161 
i 
Vergrößerung des Selektionszeitraums von 1 zu 8 Jahren um 1 cm. Das ist zwar nicht viel, 
macht aber bei den geringen Validationsfehlern des optimalen MR-Modells fast 10% 
Verkleinerung aus. Somit ist ein weiteres Argument gewonnen, die Kohonen-Netze in 
regelmäßigen Abständen neu anzulernen (Kap.3.5.2). 
Außerdem sind dadurch weiterführende Arbeiten gerechtfertigt, die nicht auf Zeitreihen 
stündlicher Werte basieren, aus denen die Extremwerte erst noch extrahiert werden müssen, 
sondern auf solchen Daten, die nur aus Hoch- und Niedrigwasserereignissen bestehen. Solche 
Daten werden offiziell vom Wasser- und Schiffahrtsamt vertrieben. Diese Daten reichen viel 
weiter in die Vergangenheit zurück als die verwendeten Zeitreihen stündlicher Werte, die nur 
8 Jahre umfassen (Kap.4.1.1). Es wird gehofft, daß die Pegelmessungen bei West-Terschel- 
ling ebenfalls weit genug in die Vergangenheit zurückreichen. Die Windmessungen könnten 
wieder den Synop-Datensätzen des Seewetteramts entnommen werden, die bis ins Jahr 1966 
zurückreichen. Allerdings waren die Zeitreihen damals noch sechsstündlich. 
5.5.5. Vorhersage von Sturmfluten? 
Zum Abschluß von Kap.5.5 werden noch andere weiterführende Arbeiten angeregt. Die 
Kohonen-Netze sind zwar der ursprünglichen Anforderung gerecht geworden, eine Verbes 
serung der Stau Vorhersage in Standardsituationen zu erzielen (s.o.). Trotzdem wird gefragt, 
ob es nicht auch möglich wäre, mit Hilfe von Kohonen-Netzen eine Verbesserung der Stau 
vorhersage in Extremsituationen zu erreichen. Einen Wink in diese Richtung gibt das 
Selektionsverfahren der zirkularen Gruppenreduktion (ZGR), das vorzugsweise Extremfälle 
aus den Zeitreihen selektiert (Kap.4.3.1). Um zu testen, ob ein wenig Potential für diese 
Zwecke in dem ZGR-Verfahren steckt, wurde die Gruppengröße des ZGR-Verfahrens 
systematisch vergrößert. Da aber extreme Situationen verhältnismäßig selten auftreten, 
wurden außerdem die Zeitreihen wie oben bereits beschrieben systematisch verlängert. In 
beiden Fällen wurden nur diejenigen Validations- und Vorhersagefehler miteinander ver 
glichen, die einer Windgeschwindigkeit von 9 Bf, d.h. Sturm entsprachen. Davon waren nur 
17 der insgesamt 668 ausgewerteten Hochwasserereignisse betroffen (Tab.5.18). Die ent 
sprechenden Fehler sind in Tab.5.21 aufgelistet. 
Im Teil (a) von Tab.5.21 sind die Fehler für den ersten Fall der systematischen Erhöhung 
der Gruppengröße gezeigt. Beim Validationsfehler ist eine leicht abnehmende Tendenz zu 
bemerken, beim Vorhersagefehler dagegen nicht. Im Teil (b) sind die Fehler für den zweiten 
Fall der systematischen Verlängerung der Zeitreihen aufgeführt. In diesem Fall weisen 
sowohl die Validations- als auch die Vorhersagefehler eine leicht abnehmende Tendenz auf. 
Darum könnte gemutmaßt werden, daß im ersten Fall nicht nur die Validationsfehler, sondern 
auch die Vorhersagefehler sinken könnten, wenn die Gruppengröße höher angesetzt wird als 
im Teil (a) von Tab.5.21 angegeben ist. Insgesamt kann gesagt werden, daß weiterführende 
Arbeiten, die die Verbesserung der Vorhersage des Staus bei Cuxhaven in Extremsituationen 
mittels Kohonen-Netze zum Inhalt haben, nicht unbedingt scheitern müssen. 
Bei ein und demselben Netz kann aber eine Senkung der Vorhersagefehler bei hohen 
Windgeschwindigkeiten eine Erhöhung der Vorhersagefehler bei niedrigeren Windgeschwin 
digkeiten mit sich bringen. D.h. eine Verbesserung der Vorhersage in Extremsituationen kann 
auf Kosten der Genauigkeit der Vorhersage in Standardsituationen gehen. Bis jetzt ist dem 
Autor kein Verfahren bekannt, wie diese Wechselwirkung der Vorhersagefehler innerhalb ein 
und desselben Netzes beseitigt werden kann. Deshalb ist anzuraten, Kohonen-Netze, die auf 
Extremsituationen hin trainiert werden, nicht als Ersatz der in dieser Arbeit vorgestellten 
Netze anzusehen, sondern als zusätzliche Netze, die nur in diesen Situationen zum Einsatz