Vorhersage von Strahlungsnebel durch die Kombination von Stations- und Satellitendaten mittels maschineller Lernverfahren (FOG-ML)
Zusammenfassung der Projektergebnisse
Das Projekt FOG-ML zielte darauf ab, die Vorhersage von Strahlungsnebelbildung und - auflösung zu verbessern, indem Verfahren des maschinellen Lernens (ML) mit verschiedenen Datenquellen, einschließlich Bodenstationsmessungen und Satellitendaten, kombiniert wurden. Das übergeordnete Ziel war die Entwicklung eines performanten und robusten Nebelvorhersagesystems, das die Stärken beider Datentypen nutzt. In der ersten Phase wurden zunächst die wichtigsten Herausforderungen beim Training und der Validierung von ML-Modellen für die Nebelvorhersage ermittelt, insbesondere mit dem Algorithmus eXtreme Gradient Boosting (XGBoost). Es wurde festgestellt, dass Probleme wie die zeitliche Reihenfolge und die Autokorrelation in den Daten zu einer Überschätzung der Modellleistung führen. Die Einführung von Vergleichsmodellen (Baseline Models) und einer stärker anwendungsorientierten Bewertungsmethode, dem Expanding-Window-Ansatz (EWA), lieferte genauere Bewertungen der operativen Fähigkeiten des Modells. In der nächsten Phase wurde die Einbeziehung von vorverarbeiteten zeitlichen Daten und Glättungsverfahren auf die Leistung des XGBoost-Modells untersucht. Diese Vorverarbeitung der Daten führte zu einer erheblichen Steigerung der Genauigkeit des Modells, wobei der F1-Werte von 0,75 auf 0,88 zunahm. Dies zeigte, wie wichtig die Datenvorverarbeitung für die Verbesserung kurz- bis mittelfristiger Nebelvorhersagen ist. In der letzten Phase wurde die Kombination von bodengestützten Stationsdaten mit Satellitendaten des Meteosat Second Generation (MSG) für die Nebelvorhersage bewertet. Die Untersuchungen ergaben, dass Modelle, die MSG-Daten in Kombination mit Sichtbarkeitsmessungen verwenden, vergleichbare Vorhersageleistungen erbringt wie Modelle, die nur Stationsdaten verwenden. Der kombinierte Datensatz zeigt eine ausgewogene Modellperformanz, insbesondere bei der Vorhersage von Nebelbildung und Auflösungsübergängen. Die Verwendung von MSG-Daten stellt somit eine kosteneffiziente Alternative für großflächige Nebelvorhersagen. Das Projekt konnte erfolgreich das Potenzial von ML in der Nebelvorhersage, und insbesondere der Kombination von Stations- und Satellitendaten zur Verbesserung der Genauigkeit und Effizienz der Nebelvorhersage demonstrieren. Die Verwendung von Satellitendaten, die eine breite Abdeckung bieten, stellt eine kosteneffiziente Alternative zum alleinigen Rückgriff auf Stationsdaten dar. Die Ergebnisse legen den Grundstein für ein umfassendes, bundesweites Nebelvorhersagesystem in Deutschland. Zukünftige Arbeiten konzentrieren sich darauf, diesen Ansatz auf mehrere Stationen auszuweiten und die zeitliche Dynamik des Modells für längerfristige Vorhersagen weiter zu verfeinern.
Projektbezogene Publikationen (Auswahl)
-
Forecasting radiation fog by combining station measurements and satellite data using machine learning. Presented at 38th AK Klima, Jesteburg.
Vorndran, M., Thies, B. & Bendix, J.
-
Training and validation weaknesses in pointwise classification-based radiation fog forecast using machine learning algorithms . Presented at 39th AK Klima, Passau.
Vorndran, M., Schütz, A., Bendix, J. & Thies, B.
-
Current Training and Validation Weaknesses in Classification-Based Radiation Fog Nowcast Using Machine Learning Algorithms. Artificial Intelligence for the Earth Systems, 1(2).
Vorndran, Michaela; Schütz, Adrian; Bendix, Jörg & Thies, Boris
-
The effect of filtering and preprocessed temporal information on a classification based machine learning model for radiation fog nowcasting. Presented at 40th AK Klima, Würzburg.
Vorndran, M., Schütz, A., Bendix, J. & Thies, B.
-
Improving classification‐based nowcasting of radiation fog with machine learning based on filtered and preprocessed temporal data. Quarterly Journal of the Royal Meteorological Society, 150(759), 577-596.
Schütz, Michaela; Schütz, Adrian; Bendix, Jörg & Thies, Boris
-
Machine learning based radiation fog nowcast with station data in Germany. Presented at 41st AK Klima, Tübingen.
Vorndran, M. Schütz, A., Bendix, J. & Thies, B.
-
Observation of low stratus and ground fog in Europe using Meteosat and AI. Invited talk at a workshop of the EUMETSAT Aviation Testbed Project, FMI Headquarters, Helsinki.
Bendix, J.
-
Pointwise Machine Learning Based Radiation Fog Nowcast with Station Data in Germany. Presented at 9th International Conference on Fog, Fog Collection, and Dew, Fort Collins, Colorado, USA.
Vorndran, M., Schütz, A., Bendix, J. & Thies, B.
-
A regression-based machine learning model for radiation fog nowcasting using station and satellite data. Presented at 42nd AK Klima 2024
Schütz, M., Schütz, A., Bendix, J., Müller J. & Thies, B.
-
A satellite-based analysis of fog and low stratus life cycle processes in the Po valley, Italy. Copernicus GmbH.
Pauli, Eva; Cermak, Jan; Andersen, Hendrik & Schütz, Michaela
-
Radiation fog nowcasting with XGBoost using station and satellite data. Copernicus GmbH.
Schütz, Michaela; Bendix, Jörg & Thies, Boris
