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

terdrückung der Moden oberhalb einer bestimmten Frequenz sind bei Anwendung von Binomial-
Filtern wesentlich größere Filter nötig als bei Anwendung von Rechteckfiltern. Für den Vorhersagezeitraum
2 Stunden sind Rechteckfilter besser geeignet als Binomial-Filter. Wie auch die Auswertung
der Vorhersage mit neuronalen Netzen gezeigt hat, werden für den Vorhersagezeitraum
2 Stunden die besten Vorhersageergebnisse erzielt, wenn nur sehr niedrige Wellenzahlen berücksichtigt
werden. Dies ist mit Binomial-Filtern, die an die Unterdrückung kleinskaliger Strukturen
angepaßt sind, nur ungenügend zu realisieren.
Vorhersage- Verfahren Glättungsfiler mean rmse
zeitraum
30 min mmqpd 11x11 binomial 18.2
statistisch 18.5
60 min mmqpd 41x41 binomial 23.9
statistisch 61x61 binomial 24.0
90 min mmqpd 121x121 binomial 27.8
statistisch 27.8
120 min mmqpd 31x31 Rechteck 31.1
statistisch 31.0
Tabelle 4.3: Optimale Glättungsparameter und Vorhersagefehler für die beiden untersuchten Verfahren
für verschiedene Vorhersagezeiträume, ”
mmqpd“ steht dabei für ”
Minimierung mittlerer
quadratischer Pixeldifferenzen“.
Die optimalen Glättungsparameter für die verschiedenen Vorhersagezeiträume und die entsprechenden
Vorhersagefehler sind für die beiden vorgestellten Verfahren in Tabelle 4.3 zusammengefaßt.
Es wird deutlich, daß die am besten geeigneten Glättungsparameter für beide Verfahren fast
identisch sind. Der optimale Glättungsparameter erhöht sich dabei mit dem Vorhersagezeitraum.
Für Vorhersagezeiträume bis zu 90 Minuten sind Binomial-Filter günstiger, während für 2 Stunden
mit einem Rechteckfilter die besten Ergebnisse erzielt werden. Ein Vergleich der Fehler der beiden
Verfahren zeigt, das beide Methoden Vorhersagen gleicher Qualität liefern.
4.4 Ergebnisse und Fehleranalyse
Zur Bewertung der Vorhersagealgorithmen mit Bewegungsvektorfeldern wurden die Vorhersageergebnisse
mit Persistenz und neuronalen Netzen verglichen. Dazu werden, wie bei der Auswertung
für die Vorhersage mit neuronalen Netzen mittlere Fehler, Fehler in Abhängigkeit von der Variabilität
und ein Beispiel für die Vorhersage gegeben. Um den Vergleich mit neuronalen Netzen zu
ermöglichen, wurde die Auswertung für Bildausschnitte mit halber Auflösung durchgeführt.
In Abb. 4.4 sind mittlere Vorhersagefehler über dem Vorhersagezeitraum aufgetragen. Dabei sind
zum einen die Vorhersagefehler für die Vorhersage mit Bewegungsvektoren mit der statistischen
67