Home › 
Use Cases › 
Erkennung von konvektiver Bewölkung auf Satellitenbildern

Erkennung von konvektiver Bewölkung auf Satellitenbildern

Use Case
Meteorologie

Hintergrund

Konvektive Wolken können zu Gewitterwolken werden, die ein großes Sicherheitsrisiko für Flugzeuge darstellen. Insbesondere in Flughafennähe sind Piloten deshalb auf Meldungen von Meteorologen angewiesen, um ihre Flugplanung anpassen zu können. Solche Wolkenbildungen bzw. Vorläufer davon verlässlich und rechtzeitig zu erkennen, erfordert die volle Aufmerksamkeit von erfahrenen Meteorologen.

Die Automatisierung der Wolkenerkennung kann somit die Meteorologen unterstützen, Ressourcen sparen und ein verlässliches Warnsystem etablieren, das das Sicherheitsrisiko für Flugzeuge reduziert. Bestehende Systeme basieren auf Radardaten und Blitzaktivität. Eine Analyse von Satellitendaten kann eine zusätzliche, unabhängige Quelle für die Meteorologen sein.

Herausforderungen

Die Erkennung konvektiver Wolken kann mit der Anwendung von Machine Learning (ML) Methoden auf meteorologische Satellitendaten automatisiert werden. Ein ML Modell ist in der Lage, durch das Training mit bekannten Daten, Muster und Objekte in den Bildern zu erkennen und das Gelernte auf neue Daten zu übertragen.

Dafür muss der Datensatz allerdings ausreichend groß sein, und die Bewölkungtypen von Hand klassifiziert und markiert ("gelabelt") werden. Anzeichen von konvektiver Wolkenbildung auf Satellitenbildern sind auch für gut geschulte und erfahrene Menschen schwer zu erkennen. Deswegen kann das Labeling der Daten ein langwieriger und fehlerbehafteter Prozess sein, der definitiv die Kontrolle eines erfahrenen Meteorologen benötigt.

Lösungsansatz

Das Labeln der Daten wird einfacher, wenn man Satellitendaten im infraroten Bereich hinzunimmt. Dadurch werden Charakteristika von konvektiven Wolken deutlicher dargestellt.

Es gibt verschiedene Algorithmen zur Objekterkennung oder Bildsegmentierung in Bilddaten. Bewährt hat sich die U-Net Architektur, die eine spezielle Form eines Convolutional Neural Networks ist. Damit können die verschiedenen Wolkentypen in den meteorologischen Satellitendaten zuverlässig identifiziert und markiert werden.

Über eine Schnittstelle werden die Informationen den Meteorologen in Echtzeit zur Verfügung gestellt.

KI-News jedes Quartal

Erhalten Sie Nachrichten über Machine Learning und Neuigkeiten rund um dida.

Erfolgreich angemeldet.

Gültige Email-Adresse benötigt.

Email-Adresse bereits registriert.

Etwas ist schiefgelaufen. Bitte versuchen Sie es nochmal.

Mit dem Klick auf "Anmelden" erklären Sie sich mit unserer Datenschutzerklärung einverstanden.

dida Logo