Flugdatenanalyse mittels Data-Mining

This is a extract of a presentation about how to detect and cluster thermal hotspots using glider flights.

Transcript

1. Flugdatenanalyse mittels Data-Mining 38. Symposium für Segelflugzeugentwicklung Tobias Lohner
2. 3 Motivation
3. 12 Hotspots Auslösepunkte Auslösepunkt des Aufwindes unter Berücksichtigung von Bodengrenzschicht, Winddrehung, ...
4. 13 Modellbildung Kurbel- Modell GPS-Spur
5. 14 Kurbelmodell 1. Transformation WGS84 nach Kartesisch: 2. Modellansatz für Kreisflug:
6. 15 Kurbelmodell
7. 16 Aufwindmodell 4. Auslösepunkt auf Erdboden: 3. Modellansatz für Wind:
8. 17 Höhe in [m] Windgeschwindigkeit in [m/s] Aufwindmodell Windgeschwindigkeit
9. 18 Höhe in [m] Windrichtung in [°] Aufwindmodell Windrichtung
10. 19 Steigen in [m/s] Höhe in [m] Aufwindmodell Aufwindstärke
11. 20 Aufwindmodell Auslösepunkt
12. 23 Auslösepunkte
13. 24 Clustersuche OPTICS-Algorithmus Quelle: Wikipedia
14. 25 Hotspots Definition ➔ Markante Bodenmerkmale → Entfernung der Kernpunkte maximal 300/500/750m ➔ Überdurchschnittliche Wahrscheinlichkeit einen Aufwind anzutreffen ➔ Überdurchschnittliches Steigen → Steigen größer als Durchschnittssteigen „Da steht immer ein Bart“
15. 26 Clustersuche
16. 27 Clustersuche
17. 28 Aufwindcluster Hotspotkarten Ergebnis: automatisiertes Clustern von Aufwinden zu Hotspots möglich aber... ➔ Cluster-Algorithmus („OPTICS“) prinzipiell geeignet ➔ stellenweise (zu) geringe Datendichte ➔ Aufwindmodell u.U. problematisch
18. 29 Ausblick ➔ Verbesserung des Cluster-Algorithmus ➔ Verwendung von Windvorhersagen anstatt lokaler Windberechnung ➔ Online-Auswertung auf www.skylines.aero