Estimation of Spatio-Temporal Moving Fields at High Resolution

摘要

Rainfall, hurricanes, tsunamis, eruptions of volcanoes or earthquakes are examples of dynamic environmental phenomena that are monitored by either remote sensors like imaging satellites or weather radar, or in-situ sensors, such as rain gauges, seismic sensors or weather buoys. Often, the goal is the prediction of future states of the phenomena in order to issue early warnings to citizens. With the increasing sensing capabilities of modern sensors, the processing capabilities of modern computers and the advances in communication technology, the data can be collected at high spatial, temporal and data resolutions. In addition, it is often easily and automatically accessible, sometimes in real-time, giving rise to more automated applications that make use of it. However, often, the number of sensors is not sufficient, and the high-resolution data is not available at locations where it is needed. Then, estimation and interpolation methods are required or the installation of new sensors and sensor types, possibly with a different resolution and measurement quality. Further, additional knowledge of the phenomena is sometimes required and beneficial, such as information on atmospheric motion used for precipitation forecasting. These considerations lead to the three topics that are investigated in this thesis. The first part of the thesis is concerned with the quantitative estimation of precipitation from weather radar and rain gauges at 1-min temporal resolution at locations with no rain gauge. Different interpolation methods for estimating 1-min precipitation intensities are compared in cross-validation and a specific focus is on spatio-temporal methods that use information on the field motion, estimated from weather radar using optical flow, and on methods for spatio-temporal radar bias correction. The results show that both, motion-based and bias correction methods, deliver superior estimation performance when compared to solely spatial rain gauge interpolation methods or those based on uncorrected weather radar only. The number and distribution of rain gauges is often not sufficient for certain use cases, for example, the estimation of areal rainfall in hydrology. As introducing new rain gauges everywhere they are required is an expensive process, cars are investigated as a potential new data source for precipitation information. A set of test cars has been equipped with sensors and the sensor readings have been compared with the assumed 'ground truth' rainfall derived from weather radar and rain gauges by the method that has shown best estimation performance previously. As expected, the results show a clear dependency between car speed and the sensor readings. In addition, a positive dependency between the speed-corrected sensor readings and the assumed 'ground truth' could be proven. The third part deals with the topic of the estimation of motion of dynamic fields from in-situ sensor data, such as rain gauges or cars, for example, for use cases where no images of the phenomenon are available. The proposed algorithm is based on a well-known, image-based optical flow algorithm, which is adapted to the specifics of the envisioned use cases, mainly to the irregularity of data and potential distributed processing capabilities of the sensors.%Quantitative precipitation estimation; car sensors; motion field estimation ;Starkregen, Fluten, Wirbelstürme, Tsunamis oder Vulkanausbrüche sind Beispiele dynamischer Umweltereignisse die durch Fernerkundungssensoren wie Satelliten oder Wetterradar oder in-situ Sensoren wie Regenmessstationen, Seismographen oder Wetterbojen überwacht werden. Die erhobenen Daten speisen Informationssysteme, mit dem Ziel, Nutzern Informationen oder sogar Vorhersagen der Phänomene zu liefern und zeitnah Warnungen, z.B. Unwetterwarnungen, zu publizieren. Mit den zunehmend genaueren Sensoren, den Entwicklungen moderner, immer leistungsfähigerer Computer und den Vorteilen moderner Kommunikationstechnologien werden die Daten immer hochaufgelöster in Raum und Zeit und immer einfacher zugreifbar. Doch nicht immer sind diese Daten auch dort verfügbar wo sie benötigt werden, sodass entweder räumliche oder raum-zeitliche Interpolation vorhandener Daten notwendig wird oder die Installation weiterer, ggf. neuartiger Sensoren. Zudem werden häufig weiterführende Informationen zum Phänomen benötigt, die die Vorhersage erleichtern oder erst ermöglichen, beispielsweise Informationen zur Bewegung der Atmosphäre zur Kurzfristvorhersage von Regenereignissen. Diese Betrachtungen führen zu den drei Themenbereichen der vorliegenden Arbeit. Der erste Teil befasst sich mit der quantitativen Regenschätzung aus Wetterradardaten und Messungen stationärer Regenstationen, an Orten ohne Regenstation in hoher zeitlicher Auflösung. Verschiedene Interpolationsmethoden zur Regenschätzung werden eingeführt und mittels Kreuzvalidierung verglichen. Im Fokus stehen dabei Methoden, die Informationen zur Bewegung des Regenfeldes, hergeleitet mit Methoden der 'Computer Vision' aus Wetterradarbildern, in den Schätzprozess integrieren. Zudem wird eine neuartige Methodik zur Korrektur der raum-zeitlichen Abweichung zwischen Wetterradar- und Stationsmessungen eingeführt. Der Vergleich der Methoden zeigt, dass die Integration von Bewegungsinformationen sowie die Abweichungskorrektur vorteilhaft für die Schätzung der 1-minütlichen Regenintensität an Orten ohne Regenstation ist. Die aktuelle Verteilung der Regenmessstationen reicht für bestimmte hydrologische Anwendungen nicht aus, beispielsweise die Schätzung des räumlichen Regens. Da die Aufstellung neuer Messstationen ggf. teuer und nicht immer möglich ist, soll in diesem Teil der Arbeit die Nutzung von Autos als potentielle Regenmessstationen untersucht werden. Dazu wurden Testfahrzeuge mit Sensoren ausgestattet und die so erhobenen Daten wurden mit den Regenschätzungen derjenigen Methoden als Referenz verglichen, die zuvor die besten Schätzergebnisse zeigten. Die Ergebnisse zeigen einen deutlichen Zusammenhang zwischen Autogeschwindigkeit und Automessungen. Zudem konnte gezeigt werden, dass ein Zusammenhang zwischen geschwindigkeitskorrigierten Sensorwerten und den Referenzen besteht. Der dritte Teil der vorliegenden Arbeit beschäftigt sich mit der Schätzung der Bewegung raumzeitlicher Felder, wenn keine Bilder des Phänomens, also beispielsweise aus Wetterradardaten generierte Bilder, vorliegen, und daher die Methoden der 'Computer Vision' nicht ohne Weiteres angewendet werden können. Es wird ein Algorithmus zur Bewegungsschätzung aus Messungen von in-situ Sensoren vorgestellt, der einen aus der 'Computer Vision' bekannten Algorithmus des 'optischen Flusses' den Anforderungen irregulär verteilter, dezentral agierender Sensoren anpasst.