Titelaufnahme

Titel
Automatic detection of clouds in All-Sky-Images / Jörg Hermann Müller, MSc, BSc
Verfasser/ VerfasserinMüller, Jörg Hermann
Begutachter / BegutachterinVeronig, Astrid
ErschienenGraz, March 2016
Umfangx, 74 Seiten : Illustrationen, Diagramme
HochschulschriftKarl-Franzens-Universität Graz, Masterarbeit, 2016
Anmerkung
Zusammenfassungen in englischer und deutscher Sprache
SpracheEnglisch
DokumenttypMasterarbeit
Schlagwörter (GND)Bewölkung / Kamera / Algorithmus
URNurn:nbn:at:at-ubg:1-98239 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Automatic detection of clouds in All-Sky-Images [15.06 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

All-Sky-Kameras können idealerweise unter allen möglichen Wetterbedingungen, tagsüber und nachts zur Wolkendetektion verwendet werden und die Ergebnisse können vielfältig angewendet werden. Sie können verwendet werden, um den Bedeckungsgrad, der ein wichtiger Parameter in der Klimaforschung und der Wettervorhersage ist, zu bestimmen. In der Nacht ist Wolkendetektion besonders für vollautomatisierte Observatorien vorteilhaft, denn die automatische Beobachtungsplanung muss wissen, wo Wolken sind, wohin und wie schnell sie ziehen.Diese Arbeit überprüft, ob all diese Anwendungen mit der am Observatorium Lustbühel installierten All-Sky-Camera, die seit Januar 2014 in Betrieb ist, möglich sind. Die größte Schwäche der Kamera ist der geringe Dynamikumfang und dass es nicht möglich ist die Belichtungszeit einzustellen. Aus diesem Grund führt direktes Sonnenlicht zu überbelichteten Bildern und in der Nacht sind nur Sterne bis zu 3.2 mag beobachtbar, was zusammen mit dem starken Rauschen Wolkendetektion in der Nacht undurchführbar macht.Folglich liegt das Hauptaugenmerk dieser Arbeit auf der Wolkendetektion bei Tag und eine Vielfalt verschiedener Wolkendetektionsalgorithmen wurde implementiert und ausgewertet. Algorithmen aus der aktuellen Literatur basieren meist auf spektralen Merkmalen, wie die Rot-Blau-Differenz, um zu bestimmen, ob der Himmel blau und somit klar ist. Die Auswertung zeigt, dass für die verwendete Kamera die einfacheren Algorithmen besser abschneiden. Ein neuartiger Algorithmus wurde entwickelt und hat eine um 20 % höhere Klassifikationsrate, als der zweitbeste Algorithmus, der auf dem normalisierten Rot-Blau-Verhältnis basiert. Bei zwei verschiedenen Datensätzen schneidet der neue Algorithmus mit einer Klassifikationsrate von 68 % beziehungsweise 60 % ab. Die Schwächen des Algorithmus liegen besonders in der Erkennung von transparenten und schichtförmigen Wolken.

Zusammenfassung (Englisch)

Ideally, all-sky cameras can be used to detect clouds during all possible weather conditions, day and night. The applications of cloud detection results are abundant. Meteorologically, the data can be used to determine the cloud cover as an important parameter of climate observations and weather forecasting. Based on the cloud detection image, further algorithms can be used to classify the observed clouds. During the night, cloud detection is especially intruiging for robotic observatories. Automatic scheduling requires knowing where clouds are, where to and how fast they are moving.This thesis focused on the question if all this can be achieved with the all-sky camera installed at the Lustbühel observatory in Graz that has been operating since January 2014. The major shortcoming of the camera is the low dynamic range and that it is not possible to configure the exposure time. As a consequence, direct sunlight results in overexposed images and during the night only stars up to 3.2 magnitude can be observed. The latter fact and the high noise makes cloud detection infeasible during the night.Therefore, the main focus of this thesis has been daytime cloud detection and a variety of cloud detection algorithms have been implemented and evaluated. Algorithms documented in the present literature are mostly based on spectral features such as the red-blue difference to determine whether the sky is blue and thus clear. The evaluation of the implemented algorithms shows that for the concerned camera, simpler algorithms perform better than more complicated ones. A new algorithm has been developed. It performs better than all other applied algorithms, with a 20 % higher classification rate compared to the second best algorithm, the normalized R/B ratio. On two datasets it performed with a detection rate of 68 % and 60 %, respectively. Nevertheless, this algorithm still has shortcomings, especially in the detection of transparent and stratiform clouds.