152 
nennenswert stören lassen, kann nicht jeder holländische Pegelort verwendet werden. Aus 
diesem Grunde würde z.B. ein Pegelort an der Rheinmündung zu weit südlich liegen. Ein 
Pegelort an der Grenze zur BRD dagegen läge unnötig weit östlich. Am besten wäre ein Ort, 
der genau an dem Knickpunkt der Küste liegt, an dem der überwiegende Süd-Nord-Verl auf 
der holländischen Nordseeküste in einen West-Ost-Verlauf übergeht. An diesem Knickpunkt 
liegt der Pegelort West-Terschelling. Bei einer Wanderungszeit der Fernwellen von 15 h von 
Aberdeen bis Cuxhaven kann unter der Voraussetzung gleichbleibender Wanderungsge 
schwindigkeit für die Strecke von West-Terschelling bis Cuxhaven eine Wanderungszeit von 
nur 4 h angenommen werden. Der Zeitversatz für den Stau bei West-Terschelling wurde in 
dem entsprechenden MR-Modell variiert, allerdings nicht so intensiv wie der Zeitversatz für 
den Wind. Der über unterschiedliche Anzahlen von Lern Vektoren gemittelte Validationsfehler 
war in dem Fall eines Zeitversatzes von 4 h einen guten halben Zentimeter kleiner als der in 
dem Fall eines Zeitversatzes von 5 h . Auch in diesem Fall reichte dieser halbe Zentimeter 
Unterschied, um den Zeitversatz von 4 h zu verwenden. Zur Frage der Signifikanz dieses 
Unterschieds wird auf die obige Diskussion der nichtlinearen Transformation verwiesen. 
Da der Zeitversatz für West-Terschelling wesentlich kleiner als der Zeitraum ist, den der 
Wasserstandsvorhersagedienst vorherzusagen hat (18 h ), muß analog zum Wind auch der Stau 
bei West-Terschelling vorhergesagt werden. Analog zum Wind wurde der Zeitversatz von der 
Länge dieses Zeitraums subtrahiert, um den Prognosezeitraum für das KL-Modell zu erhalten, 
das den Stau bei West-Terschelling stündlich vorhersagt (Kap.5.2). Für den daraus folgenden 
Prognosezeitraum von 14 h wurde ein entsprechender Vorhersagefehler berechnet, der wegen 
dieses Modells wiederum mit dem Validationsfehler identisch ist. Zusätzlich wurde außerdem 
der Vorhersagefehler des entsprechenden Persistenzmodells berechnet. Beide Fehler, der des 
KL-Modells und der des Persistenzmodells betrugen 14 cm. D.h. das Kohonen-Netz kann den 
Stau bei West-Terschelling nicht besser Vorhersagen als die Annahme der Persistenz. Somit 
kann man sich ein neuronales Modell für die Prognose des Staus bei West-Terschelling 
sparen und so wie bei Wiek den aktuellen Stau bei West-Terschelling als Prognose für den 
Fernwellenanteil des vorherzusagenden Staus bei Cuxhaven interpretieren. 
In Tab.5.15 sind die MR-Modelle aufgeführt, die mit den beschriebenen ozeanogra- 
phischen Daten trainiert wurden. Bei den meisten MR-Modellen wurde vom obligatorischen 
Stau bei Cuxhaven abgesehen auch der Wind berücksichtigt. In Tab.5.15 sind in der oberen 
Zeile zunächst zum Vergleich nur die Validations- und Vorhersagefehler derjenigen MR- 
Modelle für die Vorhersage des Staus zu Hochwasserzeitpunkten angegeben, die nur mit 
Wind- und Staudaten (Stau bei Cuxhaven) trainiert wurden (Tab.5.14). Die Hinzunahme des 
Staus bei Wiek zu diesen Daten in der nächsten Zeile in Tab.5.15 senkt im Vergleich dazu 
zwar nicht den Validationsfehler, aber den Vorhersagefehler. Werden Wind und Stau bei 
Wiek weggelassen und nur der Stau bei West-Terschelling zusammen mit dem Stau bei 
Cuxhaven trainiert, werden Validations- und Vorhersagefehler weiter gesenkt. 
Den Tiefpunkt der gesamten Tabelle erreichen die Validations- und Vorhersagefehler aber 
erst, wenn der Wind wieder hinzugenommen wird. Wird dann zusätzlich der Stau von Wiek 
wieder hinzugenommen, bleibt der Vorhersagefehler gleich. Daher kann auf den Stau bei 
Wiek verzichtet werden. Oder andersherum formuliert wird also durch die Hinzunahme des 
Staus bei West-Terschelling zum Wind und zum Stau bei Cuxhaven der Vorhersagefehler 
gesenkt. Somit kann das MR-Modell, das mit Daten des Windes und des Staus bei Cuxhaven 
und bei West-Terschelling trainiert wurde, als optimal in der Wahl der meteorologisch/- 
ozeanographischen Eingabegrößen angesehen werden.