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 Prüfund 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.