Project Details
Projekt Print View

Ground fog detection and analysis with Machine Learning (GFog-ML)

Subject Area Physical Geography
Term from 2015 to 2019
Project identifier Deutsche Forschungsgemeinschaft (DFG) - Project number 270101240
 
Final Report Year 2020

Final Report Abstract

Nebel hat große wirtschaftliche und ökologische Bedeutung und beeinflusst das menschliche Leben in vielerlei Hinsicht. Die Menge der Einflussfaktoren zeigt, dass ein umfassendes Verständnis seiner Bildungsursachen und eine genaue Erfassung seiner raumzeitlichen Verteilungsmuster von großem Interesse sind. Raumzeitlich hochaufgelöste Satellitendaten bieten die Möglichkeit, solche Verteilungsmuster zu erkennen und zu analysieren. Bestehende satellitenbasierte Nebelerkennungsverfahren sind jedoch nicht universell auf alle Bodennebeltypen anwendbar, sondern meist auf Strahlungsnebel begrenzt. Hauptziel des Projektes war daher die Entwicklung eines neuen Verfahrens zur Erkennung von Bodennebel auf Basis von Meteosat SEVIRI Daten, mit dessen Hilfe es möglich ist, die komplexe meteorologische und mikrophysikalische Dynamik von Bodennebel aller Typen (Strahlungs-, Wolken-, Advektions, Frontalnebel etc.) und seine hohe raumzeitliche Variabilität zu erfassen. Zunächst wurden existierende Ansätze zur Erkennung von tiefliegenden Stratuswolken dynamisch so erweitert, dass die Ableitung der Schwellenwerte, die zur Klassifizierung von wolkigen Bereichen dienen, für jede Szene getrennt für Tag/Nacht und Land/See erfolgt. Ein “moving window“ Verfahren stellt zusätzlich sicher, dass Änderungen des Satellitenblickwinkels in der zugrunde liegenden Histogrammanalyse berücksichtigt werden können. Die dynamischen Anpassungen ermöglichen eine deutlich präzisere, zeitunabhängige und regionsspezifische Erkennung von niedrigem Stratus (als Indikator für strahlungsbedingten Bodennebel). Die Validierungsergebnisse haben gezeigt, dass das entwickelte Verfahren für die Ableitung eines langfristigen klimatologischen Datensatzes geeignet ist. Basierend auf dem neuen Verfahren zur Erkennung niedriger Stratuswolken wurde Im nächsten Schritt ein neuer Bodennebelerkennungsalgorithmus auf Basis von maschinellen Lernverfahren implementiert. Die für das Training des Random Forest Modells verwendeten Daten zur Wolkenhöhe stammen aus METAR- und SYNOP-Beobachtungen. Auf diese Weise ist es gelungen, einen Algorithmus zu entwickeln, der basierend auf Daten der MSG-Satellitenreihe zuverlässige Informationen über die Bodennebelverteilung in Europa für den gesamten Tagesgang (24 Stunden in 15 Minuten Auflösung) und alle Bodennebeltypen liefert. Die Qualität des Algorithmus wurde mit Hilfe eines Kreuzvalidierungsverfahrens geprüft. Die Ergebnisse zeigen, dass der neue Algorithmus bestehende Verfahren übertrifft. Aufgrund seiner hohen raumzeitlichen Auflösung konnte das erstellte Bodennebelprodukt dazu verwendet werden, Verteilungsmuster von Bodennebel im Detail zu analysieren. Identifizierte repräsentative Verteilungsmuster konnten mit dem Auftreten bestimmter Großwetterlagen korreliert und so die großräumigen meteorologischen Kontrollmechanismen der Bodennebeldynamik erfasst werden. Zudem war es möglich, die täglichen und jährlichen Schwankungen in der Bodennebelfrequenz zu analysieren. Auf Basis der ermittelten raumzeitlichen Muster konnten anschließend Regionen mit unterschiedlichen Bodennebeltypen identifiziert werden. Mit Hilfe der in dieser Arbeit erzeugten Datensätze konnten wichtige Informationen zur Dynamik von Bodennebel bereitgestellt werden. Die flächenhaften Datensätze zu Bodennebel können unter anderem bei der Planung und dem Ausbau von Verkehrsnetzen und Photovoltaik- bzw. Windkraftanlagen Berücksichtigung finden. Durch den Einsatz des Bodennebelerkennungsverfahrens im Bereich des Nowcastings können flächendeckende Maßnahmen zur Verkehrsregulierung mit kurzer Verzögerung umgesetzt werden. Die Produkte liefern außerdem wertvolle Informationen für weitere Analysen zur Bodennebeldynamik und zur Untersuchung des Einflusses verschiedener meteorologischer Einflussgrößen, die bei der Bodennebelbildung und -auflösung eine Rolle spielen.

Publications

  • (2016): A 10 year fog and low stratus climatology for Europe based on Meteosat Second Generation data. Quarterly Journal of the Royal Meteorological Society 143(702), 530-541
    Egli, S., Thies, B., Drönner, J., Cermak, J. & Bendix, J.
    (See online at https://doi.org/10.1002/qj.2941)
  • (2017): The Influence of Drop Size Distributions on the Relationship between Liquid Water Content and Radar Reflectivity in Radiation Fogs. Atmosphere 8(8), 23
    Thies, B., Egli, S. & Bendix, J.
    (See online at https://doi.org/10.3390/atmos8080142)
  • (2018): A Hybrid Approach for Fog Retrieval Based on a Combination of Satellite and Ground Truth Data. Remote Sensing 10(4), 1-26
    Egli, S., Thies, B. & Bendix, J.
    (See online at https://doi.org/10.3390/rs10040628)
  • (2018): Fast Cloud Segmentation Using Convolutional Neural Networks. remote sensing 10(11), 1782
    Drönner, J., Korfhage, N., Egli, S., Mühling, M., Thies, B., Bendix, J., Freisleben, B. & Seeger, B.
    (See online at https://doi.org/10.3390/rs10111782)
  • (2019): A spatially explicit and temporally highly resolved analysis of variations in fog occurrence over Europe. Quarterly Journal of the Royal Meteorological Society 1, 1-20
    Egli, S., Thies, B. & Bendix, J.
    (See online at https://doi.org/10.1002/qj.3522)
  • (2019): FFLSD - Fast Fog and Low Stratus Detection tool for large satellite time-series. Computers & Geosciences 1, 1-36
    Drönner, J., Egli, S., Thies, B., Bendix, J. & Seeger, B.
    (See online at https://doi.org/10.1016/j.cageo.2019.04.003)
  • (2020): Fog and Low Stratus Obstruction of Wind Lidar Observations in Germany – A Remote Sensing- Based Data Set for Wind Energy Planning. Energies 2020, 13
    Rösner, B., Egli, S., Thies, B., Beyer, T., Callies, D., Pauscher, L., Bendix, J.
    (See online at https://doi.org/10.3390/en13153859)
 
 

Additional Information

Textvergrößerung und Kontrastanpassung