Regensburg 1998 – scientific programme

Parts | Days | Selection | Search | Downloads | Help

SYA: Symposium Physik für die Umwelt

SYA 2: Sondersymposium “Physik für die Umwelt” – Wissenschaftliche Poster

SYA 2.53: Poster

Tuesday, March 24, 1998, 16:45–19:00, C

Bestimmung von atmosphärischen Feldern aus Mikrowellenbeobachtungen von Satelliten mittels Neuronaler Netze — •T. Jung¹, E. Ruprecht¹ und F. Wagner² — ¹Institut für Meereskunde an der Universität Kiel — ²Institut für Theoretische Physik an der Universität Kiel

Mikrowellenmessungen des Special Sensor Microwave/Imager (SSM/I) können benutzt werden, um wichtige hydrologische Parameter mit relativ hoher räumlicher und zeitlicher Auflösung zu erhalten. In der Literatur ist eine große Anzahl von Algorithmen zu finden, mit denen Parameter wie Gesamtwasserdampfgehalt (Total Precipitable Water, TPW), oberflächennahe Windgeschwindigkeit (V) und der Flüssigwassergehalt von Wolken (Liquid Water Path, LWP) bestimmt werden können. Die meisten dieser verwendeten Algorithmen basieren auf Regressionsmethoden. In der Fernerkundung gewinnt die Entwicklung neuer Algorithmen mittels Neuronaler Netze immer mehr an Bedeutung.
In Zusammenarbeit mit dem Institut für Theoretische Physik der Universität Kiel wurde eine neue Technik für das Training von Neuronalen Netzen entwickelt. Der Lernvorgang wurde, verglichen mit der klassischen Backpropagation-Methode, um zwei Größenordnungen reduziert. Das ist ein wichtiger Aspekt, da sich herausstellte, daß die NN-Architektur, d. h. die Auswahl der Satellitenkanäle (Prediktoren) und verborgenen Neuronen, von äußerster Wichtigkeit für die Ergebnisgenauigkeit ist. Durch diese neue Methode kann die optimale NN-Architektur für Algorithmen deshalb bei akzeptablem Computeraufwand bestimmt werden.
Es ergab sich, daß Neuronale Netze deutlich bessere Ergebnisse als Regressionsalgorithmen zeigen, wenn Nichtlinearitäten in der Strahlungstransportgleichung bedeutend werden. Dies ist z. B. der Fall, wenn der Streueffekt von Wolken nicht vernachlässigt werden darf. Daher wurde die größte (statistisch signifikante) Verbesserung bei der Genauigkeit der Bestimmung des Flüssigwassergehalts gefunden. Außer einer bedeutenden Reduzierung des “Retrieval”-Fehlers wird das sogen. “cross talk problem” (künstliche Korrelationen zwischen LWP und TPW) behoben, wenn Neuronale Netze anstelle von Regressionsverfahren verwendet werden.
Am IfM stehen jetzt geprüfte Algorithmen für die Gewinnung verschiedener hydrologischer Parameter, basierend auf Neuronalen Netzen, zur Verfügung. Sie werden in verschiedenen Forschungsprojekten verwendet, um numerische Modelle (BALTEX) bzw. Reanalysen (SFB 460) zu validieren; außerdem werden sie für die Erforschung der zeitlichen Variabilität der Wechselwirkungen zwischen Ozean und Atmosphäre des Nordatlantiks (SFB 460 B1) genutzt. Gegenwärtig werden Algorithmen für weitere Satellitenplattformen (z. B. AMSU) und Parameter (z. B. Niederschlag entwickelt.