Application, optimization and uncertainty estimation of global nonlinear nonparametric prediction algorithms : case studies in physical geography

  • Anwendung, Optimierung und Abschätzung der Unsicherheiten globaler nichtlinearer nicht-parametrischer Vorhersagealgorithmen : Fallstudien in der Physischen Geographie

Sauter, Tobias; Schneider, Christoph (Thesis advisor)

Aachen : Publikationsserver der RWTH Aachen University (2011)
Doktorarbeit

Aachen, Techn. Hochsch., Diss., 2011

Kurzfassung

In der vorliegenden Doktorarbeit werden wichtige Aspekte in der Modellentwicklung und Optimierung von datenbasierten hydrologischen und klimatologischen Vorhersagemodellen diskutiert. Vor- und Nachteile von datenbasierten Algorithmen werden anhand zweier Beispiele näher untersucht und denen einfacher linearer Verfahren gegenübergestellt. Zum einen wird unter Anwendung eines statischen Neuronalen Netzwerkes der Abfluss eines vergletscherten mesoskaligen Einzugsgebiets im südlichen Patagonien modelliert und analysiert. Zum anderen werden die Stabilität und Fehlerfortpflanzung dynamischer Netze am Beispiel der Schneedeckenvorhersage im Schwarzwald behandelt. Auch ohne genaue Prozesskenntnis der zu modellierenden Phänomene liefern beide Algorithmen sehr gute Ergebnisse bei der Rekonstruktion von komplexen raumzeitlichen Strukturen. Da jedoch den internen Modellparametern keine phänomenologische Bedeutung zukommt, lassen sich folglich keine kausalen Rückschlüsse in den Prädiktoren ableiten. Um dieses Problem zu umgehen, werden die Unsicherheiten in den Modelleingangsgrössen mit einer globalen Sensitivitätsanalyse abgeschätzt. Dieser globale Ansatz berücksichtigt unter anderem Interaktionen von Prädiktoren, welche vor allem bei nichtlinearen Systemen eine besondere Rolle spielen. Anhand dieser Unsicherheiten lassen sich schließlich kausale Zusammenhänge in den Eingangsgrößen ableiten. Diese Informationen bieten weiterhin einen guten Hinweis zur effektiven Reduzierung der Prädiktoren. Schließlich wird ein neuer nichtlinearer Algorithmus zur Optimierung von Prädiktoren für ein Niederschlags-Downscaling präsentiert. Die Prädiktoren sowie die dazugehörigen Domänen werden mit Selbstorganisierenden Merkmalskarten und einem Simulated Annealing optimiert. Der Vergleich mit einem linearen Verfahren zeigt, dass die Vorhersagequalität allein durch eine nichtlineare Selektion von Prädiktoren signifikant verbessert werden kann.

Identifikationsnummern