Wirbelschleppen sind von Flugzeugen generierte Luftverwirbelungen, die für andere Flugzeuge gefährlich sein können. Mindestabstände zwischen landenden Flugzeugen sind für einen sicheren Flugbetrieb notwendig, schränken aber die Landebahnkapazität ein. Eine Echtzeitüberwachung von Wirbelschleppen im Endanflug trägt dazu bei, Mindestabstände zu reduzieren und die Landebahnkapazität zu erhöhen. Gegenwärtig fehlen Methoden, Wirbelschleppen automatisiert mit einer hohen Genauigkeit schnell zu erkennen und zu charakterisieren.
Ziel des Projekts ist es, Wirbelschleppen in LiDAR-Messungen durch Künstliche Intelligenz (KI) automatisch in nahezu Echtzeit zu erkennen und zu charakterisieren, eine zuverlässige Fehlerabschätzung zu ermöglichen und Simulationsdaten als Trainingsdatensatz zu verwenden. Eine zuverlässige Methode zur Auswertung von LiDAR-Messungen wäre ein großer Schritt in Richtung dynamischer Separationen, wodurch Flugzeuglandungen sicherer, effizienter und letztlich umwelt- und klimafreundlicher würden.
Zentrale Aktivität ist die Anwendung passender künstlicher neuronaler Netze (KNNs) auf LiDAR Scans. Die Charakterisierungen der KNNs sollen für Fluglotsen nachvollziehbar sein, was durch das Einbinden von Erklärbarkeitskomponenten, Zusammenhängen zwischen den Ergebnissen des KNNs und der Wirbelschleppenphysik, erreicht wird. Zudem soll das KNN die Wirkung von Wetter auf den Transport und den Zerfall von Wirbelschleppen berücksichtigen. Es wird ferner daran gearbeitet, wie Simulationsdaten im Zusammenspiel mit realen Daten verwendet werden können, um die KNNs zu verbessern. In gemeinsamen Workshops mit Flugsicherungsunternehmen werden Anforderungen der Anwender an die KNN-Algorithmen gesammelt.
Kontakt
Dr. Norman Wildmann
Abteilungsleiter
Institut für Physik der Atmosphäre
Angewandte Meteorologie
Münchener Straße 20, 82234 Oberpfaffenhofen-Wessling
