59 
4. Daten 
In diesem Kapitel werden die Daten beschrieben, die für das Training der Kohonen-Netze 
verwendet wurden. Zuerst folgt eine Beschreibung der Zeitreihen der verschiedenen meteoro- 
logisch/ozeanographischen Größen, die für das Training ausgewählt wurden (Kap.4.1). 
Aufgrund ihrer Wirkungsweise und ihres Algorithmus’ stellen die Kohonen-Netze bestimmte 
Anfordungen an die Trainingsdaten. Um diese Voraussetzungen zu erfüllen, müssen die 
Daten auf besondere Weise vorbereitet werden. Zu dieser Vorbereitung zählen eine gründli 
che Datensäuberung (Kap.4.2.2), eine Trendelimination (Kap.4.2.3) und eine besondere Form 
von Vorbereitung, die Vorverarbeitung genannt wird (Kap.4.2.4). In der Einleitung zu 
Kap.4.2 wird begründet, warum der darauf folgende Abschnitt der Selektion (Kap.4.3) erst 
nach Kap.4.2 folgt. Dabei wird auf das Wechselspiel mit Kap.5 hingewiesen, das in engem 
Zusammenhang mit den Kap.4.2 und 4.3 steht. Dadurch ließ es sich nicht vermeiden, daß 
manche Ergebnisse der vorliegenden Arbeit bereits in Kap.4 vorgestellt werden. Die Reihen 
folge der Kap.4.1, 4.2 und 4.3 entspricht genau der Reihenfolge der bei der Datenbehandlung 
durchgeführten Schritte. 
4.1. Basis 
Werden neuronale Netze auf Gebiete angewandt, wo nicht klar ist, welche Meßgrößen auf die 
Prognosegröße eine Wirkung haben, müssen zuerst die zur Verfügung stehenden Zeitreihen 
verschiedener Meßgrößen durch statistische Verfahren auf ihre Eignung als Indikationszeitrei 
hen hin geprüft werden. In dem Fall der Anwendung auf die Wasserstandsvorhersage wurden 
diese Verfahren bereits in der Vergangenheit durchgeführt [Annutsch 77]. Die resultierenden 
Indikationsgrößen werden übernommen in dem Glauben, daß die Ergebnisse statistisch 
haltbar und wissenschaftlich fundiert sind (Kap.2.1.3). Die Größen sind für den Operationellen 
Dienst des BSH (d.h. für den Forecastmodus) verfügbar. 
In Kap.2.1.4 wurde der Gesamtansatz als ein statistisches Verfahren vorgestellt, das die 
Indikationsgrößen mit der Prognosegröße auf multiregressive Weise miteinander verknüpft. 
Aus sechs Eingabegrößen wird eine Ausgabegröße erzeugt. Um für den Gesamtansatz einen 
Vorhersagefehler im Hindcastmodus zu berechnen, sind nicht nur die sechs Indikations 
zeitreihen erforderlich, sondern auch eine Prognosezeitreihe. Neuronale Netze weisen eine 
sehr viel größere Verwandtschaft mit statistischen als mit hydrodynamischen Modellen auf 
(Kap.2.2). Daher liegt es als ein erster Ansatz nahe, für die neuronalen Modelle, d.h. für die 
Verknüpfung von Zeitmustern mit den neuronalen Netzen (Kap.2.2.3), die gleichen Eingabe 
daten wie für den Gesamtansatz zu verwenden. Für die Berechnung des Vorhersagefehlers im 
Hindcastmodus werden für die neuronalen Netze dann ebenfalls Ausgabedaten benötigt. An 
ders formuliert kann ein neuronales Modell auf Basis eines multiregressiven Zeitmusters 
erstellt werden, das die gleichen Zeitreihen wie der Gesamtansatz als Ein- und Ausgabe 
benötigt. Als Ausgabe bzw. als Prognosezeitreihe sind daher Messungen des Pegelstandes bei 
Cuxhaven erforderlich. Diese Zeitreihe und die astronomischen Vorausberechnungen für 
diesen Ort werden in Kap.4.1.1 beschrieben. Als Eingaben bzw. als Indikationszeitreihen 
werden entsprechend Messungen des Windes, des Luftdrucks und der Temperatur (von Luft 
und Wasser) an bestimmten Meßorten gebraucht. Diese Zeitreihen werden in Kap.4.1.2 be 
schrieben. 
Im Gegensatz zu den hydrodynamischen Modellen, die als Ein- und Ausgabe Zeitreihen 
zwei- und dreidimensionaler Felder benötigen, können in den Gesamtansatz und in das 
entsprechende multiregressive neuronale Modell nur Zeitreihen von Skalaren eingegeben