Hybrid Model for Downscaling Wind Information for Unmanned Aerial Systems

While the number of operated Unmanned Aerial Systems increases, providing required information services for very-low-level airspaces remains challenging. Regulators, researchers, and commercial companies worldwide focus on solutions and specifications, of which high-resolution weather services are among the most critical for the safe and efficient conduct of flights and traffic management. Due to technical constraints, small unmanned aerial vehicles are susceptible to adverse atmospheric conditions in general and wind in particular. At the same time, existing weather services cannot provide dedicated and accurate wind information for the urban canopy layer and at a microscale level. Since traditional methods for increasing the resolution of wind fore- and nowcasts are related to extensive modeling efforts and computational costs, the presented thesis aims to discover an alternate approach that serves the needs of unmanned aerial system operators. Based on synthetic datasets created with a CFD simulation and additional information on the contiguous characteristics of the urban canopy layer as Local Climate Zones, a machine-learning model capable of downscaling a mesoscale wind scenario is trained for a small-size German cityscape (Neu-Isenburg). For this approach, Gradient Boosting Machines are selected as a training algorithm, and the training data, as well as the final model output, are validated with hyperlocal real-world measurements and empirical wind laws for the surface layer of the atmosphere. The resulting hybrid WIU models provide wind information in a resolution of 5x5x5 meters between 10- and 50 meters in height for four different wind direction scenarios at a synoptic wind speed of 5 m/s. The overall root mean square error is observed to be 0.41, and the absolute percentage error is about 18% for the most complex wind fields at 10 meters in height. The model output indicates that the method captures typical characteristics, such as the exponential and logarithmic wind profiles, and ingests up- and downstream effects surrounding areas create. More complex patterns, such as wind speeds increasing in urban canyons or boundary effects at buildings' edges, require an additional preprocessing of canopy information. The evaluation through real-world measurements indicates local deviations that underline the importance of an accurate CFD model. The novel approach presented in this thesis provides a viable solution to downscale wind information in an urban environment under the premise that the resulting models can be transferred to similar areas without extensive remodeling efforts.

Die gegenwärtig steigende Anzahl an unbemannten Luftfahrtsystemen unterstreicht die Herausforderung notwendige Informationsdienste für den unteren Luftraum zur Verfügung zu stellen. Regulierungsbehörden, Forscher und Unternehmen konzentrieren sich weltweit auf Lösungen und Spezifikationen, von denen hochauflösende Wetterdienste zu den wichtigsten für die sichere und effiziente Durchführung von Flügen und das Luftverkehrsmanagement gehören. Aufgrund der technischen Gegebenheiten ist der Betrieb von kleinen unbemannten Luftfahrzeugen besonders stark abhängig von den atmosphärischen Bedingungen im Allgemeinen und Windkonditionen im Speziellen. Zurzeit existieren jedoch keine kommerziellen Wetterdienste, die diese Informationen fuer urbane Gebiete und entsprechend kleinskalig bereitstellen können. Da herkömmliche Methoden zur Erhöhung der Auflösung von Windvorhersagen mit hohem Modellierungs- und Rechenaufwand verbunden sind, zielt die vorliegende Arbeit darauf ab, einen alternativen Ansatz zu erproben, der den Bedürfnissen der Betreiber unbemannter Luftfahrtsysteme gerecht wird. Dazu werden aus CFD-Modellen künstliche Winddaten extrahiert und mit Informationen über die städtische Bebauung durch maschinelles Lernen in einem Modell zusammengeführt, welches die regionalen Windbedingungen in einer typischen deutschen Kleinstadt (Neu-Isenburg) herunterrechnet. Sowohl die Trainingsdaten als auch die finalen Gradient Boosting Machines Modelle werden mittels punktueller Messungen und empirischen Gesetzen zu urbanen Windprofilen validiert. Das Ergebnis ist das WIU-System, welches Windinformationen mit einer Auflösung von 5x5x5 Metern in einer Höhe zwischen 10 und 50 Metern für vier verschiedene Windrichtungen bei einer Geschwindigkeit von 5 m/s bereitstellen kann. Das mittlere Abweichungsquadrat für die gesamten Modelle beträgt 0,41 und der absolute prozentuale Fehler für die komplexeste Schicht in Bodennähe 18 %. Die Ergebnisse zeigen, dass typische logarithmische und exponentielle Windprofile und die Auswirkungen von vor- und nachgelagerten Bebauungsarten vom Model abgebildet werden. Komplexere urbane Windphänomene, wie beispielsweise die Beschleunigung an lokalen Engstellen und Verwirbelungen an Gebäudekanten, können hingegen nur durch zusätzliche Informations-aufbereitung örtlicher Gegebenheiten im Model berücksichtigt werden. Der Vergleich mit Messungen aus der realen Umgebung zeigt lokale Abweichungen, die die Bedeutung eines genauen CFD-Modells unterstreichen. Der in dieser Arbeit vorgestellte neue Ansatz bietet eine praktikable Lösung für das Herunterrechen von Windinformationen in einer städtischen Umgebung unter der Voraussetzung, dass die resultierenden Modelle ohne zusätzliche CFD-Simulationen auf ähnliche Gebiete übertragen werden können.