus bessere Ergebnisse als durch Persistenz erreicht werden können.<br />
Ein Vergleich der Klassen ergibt, daß, bei gleicher Anzahl von Moden, der mittlere Fehler für<br />
Klasse 1 am niedrigsten ist, für die Klassen 2 und 3 deutlich höher liegt und für Klasse 4 der<br />
größte mittlere Fehler auftritt. Bilder mit niedriger Variabilität lassen sich bei gleicher Anzahl von<br />
34