Detailansicht
Nowcasting of wind profiles along the approach corridors of Vienna International Airport based on machine learning
Yousif Isam George Rasho
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Geowissenschaften, Geographie und Astronomie
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Meteorology and Climate Science
Betreuer*in
Manfred Dorninger
DOI
10.25365/thesis.78368
URN
urn:nbn:at:at-ubw:1-17294.18159.739283-3
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Das Nowcasting von Windprofilen ist ein entscheidender Aspekt der Luftfahrtmeteorologie, insbesondere zur Gewährleistung sicherer und effizienter Landungen. Diese Arbeit konzentriert sich auf die Entwicklung und Bewertung eines auf maschinellem Lernen basierenden Modells zur Vorhersage von Windprofilen entlang der Anflugkorridore des Flughafens Wien (VIE). Die Forschung nutzt Winddaten, die aus Mode-S-Flugzeugdaten abgeleitet wurden und hochauflösende atmosphärische Informationen liefern. Dabei kommt eine Deep-Learning-Architektur wie Long Short-Term Memory (LSTM)-Netzwerke zum Einsatz, um Windgeschwindigkeit und -richtung in verschiedenen Höhen zu analysieren und vorherzusagen. Die Studie beginnt mit der Darstellung der Herausforderungen bei der Datenerfassung und -vorverarbeitung und betont die Bedeutung einer genauen Extraktion von Windprofilen. Der Datensatz, der aus historischen Flugzeugtelemetriedaten und meteorologischen Quellen zusammengestellt wurde, wird sorgfältig gefiltert und strukturiert, um eine hohe Zuverlässigkeit des Modells sicherzustellen. Wichtige statistische Kennzahlen wie der mittlere absolute Fehler (MAE) und der quadratische Mittelwertfehler (RMSE) werden verwendet, um die Leistungsfähigkeit des Modells zu bewerten. Die Ergebnisse zeigen, dass das Modell unter stabilen meteorologischen Bedingungen gute Leistungen erbringt, wobei die Vorhersagen den beobachteten Windmustern nahekommen. Bei rasch wechselnden Wetterphänomenen wie Frontdurchgängen und Turbulenzereignissen treten jedoch deutliche Abweichungen auf. Die Analyse der Fehlerkennzahlen zeigt, dass die Vorhersagen der Windgeschwindigkeit geringere Abweichungen aufweisen als jene der Windrichtung, die empfindlicher auf plötzliche Veränderungen der atmosphärischen Bedingungen reagiert. Die Ergebnisse unterstreichen das Potenzial KI-gestützter Nowcasting-Modelle zur Verbesserung des Situationsbewusstseins im Flugverkehrsmanagement. Die Integration von Echtzeit-Flugdaten mit fortschrittlichen Methoden des maschinellen Lernens eröffnet neue Möglichkeiten zur Verbesserung der Prognosefähigkeiten in der meteorologischen Vorhersage und trägt letztlich zu sichereren und effizienteren Luftfahrtoperationen bei.
Abstract
(Englisch)
The nowcasting of wind profiles is a crucial aspect of aviation meteorology, particularly for ensuring safe and efficient landings. This thesis focuses on the development and evaluation of a machine learning-based model to predict wind profiles along the approach corridors of Vienna International Airport (VIE). The research leverages Mode S aircraft-derived wind data, which provides high-resolution atmospheric information. Deep learning architecture, like long short-term memory (LSTM) networks, was employed to analyze and forecast wind speed and direction at different altitudes. The study begins by addressing the challenges of data acquisition and preprocessing, emphasizing the importance of accurate wind profile extraction. The dataset, compiled from historical aircraft telemetry and meteorological sources, is carefully filtered and structured to ensure high model reliability. Key statistical metrics, such as mean absolute error (MAE) and root mean squared error (RMSE), are used to evaluate the model’s performance. Results show that the model performs well under stable meteorological conditions, with predictions closelymatching observedwind patterns. However, significant deviations occur during rapidly changingweather phenomena, such as frontal passages and turbulence events. Analysis of error metrics reveals that wind speed predictions exhibit lower discrepancies compared to wind direction forecasts, which are more susceptible to sudden shifts in atmospheric conditions. The findings highlight the potential of AI-driven nowcasting models to improve situational awareness in air traffic management. The integration of real-time aircraft data with advancedmachine learning techniques offers new possibilities for enhancing predictive capabilities in meteorological forecasting, ultimately contributing to safer and more efficient aviation operations.
Schlagwörter
Schlagwörter
(Deutsch)
Nowcasting von Wind mittels KI Flughafen Wien-Schwechat Mode S Daten
Schlagwörter
(Englisch)
Nowcasting of wind Vienna International Airport Mode S data
Autor*innen
Yousif Isam George Rasho
Haupttitel (Englisch)
Nowcasting of wind profiles along the approach corridors of Vienna International Airport based on machine learning
Publikationsjahr
2025
Umfangsangabe
52 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Manfred Dorninger
AC Nummer
AC17531498
Utheses ID
75890
Studienkennzahl
UA | 066 | 614 | |