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.
Zusammenfassung und Ausblick<br />
Die Auswertung der Vorhersage mit Bewegungsvektorfeldern ergab, daß diese Methode geeignet<br />
ist, um die Entwicklung der Bewölkungssituation vorherzusagen. Mit zwei verschiedenen Methoden<br />
wurden Bewegungsvektorfelder bestimmt, die die Bewegung von Wolkenstrukturen gut beschreiben.<br />
Durch Extrapolation der Bewegung in die Zukunft wird eine deutlich bessere Übereinstimmung<br />
mit der tatsächlich eintretenden Situation erreicht als durch Persistenz oder Vorhersage<br />
mit neuronalen Netzen. Dabei ergaben sich für beide Verfahren zur Bestimmung von Bewegungsvektorfeldern<br />
gleichwertige Ergebnisse.<br />
Eine Glättung der vorhergesagten Bilder mit einem geeigneten Glättungsfilter führt zu einer deutlichen<br />
Reduktion der Vorhersagefehler. Der optimale Glättungsparameter erhöht sich dabei mit dem<br />
Vorhersagezeitraum. Die Vorhersage der Bewölkungssituation mit Bewegungsvektorfeldern wird<br />
im Weiteren als Grundlage der Vorhersage der solaren Einstrahlung verwendet.<br />
4.5 Kombination von neuronalen Netzen mit Bewegungsinformation<br />
Die Auswertung der Vorhersage mit Bewegungsvektorfeldern hat gezeigt, daß durch Beschreibung<br />
der Bewegung der Wolkenstrukturen gute Vorhersageergebnisse erzielt werden. An den Beispielbildern<br />
aus Abb. 4.6 wird jedoch auch deutlich, daß mit diesem Ansatz nicht alle Phänomene, die<br />
die Wolkenentwicklung beeinflussen, erfaßt werden. Im Folgenden wird ein Verfahren beschrieben,<br />
das die Modellierung der Wolkenbewegung mit neuronalen Netzen kombiniert. Ziel dabei ist<br />
eine verbesserte Beschreibung des Anteils der Entwicklung der Bewölkungssituation, der nicht auf<br />
Bewegung zurückzuführen ist.<br />
Zur Kombination der Vorhersage mit neuronalen Netzen mit Bewegungsinformation werden in<br />
einem ersten Schritt Bewegungsvektorfelder aus aufeinander folgenden Bildern bestimmt. Aus<br />
diesen werden dann mittlere Bewegungsvektoren ermittelt. Als Eingabe-Information für das neuronale<br />
Netz werden Bildausschnitte des gegenwärtigen und des 30 Minuten zurückliegenden Bildes<br />
verwendet. Diese werden so gewählt, daß sie gegenüber dem vorherzusagenden Bildausschnitt<br />
um den mittleren Bewegungsvektor, skaliert entsprechend dem Zeitabstand zum vorherzusagenden<br />
Bild, verschoben sind. In den Eingabebildausschnitten sollten damit die Wolkenstrukturen enthalten<br />
sein, die sich zum Vorhersagezeitpunkt in den vorherzusagenden Bildausschnitt bewegt haben.<br />
So ist zum einen Bewegungsinformation vorgegeben und die mittlere Bewegung muß nicht von<br />
neuronalen Netzen beschrieben werden. Darüber hinaus ergibt sich gegenüber dem ersten Ansatz<br />
mit neuronalen Netzen der Vorteil, daß auch für Randbereiche des betrachteten Bildausschnitts die<br />
nötigen Informationen zur Vorhersage der Bewölkungssituation gegeben sind. Die weiteren Schritte<br />
sind analog zu dem in Kapitel 3 dargestellten Vorhersagealgorithmus unter Verwendung neuronaler<br />
Netze: Zur Verarbeitung im neuronalen Netz werden die Bildausschnitte wie in Abschnitt<br />
3.2 dargestellt, in Klassen unterteilt und als Hauptkomponenten-Transformierte beschrieben. Die<br />
Einstellung der optimalen Parameterkonfiguration erfolgte analog zur Parameteroptimierung in<br />
72