Katja Lohmüller. Sicherheit im Flugverkehr Zuverlässige Prognose und Diagnose von Vereisungsräumen Expertensystem für Vereisungswarnung ADWICE 2Katja

Nutzung von AMDAR-Daten zur Unterstützung der

Vereisungsdiagnose von ADWICE über Europa

Katja Lohmüller

Katja Lohmüller 27.11.2013 2

• Sicherheit im Flugverkehr

• Zuverlässige Prognose und Diagnose von Vereisungsräumen

• Expertensystem für Vereisungswarnung ADWICE

Motivation


URL: http://www.ral.ucar.edu/general/press/brochures/icing_3_11.pdf, 30. Mai 2012.

Motivation


• Entstehung von Flugzeugvereisung• Verwendete Modelle• AMDAR-Daten• Verwendete Datensätze

• Fallstudien• Fazit• Ausblick

Gliederung


• Unterkühltes Flüssigwasser in der Atmosphäre nötig

• besondere Gefahr hierbei unterkühlte Wassertröpfchen mit einem Durchmesser größer als m (SLD: supercooled large droplets)

• Zwei Szenarien zur Entstehung der SLDs:

• 1) typischer Prozess des gefrierenden Regens

• 2) Kollisions- und Koaleszenzwachstum bei Temperaturen unterhalb des Gefrierpuktes

Entstehung von Flugzeugvereisung


COSMO-EU

Darstellung des Modellgebiets von COSMO-EU (Schulz und Schättler, 2009)


ADWICE

Schematische Darstellung der ADWICE-Algorithmen DIA und PIA (Roloff, 2012)


• 4 Szenarien in jedem Algorithmus:

1. & 2. Freezing und Stratiform• Analyse der Vertikalprofile der Temperatur, der relativen Feuchte und des Drucks

3. Convective• parametrisierte Konvektion aus COSMO-EU

4. General• allgemeiner Zusammenhang zwischen Temperatur und Feuchte

ADWICE


ADWICE

Einflussradius der SYNOP-Bodenstationen mit einem maximalen Einflussradius von 70 km (Tafferner et al, 2001)


AMDAR-Daten

Airbus A319 mit Messinstrumenten (Drüe, 2013).

• AMDAR= Aircraft Meteorological Data Relay


• enthalten Feuchteinformation über Mischungsverhältnis

AMDAR-Daten aus dem Jahr 2007

Beispielhafter Datensatz der AMDAR-Daten aus 2007 mit enthaltener Feuchteinformation.


• künstliche Vereisungsinformation über Grenzwerte von Temperatur und relativer Feuchte aus ADWICE Szenario „General“ berechnet

• Umrechnung von Mischungsverhältnis zu relativer Feuchte nötig




Beispielhafter Datensatz der AMDAR-Daten des Zeitraums vom 01.01.2013 bis zum 31.03.2013

• Keine Vereisungsinformationen oder andere Informationen, die Generierung von Vereisungsdaten möglich machen, enthalten


• Wolkenzusammensetzung des Projekts CloudNET aus Lindenberg• stationäre Messung mit Lidar und Radar zur Bestimmung der Target

Classification über einen Algorithmus

• Target „Eis & unterkühlte Tropfen“ ist relevant

• Berechnung der Wolkenverlagerung in Hauptwindrichtung nach Osten ()

• Kombination der Positionsmeldung eines AMDAR-Fluges mit Target Classification




Beispielhafte Darstellung einer Target Classification in Kombination mit einem AMDAR-Flug aus 2013


• ROC-Kurve (Relative Operating Characteristics)

Statistische Auswertemethoden

Darstellung der Kontingenztabelle zur statistischen Auswertung

17

Statistische Auswertemethoden

ROC-Kurve

𝐻𝑖𝑡 𝑅𝑎𝑡𝑒=𝐻𝑖𝑡𝑠

𝐻𝑖𝑡𝑠+𝑀𝑖𝑠𝑠𝑒𝑠

Katja Lohmüller 27.11.2013


Interpolationsmethoden1.)

2.)

3.)

Verwendete Interpolationsmethoden (übernommen aus Roloff, 2012 und weiter bearbeitet).


Fallstudie 18.10.2007

Bodenwetterkarte 06 UTC (DWD, 2007)



Übersicht der Vereisungssituation (links) und Verifikation der ADWICE-Diagnose (rechts)


Kontingenztabelle zur statistischen Auswertung der Fallstudie des 18.10.2007.

• Diagnosegüte „sehr gut“







Übersicht der Vereisungssituation (links) und Verifikation der ADWICE-Diagnose (rechts)


Kontingenztabelle zur statistischen Auswertung der Fallstudie des 29.12.2007

• Diagnosegüte kein Attribut zugeordnet



Fallstudie „safety flight“




Übersicht der Vereisungssituation des DIPs



Verifikation des DIP mittels AMDAR-Daten entlang der Trajektorie im x-z-Schnitt eines „safety flights“ auf der Strecke von Berlin nach Minsk.


Kontingenztabelle zur statistischen Auswertung des „safety flights“

• Diagnosegüte „sehr gut“



• Diagnosegüte zwischen „sehr gut“ und „schlecht“, bzw. außerhalb des definierten Bereichs

• hohe Anzahl der False Alarms in den 10 durchgeführten Fallstudien

• Implementierung von AMDAR-Daten mit Vereisungsinformation in den Diagnosealgorithmus von ADWICE sinnvoll

Ergebnisse der Fallstudien


Potentielle Erweiterung des Diagnose Algorithmus um AMDAR-Daten

1. Betrachtung der horizontalen Ausdehnung der Wolke mit unterkühltem Flüssigwasser in ADWICE

Betrachtung des Umgangs mit Hits und Correct Rejections



Betrachtung des Umgangs mit Misses

Betrachtung des Umgangs mit False Alarms


2. Betrachtung der vertikalen Ausdehnung der Wolke mit unterkühltem Flüssigwasser in ADWICE


Betrachtung des Umgangs mit Hits und Correct Rejections



Betrachtung des Umgangs mit Misses

Betrachtung des Umgangs mit False Alarms


• Lufthansa plant im nächsten Jahr Einsatz von neuen Feuchtesensoren

• Vereisungssensoren in Planung für die nächsten Jahre

Ausblick

Documents

Katja Lohmüller. Sicherheit im Flugverkehr Zuverlässige Prognose und Diagnose von Vereisungsräumen Expertensystem für Vereisungswarnung ADWICE 2Katja