NeuTucker-Modell revolutioniert Turbulenzvorhersage

Die Luftturbulenz, ein chaotisches Phänomen, entsteht durch drastische Änderungen in Geschwindigkeit, Druck oder Richtung des Luftstroms. Besonders in der niedrigen Atmosphäre führen komplexe Faktoren zu schwer vorhersehbaren Turbulenzmustern. Unter den heutigen Beobachtungsbedingungen, bei denen häufig nur Windprofilradardaten zur Verfügung stehen, stoßen traditionelle Vorhersagemethoden an ihre Grenzen.

Um dieses Problem zu lösen, präsentiert die aktuelle Studie ein NeuTucker-Decomposition-Modell, das auf diskretisierten Daten basiert. Das Modell nutzt einen Tucker-Neuronalen Netzwerk-Ansatz, um die latenten Interaktionen innerhalb dreidimensionaler Windfelddaten zu erfassen. Durch die Diskretisierung kontinuierlicher Eingaben wird das Modell für die Verarbeitung von sparsamen, aber kontinuierlichen Windfelddaten optimiert.

Ein zentrales Merkmal des Ansatzes ist die Konstruktion eines vierdimensionalen Tucker-Interaktionstensors, der sämtliche räumlich‑zeitlichen Wechselwirkungen zwischen verschiedenen Höhenlagen und dreidimensionalen Windgeschwindigkeiten abbildet. In Tests mit realen Datensätzen zeigt das diskretisierte NeuTucker-Modell eine deutlich bessere Leistung bei der Schätzung fehlender Beobachtungen als gängige Regressionsmodelle.