71
Daten Ausreißer vorhanden sind. Sind die Ausreißer real (z.B. Sturmfluten), kann der Verlust
erwünscht sein, wenn damit gleichzeitig ein Anstieg der Genauigkeit der Vorhersage von
Extremsituationen verbunden ist. Beruhen die Ausreißer auf irgendwelchen Fehlern, ist der
Verlust an Generalisierungsfähigkeit unerwünscht. Es muß daher eingehend geprüft werden,
ob diese Ausreißer wirklich in der Natur vorgekommen sind, oder ob sie auf Fehlern
beruhen. Werden sie nach bestem Wissen und Gewissen als fehlerhaft beurteilt, müssen sie,
um die Netze nicht mit pathologischen Daten zu belasten, eliminiert werden. Werden die
fehlerhaften Ausreißer aus den Zeitreihen entfernt, hinterlassen sie dort Lücken. Sie müssen
aus bestimmten Gründen zum Teil gefüllt werden. Die Ausreißererkennung und das Warum
und Wie der Lückenfüllung wird in Kap.4.2.2 beschrieben.
Nachdem die Zeitreihen durch die Prozedur der Lückenfüllung gelaufen sind (Kap.4.2.2),
werden sie einer Trendanalyse unterworfen. Die berechneten Trends werden aus den Daten
eliminiert und im Rahmen globaler Klimaänderungen diskutiert (Kap.4.2.3). Die trendeliminierten
Zeitreihen schließlich werden einer Vorverarbeitung (bzw. Normierung) unterzogen.
Die Bedingung der Vergleichbarkeit der Komponenten der Lernvektoren erfordert eine Überführung
der Verteilung der Daten in die Standardnormalverteilung. Da diese Überführung
bzw. Transformation zunächst nur für einen beliebigen geographischen Punkt gilt, wird sie
auf die geographisch weiträumige Datenbasis (Nordwest-Europa) hin erweitert (Kap.4.2.4).
4.2.1. Überprüfung auf Zufälligkeit
In Abb.4.5 sind die Spektren und Verteilungen des gemessenen Pegels bei Cuxhaven, der
Gezeitenvorausberechnungen für diesen Ort und des Staus abgebildet, der sich durch die
Subtraktion der Vorausberechnungen von den Pegelmessungen ergibt (Kap.4.1.1). Das Spektrum
der Vorausberechnungen wurde in detaillierterer Form schon in Kap.2 gezeigt
(Abb.2.2). Durch die gleiche Skalierung der Spektraldichte ist in den Spektren zu erkennen,
daß durch die Subtraktion der Vorausberechnungen die harmonischen Schwingungen von den
Pegelmessungen eliminiert werden. Während das Spektrum der Pegelmessungen sich aus verschiedenen
mehr oder weniger hohen Spitzen bzw. Spitzenbüschel und einem relativ kleinen
Breitbandspektrum zusammensetzt, sind die Spitzen bzw. Spitzenbüschel in dem Spektrum
des Staus verschwunden. Übrig bleibt das Breitbandspektrum. Ähnlich verhalten sich die Verteilungen.
Die Verteilung der Pegelmessungen ist durch den dominierenden harmonischen
Anteil im wesentlichen bimodal (zweigipflig). Die Bimodalität ist bei den rein harmonischen
Vorausberechnungen folglich stärker ausgeprägt als bei den Pegelmessungen. Nach der Subtraktion
der Vorausberechnungen ist die Bimodalität in der Verteilung des Staus verschwunden.
Die Verteilung ist jetzt unimodal (eingipflig).
In Abb.4.6a und b sind die Spektren und Verteilungen der meteorologischen Größen nach
dem Gesamtansatz abgebildet (Kap.4.1.2). Die Spektren wurden in diesen Fällen nicht gleich
skaliert wie bei den Pegeldaten. Auch bei den meteorologischen Größen ist die Kopplung
zwischen Spektren und Verteilungen zu erkennen. Je stärker der harmonische Anteil in den
Zeitreihen ist, desto stärker sind die Spitzen in den Spektren ausgeprägt und desto bimodaler
sind die Verteilungen. Der harmonische Anteil ist in diesen Fällen - wenn vorhanden - im
wesentlichen durch den Jahresgang geprägt, besitzt also hauptsächlich eine Spitze im
niederfrequenten Bereich der Spektren. Den stärksten harmonischen Anteil von allen meteorologischen
Größen des Gesamtansatzes besitzt die Lufttemperatur (Abb.4.6b oben). Wird von
ihr die Wassertemperatur subtrahiert, stellt sich ein ähnlicher Effekt ein wie bei der Subtraktion
der Vorausberechnungen von den Pegelmessungen. Der harmonische Anteil wird zu
einem Großteil entfernt. Im Gegensatz zur Lufttemperatur ist im statischen Luftdruck und
