160 
Grenzen des Staus (in m): 
<(-l) 
(-l)-O 
0 - 1 
l - : 
1.5 1.5-2 
2 - 3 
> 3 
Anzahl Hochwasser: 
9 
387 
244 
7 
8 
2 
0 
MR-Modell: 
9 
12 
14 
50 
52 
129 
0 
WD: 
17 
14 
15 
37 
41 
90 
0 
Tab.5.20: Vorhersage des Staus bei Cuxhaven zu Hochwasserzeiten mittels des optimalen MR-Modells in Ab 
hängigkeit vom gemessenen Windstau. Mittlerer absoluter Fehler (mae) in cm. Vergleich mit dem Wasser 
standsvorhersagedienst (WD). 
Die beiden optimalen MR-Modelle für Hoch- und Niedrigwasser lassen sich in den Wasser 
standsvorhersagedienst integrieren. Bisher hat der Dienst zwar außer meteorologischen 
Prognosen hauptsächlich englische Pegeldaten bei der Erstellung seiner Vorhersagen ver 
wendet. Aber seit ein paar Jahren stehen dem Wasserstandsvorhersagedienst auch Daten von 
holländischen Pegelorten zur Verfügung, die als Eingabe in die MR-Modelle dienen können. 
Mit Hilfe eines PC’s und eines Modems können über das Telefonnetz nicht nur die aktuellen 
Pegelmessungen, sondern gleichzeitig auch die Gezeitenvorausberechnungen für die holländi 
schen Pegelorte automatisch abgerufen werden. Die hereinkommenden Werte werden als 
Kurven grafisch aufbereitet. Aus den angebotenen holländischen Pegelorten kann West-Ter- 
schelling ausgesucht und aus den beiden Kurven für diesen Ort der Stau visuell abgeleitet 
werden. Bei dieser Ableitung des Staus muß eine mögliche Phasenverschiebung zwischen den 
Messungen und den Vorausberechnungen berücksichtigt werden. Um diese Phasenverschie 
bung zu umgehen, die bei den auf- und absteigenden Ästen der Kurven große Schwankungen 
im Stau hervorrufen können, hat sich seit der probeweisen Installation im Wasserstands 
vorhersagedienst die Gewohnheit entwickelt, prinzipiell das letzte Extremereignis (Hoch- oder 
Niedrigwasser) vor dem aktuellen Zeitpunkt, sprich der Gegenwart, für die Ableitung des 
Staus zu verwenden. 
Nach der Vorstellung der beiden optimalen MR-Modelle wird noch eine weitere Bemer 
kung zu den oben genannten allgemeinen Bemerkungen hinzugefügt. Es war versucht 
worden, das Argument zu stützen, daß, wenn bei steigender Anzahl von Lernvektoren der 
Vorhersagefehler der Kohonen-Netze sinken würde, die Wasserstandsvorhersage mittels 
Kohonen-Netze in Abhängigkeit von leistungsfähigeren Computern verbessert werden kann. 
In ähnlicher Weise kann überprüft werden, ob auch längere Zeitreihen für die Selektion den 
Vorhersagefehler der Kohonen-Netze senken können. Eine Verlängerung der Zeitreihen ist 
aber nicht so kritisch im Hinblick auf Computerressourcen wie eine Vergrößerung der 
Kohonen-Netze. Einen ersten Hinweis auf die Wirkung längerer Zeitreihen auf den Vorhersa 
gefehler der Kohonen-Netze bieten Tab.5.7, Tab.5.12 und Tab.5.13. In fast allen Fällen dieser 
Tabellen bleiben die Fehler beim Übergang von 5 zu 8 Jahren Selektionszeitraum gleich. Nur 
der Validationsfehler des MW-Modells für Niedrigwasser wird bei diesem Übergang um 
1 cm gesenkt (Tab.5.13). 
Um die Wirkung längerer Zeitreihen auf den Vorhersagefehler der Kohonen-Netze genauer 
zu überprüfen, wurden die Zeitreihen, aus denen selektiert wurde, systematisch jahresweise 
verlängert. Angefangen beim Jahr 1985 wurde sukzessiv ein weiteres Folgejahr hinzugenom 
men, so daß sich folgende Zeiträume ergaben: 1985, 1985 bis 1986,... 1985 bis 1992. Die 
Zeiträume waren somit 1 bis 8 Jahre lang. Die Anzahl der Lernvektoren wurde bei allen 
Zeiträumen jeweils gleich gewählt. Die jeweils selektierten Lernvektoren wurden vom 
optimalen MR-Modell angelernt. Die entsprechenden Validationsfehler sanken bei der