Rekonstruktion der Kinematik von Aerosolen aus den Empfangsspektren eines bistatischen Wind-Lidar-Systems

Das bistatische Wind-Lidar-System der PTB ist ein optisches Fernmessinstrument der nächsten Generation, welches die ?Rekonstruktion des Windgeschwindigkeitsvektors anhand von Aerosolpartikeln in mittleren Messhöhen zwischen 5m und ??250m mit bisher unerreichter räumlicher und zeitlicher Auflösung ermöglicht. Die Dissertation adressiert die ?Herausforderungen, die sich aus dem optischen Messprinzip selbst und aus den Einflüssen variabler atmosphärischer ?Bedingungen wie Turbulenz und Hydrometeoren (z. B. Regentropfen, Schneeflocken) ergeben. Aufgrund dieser Einflüsse ?unterliegen sowohl die Verfügbarkeit als auch die Messabweichung der Rekonstruktion mit dem bislang eingesetzten (alten) ?Verfahren signifikanten Schwankungen. Turbulenz resultiert in hohen Detektionsfehlerraten von bis zu 80%, wodurch die ?Datenrate drastisch sinkt. Hydrometeore verursachen signifikante Messabweichungen, wodurch Messungen bei Regen oder ?Schnee bislang nicht möglich waren. Zur Lösung dieser Probleme werden Methoden der digitalen Signal- und ?Bildverarbeitung sowie statistische Ansätze kombiniert, die durch Prüf- und Feldmessungen validiert werden. Zentral sind ?dabei die Charakterisierung des Messvorgangs mittels Monte-Carlo-Simulationen, die innovative Verwendung von ?Spektrogrammen in Kombination mit einer auf der Gauß-Filterung basierenden Turbulenz- und Hydrometeorfilterung zur ?Minimierung von Störeinflüssen, sowie die Anwendung eines Kalman-Filters zum Entrauschen und Extrapolieren der Daten. ?Die Effektivität der Turbulenz- und Hydrometeorfilterung wird anhand von Feldmessungen mit um mindestens 30% ?reduzierten Detektionsfehlerraten demonstiert. Die verzerrungsfreie Rekonstruktion für trockene Wetterbedingungen wird ?durch einen Vergleich mit dem alten Verfahren bestätigt und die Dynamik des Kalman-Filters wird für empirisch ermittelte ?Amplituden des Prozess- und Messrauschens durch Prüfmessungen charakterisiert. Ferner wird demonstriert, dass die ?Wetterbedingungen am Messort anhand spektraler Charakteristika mittels Machine Learning mit einer Trefferquote von 97% ?klassifiziert werden können, was die Perspektive einer adaptiven Filterung eröffnet. Das mehrstufige Verfahren erlaubt die ?Rekonstruktion der Kinematik des Aerosols als zeitlich hoch aufgelöste Vektorzeitreihe mit hoher Verfügbarkeit und ?Datenrate sowie mit geringer Messabweichung auch unter Wetterbedingungen wie Regen und Schnee, was für die ?Windindustrie und Meteorologie von großer Bedeutung ist.? PTB’s bistatic wind lidar system is a next-generation optical remote sensing instrument that enables the reconstruction of ?the wind velocity vector based on aerosol particles at mean measurement heights between 5m and 250m with ?unprecedented spatial and temporal resolution. The dissertation addresses the challenges arising from the optical ?measurement principle itself and from the influences of variable atmospheric conditions such as turbulence and ?hydrometeors (e.g., raindrops, snowflakes). Due to these influences, both the availability and the measurement deviation of ?the reconstruction with the previously used (old) method, are subject to significant fluctuations. Turbulence results in high ?detection error rates of up to 80%, which drastically reduces the data rate. Hydrometeors cause significant measurement ?deviations, rendering measurements in rain or snow impossible until now. To solve these problems, digital signal and image ?processing methods are combined with statistical approaches, which are validated by test and field measurements. Central ?to this are the characterization of the measurement process using Monte Carlo simulations, the innovative use of ?spectrograms in combination with turbulence and hydrometeor filtering based on Gaussian filtering to minimize ?interference, and the application of a Kalman filter to de-noise and extrapolate the data. The effectiveness of the turbulence ?and hydrometeor filtering is demonstrated by field measurements, with detection error rates reduced by at least 30%. The ?distortionfree reconstruction for dry weather conditions is confirmed by a comparison with the old method and the ?dynamics of the Kalman filter are characterized for empirically determined amplitudes of the process and measurement ?noise by test measurements. Furthermore, it is demonstrated that the weather conditions at the measurement location can ?be determined on the basis of spectral characteristics using machine learning with a hit rate of 97%, which opens up the ?prospect of adaptive filtering. The multi-stage method allows the reconstruction of the kinematics of the aerosol as a high-?resolution vector time series with high availability and data rate as well as low measurement deviation even under weather ?conditions such as rain and snow, which is of great importance for the wind industry and meteorology.?