59

4.  Daten

In  diesem  Kapitel  werden  die  Daten  beschrieben,  die  für  das  Training  der  Kohonen-Netze
verwendet  wurden.  Zuerst  folgt  eine  Beschreibung  der  Zeitreihen  der  verschiedenen  meteorologisch/ozeanographischen
  Größen,  die  für  das  Training  ausgewählt  wurden  (Kap.4.1).
Aufgrund  ihrer  Wirkungsweise  und  ihres  Algorithmus’  stellen  die  Kohonen-Netze  bestimmte
Anfordungen  an  die  Trainingsdaten.  Um  diese  Voraussetzungen  zu  erfüllen,  müssen  die
Daten  auf  besondere  Weise  vorbereitet  werden.  Zu  dieser  Vorbereitung  zählen  eine  gründliche ­
  Datensäuberung  (Kap.4.2.2),  eine  Trendelimination  (Kap.4.2.3)  und  eine  besondere  Form
von  Vorbereitung,  die  Vorverarbeitung  genannt  wird  (Kap.4.2.4).  In  der  Einleitung  zu
Kap.4.2  wird  begründet,  warum  der  darauf  folgende  Abschnitt  der  Selektion  (Kap.4.3)  erst
nach  Kap.4.2  folgt.  Dabei  wird  auf  das  Wechselspiel  mit  Kap.5  hingewiesen,  das  in  engem
Zusammenhang  mit  den  Kap.4.2  und  4.3  steht.  Dadurch  ließ  es  sich  nicht  vermeiden,  daß
manche  Ergebnisse  der  vorliegenden  Arbeit  bereits  in  Kap.4  vorgestellt  werden.  Die  Reihenfolge ­
  der  Kap.4.1,  4.2  und  4.3  entspricht  genau  der  Reihenfolge  der  bei  der  Datenbehandlung
durchgeführten  Schritte.
4.1.  Basis
Werden  neuronale  Netze  auf  Gebiete  angewandt,  wo  nicht  klar  ist,  welche  Meßgrößen  auf  die
Prognosegröße  eine  Wirkung  haben,  müssen  zuerst  die  zur  Verfügung  stehenden  Zeitreihen
verschiedener  Meßgrößen  durch  statistische  Verfahren  auf  ihre  Eignung  als  Indikationszeitreihen ­
  hin  geprüft  werden.  In  dem  Fall  der  Anwendung  auf  die  Wasserstandsvorhersage  wurden
diese  Verfahren  bereits  in  der  Vergangenheit  durchgeführt  [Annutsch  77].  Die  resultierenden
Indikationsgrößen  werden  übernommen  in  dem  Glauben,  daß  die  Ergebnisse  statistisch
haltbar  und  wissenschaftlich  fundiert  sind  (Kap.2.1.3).  Die  Größen  sind  für  den  Operationellen
Dienst  des  BSH  (d.h.  für  den  Forecastmodus)  verfügbar.
In  Kap.2.1.4  wurde  der  Gesamtansatz  als  ein  statistisches  Verfahren  vorgestellt,  das  die
Indikationsgrößen  mit  der  Prognosegröße  auf  multiregressive  Weise  miteinander  verknüpft.
Aus  sechs  Eingabegrößen  wird  eine  Ausgabegröße  erzeugt.  Um  für  den  Gesamtansatz  einen
Vorhersagefehler  im  Hindcastmodus  zu  berechnen,  sind  nicht  nur  die  sechs  Indikationszeitreihen ­
  erforderlich,  sondern  auch  eine  Prognosezeitreihe.  Neuronale  Netze  weisen  eine
sehr  viel  größere  Verwandtschaft  mit  statistischen  als  mit  hydrodynamischen  Modellen  auf
(Kap.2.2).  Daher  liegt  es  als  ein  erster  Ansatz  nahe,  für  die  neuronalen  Modelle,  d.h.  für  die
Verknüpfung  von  Zeitmustern  mit  den  neuronalen  Netzen  (Kap.2.2.3),  die  gleichen  Eingabedaten ­
  wie  für  den  Gesamtansatz  zu  verwenden.  Für  die  Berechnung  des  Vorhersagefehlers  im
Hindcastmodus  werden  für  die  neuronalen  Netze  dann  ebenfalls  Ausgabedaten  benötigt.  Anders ­
  formuliert  kann  ein  neuronales  Modell  auf  Basis  eines  multiregressiven  Zeitmusters
erstellt  werden,  das  die  gleichen  Zeitreihen  wie  der  Gesamtansatz  als  Ein-  und  Ausgabe
benötigt.  Als  Ausgabe  bzw.  als  Prognosezeitreihe  sind  daher  Messungen  des  Pegelstandes  bei
Cuxhaven  erforderlich.  Diese  Zeitreihe  und  die  astronomischen  Vorausberechnungen  für
diesen  Ort  werden  in  Kap.4.1.1  beschrieben.  Als  Eingaben  bzw.  als  Indikationszeitreihen
werden  entsprechend  Messungen  des  Windes,  des  Luftdrucks  und  der  Temperatur  (von  Luft
und  Wasser)  an  bestimmten  Meßorten  gebraucht.  Diese  Zeitreihen  werden  in  Kap.4.1.2  beschrieben. ­

Im  Gegensatz  zu  den  hydrodynamischen  Modellen,  die  als  Ein-  und  Ausgabe  Zeitreihen
zwei-  und  dreidimensionaler  Felder  benötigen,  können  in  den  Gesamtansatz  und  in  das
entsprechende  multiregressive  neuronale  Modell  nur  Zeitreihen  von  Skalaren  eingegeben