2025, Bachelorarbeit, Luzie Glinz
 

Betreuung durch M.Sc. Arnaud Ngamakoua Hakoua

Diese Arbeit untersucht die Vorteile eines trainierten Modells der künstlichen Intelligenz für die Echtzeit-Wettererkennung auf Basis visueller Daten. Ausgangspunkt ist die wachsende Bedeutung lokal gesammelter Wetterinformationen, vor allem im Kontext von Smart Cities und Internet-of-Things-basierten Anwendungen. Klassische meteorologische Messsysteme liefern hierfür häufig nur begrenzt geeignete Daten, vor allem bei kurzfristigen und kleinräumigen Wetterveränderungen. Im Mittelpunkt der Arbeit steht die automatische Klassifikation von Wettersituationen anhand visueller Daten mithilfe moderner Deep-Learning-Verfahren. Nach einer Einführung in grundlegende Konzepte der Künstlichen Intelligenz, des maschinellen Lernens und neuronaler Netze werden Convolutional Neural Networks als geeignete Methode für die bildbasierte Wettererkennung vorgestellt. Ein wesentlicher Aspekt ist das Transferlernen, bei dem vortrainierte Modelle genutzt werden, um den Trainingsaufwand und den Bedarf an großen Datenmengen zu reduzieren. Aufbauend auf diesen theoretischen Grundlagen erfolgt eine Literaturrecherche, die zur Darstellung des aktuellen Stands der Forschung im Bereich der bildbasierten Wettererkennung sowie deren Integration in multimodale Systeme dient. Im praktischen Teil wird ein Convolutional Neural Network auf Basis einer Residual-Network-Architektur eingesetzt, auf einem Wetterbilddatensatz trainiert und auf zwei unterschiedlichen Datensätzen evaluiert. Dabei werden sowohl Merkmalsextraktion als auch Fine-Tuning angewendet. Die Ergebnisse zeigen, dass eine hohe Klassifikationsleistung dann erreicht wird, wenn Trainings- und Testdaten derselben Wetterdomäne entstammen. In diesem Fall wurde auf dem WDID-Datensatz eine Gesamtgenauigkeit von 90,83 % erzielt. Wird das Modell hingegen auf einen Datensatz angewendet, der nicht explizit für diese Domäne trainiert wurde, verschlechtert sich die Erkennungsgenauigkeit deutlich, was sich in einer reduzierten Genauigkeit von 74,83 % auf dem anspruchsvolleren DAWN-Datensatz zeigt. Dieses Verhalten steht im Einklang mit bestehenden Studien, die zeigen, dass die Leistungsfähigkeit trainierter Modelle stark von der Domänenähnlichkeit der verwendeten Datensätze abhängt. Darüber hinaus verdeutlichen aktuelle Forschungsarbeiten, dass die Kombination bildbasierter Verfahren mit klassischen Umweltsensoren bei domänenspezifisch trainierten Modellen ein hohes Potenzial für eine zuverlässige Echtzeit-Wettererkennung bietet.