Entwicklung eines automatisierten Wolkendetektions- und Wolkenklassifizierungsverfahrens mit Hilfe von Support Vector Machines angewendet auf METEOSAT-SEVIRI-Daten für den Raum Deutschland

Abstract

Wolken stellen im Klimasystem der Erde einen zentralen Faktor dar, nicht nur in Bezug auf die Niederschlagsverteilung, sondern auch in Verbindung mit Effekten auf Strahlungsvorgänge innerhalb der Atmosphäre. Eine genaue Abschätzung der komplexen Wechselwirkungen innerhalb des Systems Erde-Atmosphäre ist jedoch immer noch mit Problemen verbunden. Dies betrifft vor allem den vielfach diskutierten Klimawandel. Gerade durch die hohe zeitliche und räumliche Variabilität von Wolken ist ein differenzierter Informationsgewinn über diese von enormer Relevanz. Satellitendaten haben sich hier als Mittel der ersten Wahl herausgestellt. Dies gilt insbesondere für geostationäre Satelliten, die im Gegensatz zu polarumlaufenden Satelliten, bei vergleichbarer spektraler Information, eine höhere zeitliche Auflösung zur Verfügung stellen. Gängige Wolkenerkennungsverfahren beziehen sich vor allem auf Schwellenwertansätze und benötigen in der Regel Zusatzdaten über den Zustand der Atmosphäre. Die Schwierigkeit dieser Verfahren liegt bei der exakten Bestimmung des jeweiligen Schwellenwertes. Andere Bildverarbeitungsverfahren wie Neuronale Netze, Cluster-Analysen oder Support Vector Machines (SVM) wurden zwar schon experimentell durchgeführt, jedoch meist nicht im Sinne einer automatisierten Anwendung auf zeitlich hoch aufgelöste Datenreihen. <br /> Ziel dieser Arbeit war demnach die Entwicklung einer Wolkendetektion bzw. Wolkenklassifizierung mit Hilfe von Support Vector Machines, angewendet auf METEOSAT-SEVIRI-Daten für den Raum Deutschland. Die Umsetzung sollte hierbei auf der reinen Bildinformation (wolkenrelevante METEOSAT-Kanäle), ergänzt durch notwendige Trainingsdaten (Ground Truth), basieren. Support Vector Machines stellen in diesem Zusammenhang einen relativ modernen Klassifikator dar, der auch mit wenigen Trainingsdaten effektiv Klassifizierungsprobleme lösen kann. Die Anwendung auf das Gebiet Deutschland ist mit den vielfältigen Wolkengegebenheiten in dieser Region begründet. Eine effektive Wolkendetektion stellt durch die relativ nördliche Lage und den Einfluss des Nordatlantiks eine besondere Anforderung dar. <br /> Die größte Herausforderung bei einem Verfahren wie Support Vector Machines ist die exakte Auswahl repräsentativer Trainingsdaten auf deren Basis der Klassifikator lernt. Eine erste Idee war, zu diesem Zweck sogenannte Wetter-Kameras einzusetzen, die an vielen Standorten Teile des Himmels aufnehmen. Rückwirkend stellte sich jedoch die Zusammenstellung eines aussagekräftigen Datensatzes als schwierig heraus. Vielerorts werden die Aufnahmen nicht archiviert, wodurch letztendlich nur sechs Standorte für das Jahr 2008 zur Verfügung standen, die aber dennoch innerhalb des Prozessierungsverfahrens Verwendung finden. Insgesamt wird der Trainingsdatenumfang durch die Anwendung bekannter Schwellenwertalgorithmen erweitert in dem Sinne, dass nur solche Pixel, die mit hoher Sicherheit einer Klasse angehören, einsetzbar sind. Neben der Erstellung einer Wolkenmaske erfolgt die weitere Abtrennung in vier Wolkenklassen, wobei zwischen Höhe und Strahlungsdurchlässigkeit der Wolken unterschieden wird. <br /> Zur Überprüfung der Detektion bzw. Klassifizierung wurde, neben dem Vergleich mit den Wolkenabtrennungsverfahren der Satellite Application Facility on support to Nowcasting and Very Short Range Forecasting (SAFNWC), eine Validierung mit synoptischen Beobachtungsdaten durchgeführt. Dies bezieht sich jedoch nur auf die Wolkenmaske mit Hilfe der sogenannten Achtel-Skala. Anhand der Validierungsergebnisse und der Betrachtung des Wolkenbedeckungsgrades für das Jahr 2008 wurde deutlich, dass mit einem automatisierten SVM-Wolkendetektionsverfahren bzw. -Wolkenklassifizierungsverfahren gute Ergebnisse erzielt werden können. Dies betrifft vor allem Situationen, in denen Wolken ausgeprägt bzw. im Vergleich mit wolkenfreien Flächen ausgeglichen vorkommen. Hochdruckwetterlagen mit umfangreichen wolkenfreien Flächen führen dagegen zu einer verstärkten Wolkenüberschätzung durch den SVM-Klassifikator. Demgegenüber kommt es bei der Anwendung der SAFNWC-Cloudmask (CMa) ohne zusätzliche Informationen aus Wettervorhersagemodellen zu einer Unterschätzung, deren Ausprägung sich jedoch nicht auf bestimmte Wetterlagen zurückführen lässt. <br /> Zudem konnte durch das Verfahren eine zeitliche und räumliche Differenzierung dargestellt werden, die sich in das allgemeine Wettergeschehen des Jahres 2008 einordnen lässt. Beispielsweise ließ sich anhand der objektiven Großwetterlagen-Klassifikation des Deutschen Wetterdienstes (DWD) eine zeitliche Verknüpfung mit dem Wolkenbedeckungsgrad darstellen. Regionale Unterschiede zeigten sich vor allem in Bezug auf die Höhenlagen der Mittelgebirge, die im Allgemeinen auch höhere Bedeckungsgrade aufweisen. Im Gegensatz dazu sind Teile Nord- und Süddeutschlands, sowie das Rheintal häufig mit geringerer Bedeckung gekennzeichnet. Anhand der vorliegenden Arbeit konnte das Potential von Support Vector Machines, bezogen auf die automatisierte Anwendung einer Wolkendetektion, dargelegt werden. Obwohl es sich um ein sehr rechenintensives Verfahren handelt, lässt sich die gesamte Prozessierung inklusive Training für jeden METEOSAT-Aufnahmezeitpunkt in einem adäquaten zeitlichen Rahmen realisieren. Nach weiterer Optimierung, wäre eine operationelle Anwendung durchaus vorstellbar.

<strong>Development of an automated cloud detection and cloud classification algorithm using Support Vector Machines applied to METEOSAT SEVIRI data for the area of Germany</strong><br /> Clouds are an important part of the earth's climate system, not only because of their connection to precipitation, but also due to their effects on radiation. The accurate estimation of the complex interactions within the earth-atmosphere-system is still a major challenge. Particularly if related to the issues of the continuously discussed climate change. Because of the high temporal and spatial variability in conjunction with clouds, gaining additional information is absolutely necessary. Satellite data presents itself as the first choice. Especially geostationary satellites embodying high temporal resolution and comparable spectral information, can meet the demands of effective cloud detection. Methods of continuous cloud detection are primarily based on threshold techniques and typically require additional data on the atmospheric state. Regarding these methods, determinating an appropriate threshold accurately, is still a problem to be solved. Other approaches of image analysis, like Neural Networks, Cluster-Analysis or Support Vector Machines (SVM), have indeed been carried out experimentally but mostly not in terms of an automated application for high temporal resolution data series.<br /> Therefore this study's aim is to develop a cloud detection and cloud classification, applied by using Support Vector Machines on METEOSAT-SEVIRI-data covering the area of Germany. The implementation should only rely on genuine image information (cloud-related METEOSAT-channels), supplemented by the required training data (ground truth). In this context, Support Vector Machines represent a comparatively modern classifier, which is able to solve classification problems effectively, even with only a small amount of training data. The choice of Germany as the main investigation area has been based on the multiple cloud variations and conditions found here. Especially the relatively northern location and the influence of the North Atlantic are challenging aspects regarding effective cloud detection. <br /> The main difficulty using Support Vector Machines is the precise selection of representative training data, by which the classifier learns. A first idea for this purpose has been the application of so-called webcams or weather cameras taking pictures of the sky in many places. Retrospectively, the compilation of a meaningful data set turned out to be difficult. In many places, images will not be stored, thus in the end, only six locations for the year 2008 were available. Although this is not enough for a proper classification, the data is used in the processing scheme. To get additional training data, the data set has been expanded through the use of known threshold algorithms. But only those pixels, having a high probability to belong to a certain class, were selected for training. After creating a cloud mask, the clouds were subdivided into four classes, distinguishing between height and radiation transparency.<br /> Besides comparing the results to the cloud products of the Satellite Application Facility on support to Nowcasting and Very Short Range Forecasting (SAFNWC), an accuracy assessment has been carried out. This validation procedure has been applied with the help of synoptic observations. However, this has only been done with the cloud mask, using the so-called octa-scale. Based on the validation results and the additional observation of the cloud cover for the year 2008, it was possible to show that accurate results can be achieved with an automated SVM-cloud-detection, respectively SVM-cloud-classification. This refers mainly to situations where you have a lot of clouds, or were clouds are equally distributed, compared to cloud free areas. In contrast, high-pressure weather conditions with extensive cloud free areas lead to increased overestimation of clouds by the SVM-classifier. But on the other side, the results of the SAFNWC-Cloudmask used without additional information from numerical weather prediction (NWP) reveal an underestimation of clouds. This underestimation cannot be reduced to certain weather conditions.<br /> In addition, a temporal and spatial differentiation of cloud cover could be shown for the year 2008. In this context, it was possible to link the results with the general weather patterns of 2008. For example, temporal variations have been presented by the connection between the cloud amount and the results of an objective weather type classification established by the German Meteorological Service (DWD). Regional differences were mainly in conjunction to the low mountain ranges, which are generally connected to high cloud coverage. On the other hand, parts of northern and southern Germany and the Rhine Valley are often combined with less coverage.<br /> With this work it was possible to demonstrate the potential of Support Vector Machines as an automated application of cloud detection on temporal high resolution data. Although it is a very computationally intensive procedure, the entire processing, including training of the classifier for each METEOSAT-timeslot, can be realized in an appropriate timeframe. After further optimization, an operational application would be quite conceivable.