Untersuchung der Wolkenbedeckung und weiterer meteorologischer Größen anhand von Kameraaufnahmen im sichtbaren und infraroten Spektralbereich

Masterarbeit am ifp - Jeannette Mostafa

Jeannette Mostafa

Untersuchung der Wolkenbedeckung und weiterer meteorologischer Größen anhand von Kameraaufnahmen im sichtbaren und infraroten Spektralbereich

Dauer. 6 Monate
Fertigstellung: Juli 2021
Betreuer: M.Sc. Thomas Kociok (Fraunhofer IOSB)
Prüfer: Prof. Dr.-Ing. Uwe Sörgel


 

Motivation und Zielsetzung

Die meteorologischen Gegebenheiten wie Wolkenbedeckungsgrad, vorherrschende Wolkengattung, Windrichtung und -geschwindigkeit spielen nicht nur für die Wettervorhersage eine große Rolle. Auch für die Luft- und Raumfahrt, Energiebranche und Astronomie ist dieses Wissen bedeutend.
Tagsüber mag diese Problematik im einfachsten Fall durch einen erfahrenen Blick in den Himmel gelöst werden, doch nachts kann allenfalls der Bedeckungsgrad mit dem menschlichen Auge grob abgeschätzt werden.
Die Bestimmung des Bedeckungsgrades und der Wolkengattung sollte allerdings nicht von dem Blick eines Meteorologen abhängig sein, sondern möglichst automatisch erfolgen.
Im Rahmen dieser Arbeit sollen Untersuchungen an einer Reihe von Himmelsaufnahmen im visuellen und infraroten Spektralbereich durchgeführt werden.
Das Ziel der Arbeit besteht in der Untersuchung, welche Informationen einem einfachen Kameraaufbau entnommen werden können. Dabei sollen möglichst wenige zusätzliche Messgrößen notwendig sein.
Der Schwerpunkt der Arbeit liegt auf der Bestimmung des Wolkenbedeckungsgrades.
Zusätzlich werden die Klassifizierung der Wolkengattung und die Ableitung der Windparameter betrachtet.

Wolkenbedeckungsgrad

Um den Wolkenbedeckungsgrad anhand von Kameraaufnahmen im visuellen und infraroten Spektralbereich zu bestimmen, werden Methoden entwickelt, die keine weiteren Messgrößen benötigen.
Im visuellen Bereich werden Verhältnisse der Farbkanäle zueinander verwendet. Bei Aufnahmen der Infrarotkamera kommt das entwickelte Min-Max Verhältnis zum Einsatz, welches die wolkenbedeckten von den wolkenlosen Bildbereichen durch das Verhältnis der Pixelwerte zu dem kleinsten vorkommenden Pixelwert in der Aufnahme unterscheidet.
Die Bestimmung des Bedeckungsgrades mithilfe visueller Aufnahmen unterliegt den Fehlern durch den Sonneneinfluss und zu dunkler Bildbereiche.
Die Bestimmung des Wolkenbedeckungsgrades an Aufnahmen der IR-Kamera ist sehr zuverlässig.
Dies ist mitunter der Tatsache geschuldet, dass die Sonne in den IR-Aufnahmen nur einen geringen Fehler (0,3 Prozentpunkte) erzeugt. In den visuellen Aufnahmen wird ein sehr viel größerer Bereich durch die Sonne beeinträchtigt.
Im Mittel weichen die Ergebnisse aus den Aufnahmen des visuellen und infraroten Spektralbereichs in geringem Umfang (5,25 Prozentpunkte) voneinander ab.
In Abbildung 1 ist ein Vergleich der Aufnahmen und Auswertungen zu sehen.

Abbildung 1: Vergleich des Wolkenbedeckungsgrades zwischen visueller und IR-Kamera, 08.04.2021 16.55 Uhr. Die Originalaufnahme und Auswertung der IR-Kamera ist links zu sehen. Die Originalaufnahme und Auswertung der visuellen Kamera befinden sich auf der rechten Seite. Die Wolken werden in beiden Auswertungen korrekt identifiziert. Es ergibt sich ein Bedeckungsgrad von 44% im infraroten und 45% im visuellen Spektralbereich.

Wolkenklassifizierung

Das Ziel der Untersuchung der Wolkenklassifizierung ist die Prüfung, ob die im Rahmen der Arbeit aufgenommenen Bilder durch eine bestehende CNN Architektur mit dem Training mithilfe einer verfügbaren Datenbank klassifiziert werden können.
Es werden mehrere Netzwerkarchitekturen mit unterschiedlichen Einstellungen hinsichtlich des Optimierungsalgorithmus und der Lernrate untersucht.
Die Klassifizierung der IR-Aufnahmen ist nicht möglich, da das Training mit RGB-Bildern erfolgt. Die Aufnahmen im infraroten Bereich bestehen aber nur aus einem Kanal.
Die Klassifizierung der visuellen Aufnahmen ist ebenfalls schwer möglich, da sich die Aufnahmen aus der Datenbank stark von den im Rahmen dieser Arbeit aufgenommenen Bildsequenzen unterscheiden.
Abbildung 2 zeigt die Confusion Matrix einer Auswertung von 100 Bildern durch ein ausgewähltes CNN.

Abbildung 2: Confusion Matrix der Ergebnisse der Klassifizierung durch das ResNet 18 (Optimierungsalgorithmus SGDM, Lernrate 0,01) von je 20 visuellen Aufnahmen der fünf Wolkengattungen Altostratus (As), Altocumulus (Ac), Cumulus (Cu), Cirrocumulus (Cc) und Cirrus (Ci). Die blau hinterlegten Felder stellen die Übereinstimmung von tatsächlicher Wolkengattung und dem Klassifikationsergebnis dar. Die Klassifzierung ergibt die weiteren Wolkengattungen Cumulonimbus (Cb), Cirrostratus (Cs), Nimbostratus (Ns), Stratocumulus (Sc) und Stratus (St). Es ergibt sich eine Gesamtgenauigkeit von 37 %.

Windparameter

Die Bestimmung der Windparameter (Windrichtung und -geschwindigkeit) ist mithilfe einer manuellen Methode möglich, allerdings sind hier weitere Messgrößen notwendig.
Es wird der Blick- und Anstellwinkel der Kameras benötigt, ebenso die Lufttemperatur und der Taupunkt am Boden.
Der*die Anwender*in wählt in einer Aufnahme einen markanten Bildausschnitt, welcher in der nachfolgenden Bildsequenz mittels Kreuzkorrelation wiedergefunden wird.
Die Zuordnung mittels Kreuzkorrelation erlangt in den Aufnahmen der IR-Kamera eine größere Genauigkeit, da hier weniger Nebenmaxima auftreten und so weniger Fehlzuordnungen vorkommen (siehe Abbildung 3).

Abbildung 3: Vergleich der Kreuzkorrelation bei Aufnahmen beider Spektralbereiche, 20.04.2020 14.00 - 14.01 Uhr. Die roten Flächen stellen den Bildausschnitt dar, der durch den*die Anwender*in manuell ausgewählt wurde. Die blaue Markierung kennzeichnet den mittels Kreuzkorrelation zugeordneten Bildbereich. Der Kreuzkorrelationskoeffizient des ausgewählten Bildbereichs im visuellen Spektralbereich enthält neben dem globalen Maximum einige Nebenmaxima. Der Kreuzkorrelationskoeffizient der Zuordnung im IR-Bereich weist ein eindeutiges Maximum auf.

Fazit

Die bodengestützte Bestimmung des Wolkenbedeckungsgrades ist für beide Spektralbereiche ohne die Kenntnis weiterer Messgrößen möglich. Die Umsetzung erfolgt mit Methoden der digitalen Bildverarbeitung.
Im infraroten Spektralbereich wird eine höhere Genauigkeit und Zuverlässigkeit erreicht.
Der Vorteil der IR-Kamera liegt insgesamt nicht nur an der generellen höheren Zuverlässigkeit im Vergleich zur visuellen Kamera. Die größte Stärke der IR-Kamera ist die Verwendbarkeit bei schwierigen Lichtverhältnissen wie in der Nacht und während der Dämmerung.
Die Klassifizierung mithilfe einer bestehenden Datenbank ist nicht möglich. Die Bilder aus Datenbank und die selbst erstellten Aufnahmen unterscheiden sich stark hinsichtlich des Anstellwinkels der Kameras und dem Bildbereich.
Eine Möglichkeit zur Bestimmung der Windparameter bietet eine manuelle Methode, diese ist allerdings mit einem hohen Arbeitsaufwand verbunden.

Ansprechpartner

Dieses Bild zeigt Uwe Sörgel

Uwe Sörgel

Prof. Dr.-Ing.

Institutsleiter

Zum Seitenanfang