Zur Seitenansicht
 

Titelaufnahme

Titel
Modeling of Thermal Lifts: Techniques for Mining Thermal Eddies from Aerial Movement Data
VerfasserKapser, Johannes
GutachterBlaschke, Thomas
Erschienen2017
HochschulschriftSalzburg, Univ., Diss., 2017
Anmerkung
Arbeit an der Bibliothek noch nicht eingelangt - Daten nicht geprüft
Datum der AbgabeJuni 2017
SpracheEnglisch
DokumenttypDissertation
Schlagwörter (EN)movement parameters / trajectory segmentation / movement pattern classification / thermal lift modeling / determinsitic & probabilistic geo-modeling
URNurn:nbn:at:at-ubs:1-582 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Modeling of Thermal Lifts: Techniques for Mining Thermal Eddies from Aerial Movement Data [83.46 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Diese Arbeit beschäftigt sich mit dem theoretischen Bereich der Bewegungsanalyse auf der Basis von Flugbewegaufzeichnungen und der Methoden zur deterministischen und probabilistischen Modellierung von thermischen Aufwinden. Das Extrahieren von Flugmustern aus mobilen Sensordaten vor Ort, die den thermischen Segelflug beschreiben, erfordert robuste Methoden die eine spärliche Datenverfügbarkeit bei unregelmäßigen Abtastraten in funkbasierten Sensornetzwerken tolerieren. Die Definition eines hierarchisch strukturierten Flugmusteraufbaus und dessen Modellierung ermöglicht eine Bottom-up-Trajektoriensegmentierung für die Klassifizierung von Kreisflugprozeduren als Basis für die Modellierung von thermischen Aufwinden. Hierfür werden Bewegungsparameter eingeführt, welche den Bewegungsprozess der räumlich-zeitlichen Kreisflugdynamik beschreiben. Die Simulation dieser Bewegungsparameter unter dem Einfluss von Umwelt und Mensch-Faktoren, liefern einen Beitrag für eine neue Trajektorien-Segmentierungsmethode, welche adaptive regelbasierte Logik und maschinelles Lernen in der Klassifizierung berücksichtigt. Darauf aufbauend werden zusammengesetzte Flugmuster klassifiziert, welche die finalen Kreisflugprozeduren bilden. Die kinetische Dynamik des vertikalen Luftmassenflusses in Kreisflugprozeduren wird unter der Anwendung von Fuzzy-Klassifizierungsregeln ermittelt und kann dadurch thermischer Aktivität zugeordnet werden. Unter Zuhilfenahme einer Windfeldmodellierung schließen wir mit einem datenbasierten deterministischen Modellierungsansatz der Thermik die Lücke zwischen der Erdoberfläche und dem Ausgangspunkt der thermischen Sensordatenerfassung. In der probabilistischen Aufwindmodellierung verwenden wir Multiple-Point Statistik um im Kollektiv erfasste Daten thermischer Aufwinde im räumlich-zeitlichen Intensitätsvolumen integrativ zu Modellieren.

Der aus atomaren Bewegungselementen zusammengesetzte Flugmusterdetektionsansatz bietet einen generischen Ansatz für die Analyse von Flugobjektbewegungen. Dieser ermöglicht die robuste Erkennung und Kategorisierung von inhomogenen Kreisflugbewegungen wie sie in der sehr frühen Phase der thermischen Aufwindzentrierung auftreten. Die erweiterte Modellierung der thermischen Aufwinde zwischen der Erdoberfläche und dem thermischen Einstiegspunkt eröffnet ein neues Kapitel in der Einbeziehung von geographischen Kontextdaten in die thermische Analyse. Dies ermöglicht künftige Forschungsinitiativen an der Schnittstelle zwischen thermischer Aufwind Analyse und der topologischen Beziehungen zu geographischen Objekten. Die statistische Multiple-Point Simulation ermöglicht die integrative Modellierung von kollektiv erfassten thermischen Aufwinden und öffnet die Tür zur Weiterentwicklung der räumlich-zeitlichen Modellierung von Thermik.

Zusammenfassung (Englisch)

This work contributes to the theoretical domain of Movement Analysis on the basis of aerial trajectory data and to the methods of deterministic and probabilistic modeling of thermal lifts. The mining of thermal gliding related flight patterns from mobile in-situ sensor data demand robust methods, due to the sparse data availability and irregular sampling rates of radio sensor network observations. The definition of a hierarchically structured flight pattern mining and modeling framework enables a bottom-up trajectory segmentation and classification approach of circling flight procedures for the modeling of thermal eddies. The introduction of movement parameters capturing the spatio-temporal circling flight dynamics and their fundamental analysis under the influence of environmental and human factors delivers input to a novel adaptive rule- and machine learning based trajectory segmentation method. Building on these, compound flight patterns classify the kinetic dynamics of circling flight procedures on the basis of fuzzy classification rules in the vertical air mass flow direction within thermal lifts. With the support of wind modeling we close the gap between the ground surface and the starting point of thermal sensing through data-based deterministic thermal eddy modeling. Moving over to the second method, through probabilistic modeling we apply multiple point statistics to model the spatio-temporal thermal lift intensity volume distribution of collectively sensed thermals.

The atomically assembled bottom up flight pattern mining approach provides a generic movement framework for the analysis of flight object movements. It enables a robust detection and categorization of inhomogeneous circling flight patterns in the very early phase of thermal lift centering. The extension of thermal lifts to ground opens a new chapter in the seamless inclusion of geographical context data in thermal analysis. This invites future research initiatives on the interface between thermal lift analysis and the topology of geographical features. The integrative modeling of collectively sensed thermal eddies is enabled by a statistical multiple point simulation. This opens the door to further development in the field of spatio-temporal modeling of thermal lifts.