96 
Stunden 
Stunden 
Stunden 
Abb.4.8: Sprungbehandlung der Windrichtung für Lernvektoren, die mindestens einen Zeitraum (Indikations 
oder Prognosezeitraum) mit mehr als einem Zeitpunkt besitzen. 1 .Bild: Beispiel für einen Verlauf der 
Windrichtung (vektoriell gemittelter Wind) innerhalb von 36 Stunden. Der Verknüpfungspunkt der Windrose 
(bei 0°=360°) ist durch eine gestrichelte Linie dargestellt. 2.Bild: wie Bild 1, allerdings nach Drehung der 
Windrose. Zusätzlich zum ersten Sprung "nach unten" in Bild 1 kommen in Bild 2 noch zwei weitere 
Sprünge hinzu: einer "nach oben" und einer "nach unten". 3.Bild: wie Bild 2, allerdings nach der Sprung 
behandlung. Es wurden alle drei Sprünge (in Bild 2) eliminiert und dadurch der Wertebereich der Wind 
richtung innerhalb des Zeitraums von 36 Stunden künstlich erweitert (in allen 3 Bildern Darstellung von 
maximal 540°). 
fahren für die Selektion verwendet wurden und warum ein neues Verfahren für die Selektion 
entwickelt wurde, wird der Werdegang der Entwicklung ein wenig geschildert. Dabei wird 
auf die Motive eingegangen werden, die die Entwicklung maßgeblich gesteuert haben. Nach 
der Vorstellung der Verfahren (Kap.4.3.1 und Kap.4.3.2) werden beide Verfahren miteinander 
verglichen (Kap.4.3.3). Dabei werden die Auswirkungen der Selektionsverfahren auf die 
Kohonen-Netze u.a. anhand ihrer Vorhersagefehler aufgezeigt. 
Doch zuvor wird der Begriff der "Selektion" vom Begriff der "Auswahl" abgegrenzt. 
Beide Begriffe beschreiben eine Verkleinerung bzw. eine Reduktion einer großen Daten 
menge auf eine kleine Menge. "Ausgewählt" werden Daten im geographischen Raum, "selek 
tiert" werden Daten im Zeitbereich. Theoretisch könnte die Datenreduktion auch in den ent 
sprechenden Spektralräumen stattfinden (Wellenzahl statt Raum und Frequenz statt Zeit). Ur 
sprünglich standen Daten von einer recht großen Anzahl von Wetterstationen in Nordwest- 
Europa zur Verfügung. Die Daten hätten auf ein regelmäßiges Gitter interpoliert und an 
schließend mit Hilfe einer zweidimensionalen Fouriertransformation in den Wellenzahlraum 
transformiert werden können. Man hätte das Wellenzahlspektrum bei einer bestimmten 
Wellenzahl abschneiden und die verbliebenen Koeffizienten anlernen können. Dabei hätte 
diese Wellenzahl so gewählt werden können, daß die damit verbundene Maschenweite eines 
regelmäßigen Gitters größer als die des Interpolationsgitters ist. Spektral verfahren werden 
z.B. bei der Horizontaldarstellung von aerodynamischen Modellen verwendet (z.B. ECHAM4 
vom Max-Planck-Institut für Meteorologie in Hamburg [Machenhauer 91]). Doch im 
Zusammenhang mit neuronalen Modellen wurde der geographische Raum aus folgenden 
Gründen nicht im Spektralbereich dargestellt. 
Die Reduktion der Daten in der beschriebenen Weise hätte zwar die Messungen von allen 
der anfangs recht großen Anzahl von Wetterstationen berücksichtigt. Aufgrund der Erfahrung, 
daß Kohonen-Netze einen um so größeren (!) Vorhersagefehler liefern, je größer (!) das Zeit 
muster und damit je länger die Lernvektoren gewählt werden (Kap.4.1.3, Kap.5.3), hätte das 
Wellenzahl Spektrum sehr klein und somit die Anzahl der anzulernenden Koeffizienten recht 
gering gehalten werden müssen. Dadurch wäre das zu den wenigen Koeffizienten korrespon 
dierende geographische "Bild" entsprechend unscharf gewesen (unscharf im Sinne einer 
Photographie). Mit dieser Datenreduktion über die Spektraldarstellung wäre ein enormer 
technischer Aufwand verbunden gewesen. Es stellte sich daher die Frage, ob dieser Aufwand 
bei der Einschränkung durch die Kohonen-Netze gerechtfertigt gewesen wäre. 
Außerdem kristallisierte sich während der Entwicklung der Anwendung der neuronalen