139 
dienstes ein, in welcher Weise die Prognosen von den individuellen Eigenschaften und 
Fähigkeiten der Meteorologen des Seewetteramts geprägt sind. Über die Windstautabelle 
(Kap.2.1.7) wird in der Regel der zu erwartende Windstau ausgesucht. Die Luftdruck- und 
Temperaturvorhersagen gehen gefühlsmäßig in die Erstellung der Stauvorhersage ein. Die 
meteorologischen Prognosen gelten in der Regel für den Zeitversatz von drei Stunden vor der 
Eintrittszeit des nächsten Hochwassers (Kap.2.1.4). Wie die mündlichen Vorhersagen des 
Wasserstandsvorhersagedienstes selbst wurden auch die persönlich mitgeteilten meteorologi 
schen Prognosen des Seewetteramtes für fast alle Hochwasser vom Wasserstandsvorhersa- 
gedienst mitprotokolliert (in Knoten und Grad) (Kap.2.4.1). 
In diesem Abschnitt werden zuerst diejenigen Zusatzprognosen vorgestellt, die durch die 
im letzten Abschnitt vorgestellten Modelle bedingt sind (Kap.5.3). Diese Modelle wurden im 
wesentlichen an das statistische Modell des Gesamtansatzes mit seinen effektiv sechs Indika 
tionsgrößen angelehnt. Für die Modelle in Kap.5.3 werden stündliche Vorhersagen der 
meteorologischen Größen benötigt. Da die Prognosen des Seewetteramts diese Anforderung 
nicht erfüllen, wurden die meteorologischen Größen selbst wiederum mit Hilfe von Kohonen- 
Netzen vorhergesagt. Wie für die Prognosen des Staus wurden auch für die der meteoro 
logischen Größen Kohonen-Netze mit dem in Kap.5.1 vorgestellten Lernverfahren verwendet. 
Somit ergibt sich die Anwendung der Kohonen-Netze auf die Prognose von meteorologischen 
Größen quasi als Nebenprodukt der vorliegenden Arbeit. 
Der Einfachheit halber wurden nur solche Modelle gewählt, die die meteorologischen 
Größen aufgrund ihrer eigenen jeweiligen Vergangenheit Vorhersagen. Für den Luftdruck und 
die Temperatur wurden jeweils KL-Modelle verwendet, d.h. Kohonen-Netze auf Basis von 
klassifizierenden Zeitmustern. Die Länge der jeweiligen Prognosezeiträume wurde an die 
Erfordernisse der neuronalen Modelle für die Stauvorhersage angepaßt. In Anlehnung an die 
18 Stunden für die Stauvorhersage, die mittels KL-, MW- und RW-Modelle auf einmal und 
mittels MR-Modelle jeweils einzeln vorhergesagt wurden, wurde bei den KL-Modellen für 
die Vorhersage der meteorologischen Größen ein Prognosezeitraum von 18 h abzüglich des 
jeweiligen Zeitversatzes gewählt. 
Für den Wind wurden sowohl KL- als auch DKL-Modelle (Kap.2.2.8) verwendet, die mit 
Hilfe der Zeitreihen des vektoriell gemittelten Windes angelernt wurden (Kap.4.1.2). D.h. 
einerseits wurden die Windgeschwindigkeit und die Windrichtung jeweils separat mit Hilfe 
von KL-Modellen aus ihrer eigenen Vergangenheit heraus vorhergesagt. Da aber beide Kom 
ponenten zusammengehören, wurden sie andererseits auch mit Hilfe von DKL-Modellen 
vorhergesagt. Mit Hilfe dieser Modelle können beide Komponenten auf einmal vorhergesagt 
werden. Da aber das beschriebene Kriterium zum Abbruch der Lernphase (Kap.5.1.3) nur mit 
einer skalaren, aber nicht mit einer vektoriellen Größe funktioniert, muß vor Beginn des Trai 
nings der Netze entschieden werden, welche Komponente für das Lernabbruchkriterium 
verwendet werden soll. Dabei ist es unbedeutend, welche Komponente gewählt wird. Die 
Ergebnisse sind in beiden Fällen vergleichbar. Durch den Vergleich mit den KL-Modellen 
kann beurteilt werden, ob die Kombination der Windkomponenten eine Verbesserung bringt. 
Dabei wurde außerdem geprüft, wieviel Verkleinerung des Vorhersagefehlers das Anlernen 
in Polarkoordinaten und die Sprungbehandlung der Windrichtung bewirken (Kap.4.2.5). In 
Tab.5.8 sind die Vorhersagefehler für das DKL-Modell aufgelistet. Nicht nur bei den KL- 
Modellen, sondern auch bei den DKL-Modellen sind die Vorhersage- und Validationsfehler 
identisch. 
In Tab.5.8 ist zu erkennen, daß der Vorhersagefehler für die Windgeschwindigkeit beim 
Übergang von kartesischen zu Polar-Koordinaten um einen vergleichsweise großen Betrag 
sinkt (um 2.2 kn). Der Vorhersagefehler für die Windrichtung sinkt dabei vergleichsweise nur