Detailansicht

The determination of cloud cover and cloud types from ground based images with pixel recognition and machine/deep learning methods
Thomas Aistleitner
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Geowissenschaften, Geographie und Astronomie
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Meteorologie
Betreuer*in
Manfred Dorninger
Volltext herunterladen
Volltext in Browser öffnen
Alle Rechte vorbehalten / All rights reserved
DOI
10.25365/thesis.70630
URN
urn:nbn:at:at-ubw:1-11237.48529.974341-0
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)

Abstracts

Abstract
(Deutsch)
Der Einfluss der Wolken auf die Atmosphäre und auf den Treibhauseffekt sind unumstritten. Eine exakte Bestimmung der Wolkenbedeckungen sowie eine genaue Kategorisierung der Wolkenarten somit von großer Bedeutung. Aufgrund finanzieller sowie personeller Aspekte, werden manuelle Wolkenbeobachter in den nächsten Jahren zunehmend durch Satelliten sowie bodengestütze Instrumente ersetzt. Eine Alternative zu den manuellen Beobachtungen könnten Wetterbilder darstellen, welche von Personen mit ihren Smartphones aufgenommen werden. In dieser Arbeit wird nun untersucht, wie diese Bilder mit Hilfe von verschiedene Methoden analysiert werden können. Es wurde versucht mit Methoden aus dem Bereich der Pixelerkennung (Threshold Methoden: Normalized Red/Rlue Ratio und Euclidean Geometric Distance) sowie mit Modellen aus dem Bereich des Machine Learnings (K-nearest neighbour, K-means clustering, Support Vector Machine und Convolutional Neural Networks) den Bedeckungsgrad der Wolken in den Bildern sowie auch deren Wolkengattungen zu bestimmen. Als Datengrundlage werden verschiedene Datensätze aus der Literatur verwendet sowie auch Bilder, welche während der Laufzeit des Projektes H-View an der Universität Wien gesammelt wurden. Die Ergebnisse zeigen, dass die Bestimmung des Bedeckungsgrad stark vom Kontrast der Farben in den Bildern abhängig ist. Besonders die Modelle aus dem Bereich des Machine Learnings erzielten gute Ergebnisse. Die Klassifizierung der Wolkengattungen ist ebenso mit Machine Learning Modellen mit einfachen Datensätzen (fünf Wolkengattungen) erfolgreich. Die Anwendung auf komplexere Datensätze (über zehn Wolkengattungen) zeigte jedoch, dass eine ausreichende Bestimmung aller Wolkengattungen komplexe Machine Learning Modelle sowie auch einen exakt klassifizierten Trainingsdatensatz benötigen.
Abstract
(Englisch)
The influence of clouds on the atmosphere is indisputable, and therefore an accurate determination of cloud cover and cloud types is inevitable. Upcoming gaps of manual weather observations are partly replaced by remote-sensing and ground based instruments. An alternative to these instruments is the use of weather images, taken by people with their smartphones. In this thesis, several approaches from pixel recognition as well as machine and deep learning methods are used to analyse ground-based images. For the determination of the cloud cover and cloud types, different threshold methods (normalised red/blue ratio and euclidean geometric distance) and machine learning models (k-nearest neighbour, k-means clustering, support vector machine and convolutional neural networks) are applied on different datasets. The verification states that the determination of the cloud cover depends heavily on the contrast of colours in the cloud image, but the machine learning methods achieve rather accurate results. The classification of the clouds can be solved by machine learning models on trivial datasets (over 90% accuracy), but the results for complex cloud images are insufficient.

Schlagwörter

Schlagwörter
(Englisch)
Artificial intelligence pattern recognition weather report citizen science cloud classification neural networks
Schlagwörter
(Deutsch)
Künstliche Intelligenz Mustererkennung Wettermeldung Citizen Science Wolkenklassifikation Neuronale Netze
Autor*innen
Thomas Aistleitner
Haupttitel (Englisch)
The determination of cloud cover and cloud types from ground based images with pixel recognition and machine/deep learning methods
Paralleltitel (Deutsch)
Die Bestimmung des Bedeckungsgrades durch Wolken sowie der Wolkentypen anhand von bodenbasierten Bildern mit Hilfe von Pixelerkennung und Machine/Deep Learning Methoden.
Publikationsjahr
2021
Umfangsangabe
105 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Manfred Dorninger
Klassifikationen
38 Geowissenschaften > 38.80 Meteorologie: Allgemeines ,
54 Informatik > 54.72 Künstliche Intelligenz
AC Nummer
AC16498260
Utheses ID
60912
Studienkennzahl
UA | 066 | 614 | |
Universität Wien, Universitätsbibliothek, 1010 Wien, Universitätsring 1