150
spiegeln die Reihenfolge der Bedeutung der beiden Luftdruckgrößen wieder (Tab.5.14), die
vom Wasserstandsvorhersagedienst gefunden wurde (Kap.2.1.3).
Darüber hinaus demonstriert Tab.5.14, daß ein Trainieren beider Luftdruckgrößen zusätzli
ch zu den Wind- und Staudaten im Vergleich zum zusätzlichen Trainieren nur des statischen
Luftdrucks allein den Validationsfehler nicht senkt, sondern erhöht. Die Gewichtsvektoren der
MR-Modelle sind in diesem Fall fast doppelt so lang (19 statt 11 Komponenten). Außerdem
zeigt Tab.5.14, daß durch das Trainieren des statischen Luftdrucks zusätzlich zu den Wind-
und Staudaten im Vergleich dazu, wenn nur Wind- und Staudaten trainiert werden, weder
Validations- noch Vorhersagefehler gesenkt werden. Im letzteren Fall bestehen die Gewichts
vektoren nur aus drei Komponenten. Somit läßt sich nicht nur bei den MW-Modellen,
sondern auch bei den MR-Modellen die Beobachtung wiederfinden, daß die fehlersenkende
Wirkung der Daten (in diesem Fall der Luftdruckdaten) durch die größere Länge der Vekto
ren aufgezehrt wird (Kap.5.3).
Für die in Tab.5.14 dargestellten Fälle wurden die Windprognosen des Seewetteramts
(SWA) als Zusatzprognosen verwendet. Es wurden auch MR-Modelle mit Wind- und Stau
daten zu Hochwasserzeitpunkten trainiert und die neuronalen KL-Modelle für die Wind
prognose verwendet. Beim Übergang von der neuronalen Windvorhersage zur Windprognose
des SWA wurde der Vorhersagefehler der MR-Modelle für die Stau Vorhersage im Mittel um
1 cm gesenkt. In Tab.5.14 sind zusätzlich die Validations- und Vorhersagefehler des Gesamt
ansatzes aufgelistet. Dieses statistische Modell wurde aber um der Vergleichbarkeit der Ein
gabegrößen willen auf den Wind als einzige Indikationsgröße zurechtgestutzt. Beim Übergang
von der neuronalen Windvorhersage zur Windprogose des SWA sinkt der Vorhersagefehler
des gestutzten Gesamtansatzes für die Vorhersage des Staus zu Hochwasserzeitpunkten um
2 cm (Vergleich mit Tab.5.12). Trotzdem bleibt dieser Vorhersagefehler damit noch 1 cm
größer als der Vorhersagefehler des vergleichbaren MR-Modells. Somit kann an dieser Stelle
bereits gesagt werden, daß die Kohonen-Netze Wasserstände ohne explizite nichtlineare
Zusammenhänge besser Vorhersagen können als das statistische Modell des Gesamtansatzes,
in dem nichtlineare Terme explizit vorgegeben wurden (Kap.2.1.6).
Allerdings muß diese Aussage ein wenig eingeschränkt werden. Um für einen optimalen
Vergleich zwischen dem statistischen Modell des Gesamtansatzes und dem neuronalen MR-
Modell zu sorgen, hätten beide Modelle mit allen meteorologischen Größen trainiert werden
müssen. Als Zusatzprognosen hätten für den Wind die Prognosen des SWA und für die
restlichen Größen die Prognosen der neuronalen KL-Modelle verwendet werden können.
Dieser optimale Vergleich wurde nicht durchgeführt. Es war nicht die Absicht des Autor, die
Kohonen-Netze mit statistischen Modellen möglichst optimal zu vergleichen, sondern den
Vorhersagefehler der Kohonen-Netze so weit wie möglich zu senken.
Das MR-Modell, das zum Lernen nur Wind- und Staumessungen und im ausgelernten
Zustand nur Windvorhersagen für die Vorhersage des Staus benötigt, liefert zwar einen
kleineren Vorhersagefehler als der gestutzte Gesamtansatz. Dieser Vorhersagefehler ist aber
noch größer als der des Wasserstandsvorhersagedienstes. Es hat sich gezeigt, daß weitere
meteorologische Größen zusätzlich zum Wind den Vorhersagefehler der Kohonen-Netze nicht
senken können, weil die Netze zu groß werden (s.o.). Von den meteorologischen Größen
wurden hauptsächlich Daten des Luftdrucks in Nordwesteuropa verwendet. Die Verwendung
von Luftdruckmessungen an Wetterstationen in Nordwest-Europa stellt zusätzlich einen
Versuch dar, die luftdruckbedingten Fernwellen mit zu berücksichtigen, die nach dem Wind
der zweitwichtigste Faktor für die Vorhersage des Staus bei Cuxhaven sind (Kap.2.1.7,
Kap.4.1.3). Leider ist dieser Versuch gescheitert. Ein anderer Weg, Fernwellen mit zu
berücksichtigen, ist die Hinzunahme weiterer ozeanographischer Daten.
