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

Beschreibung der Wolkenbewegung durch Vorhersage mit neuronalen Netzen
Ein zentraler Faktor bei der Wolkenentwicklung ist die Bewegung von Wolkenstrukturen. Wenn
die Verschiebung von Wolkenstrukturen durch den Vorhersagealgorithmus erfaßt wird, sollte die
Vorhersage zu einer deutlichen Verbesserung gegenüber der Persistenz führen. Abb. 3.17 zeigt jedoch,
daß die Fehler im Vergleich zur Persistenz von Hauptkomponenten-transformierten Bildern
nur wenig sinken. Dies läßt darauf schließen, daß Wolkenbewegung durch die Vorhersage mit neuronalen
Netzen nicht erfaßt wird. Auch an dem Beispiel in Abb. 3.19 wird dies deutlich. Ein Vergleich
des Originalbildes sowie des Persistenzbildes mit dem vorhergesagten Bild zeigt, daß sich
die Wolkenstruktur im vorhergesagten Bild an der gleichen Stelle wie im Persistenzbild befindet.
Die Wolkenstruktur wurde durch den Vorhersagealgorithmus nicht verschoben. Dementsprechend
sind im Fehlerbild für die Vorhersage (Abb. 3.19, rechts unten) die Fehler an den Wolkenkanten
besonders hoch.
Zusammenfassung und Ausblick
Zusammenfassend läßt sich feststellen, daß der entwickelte Algorithmus mit neuronalen Netzen
zur Vorhersage wenig geeignet ist, da Bewegungen von Wolkenstrukturen nicht erfaßt werden.
Die Reduktion des Vorhersagefehlers bei Verwendung des Vorhersagealgorithmus gegenüber der
Persistenz ist im Wesentlichen auf den Effekt der Glättung der Bilder durch Hauptkomponenten-
Transformation zurückzuführen. Es wurde eine ausführliche Optimierung bezüglich der Netzarchitektur
durchgeführt. Dies läßt darauf schließen, daß allgemein Feed-Foward-Netze keine geeignete
Methode zur Beschreibung der Wolkenentwicklung darstellen.
Neuronale Netze sind eine rein statistische Methode, physikalische Informationen über die Wolkenentwicklung
gehen in das Modell nicht ein. So wird auch das Wissen, daß die durch das Windfeld
verursachte Bewegung einen wesentlichen Aspekt der Wolkenentwicklung darstellt, nicht genutzt.
Im Kapitel 4 wird ein Vorhersagemodell vorgestellt, das diese Tatsache als grundlegende
Modellannahme verwendet. Weiterhin wird die Kombination dieses Modells mit neuronalen Netzen
untersucht.
52