Untersuchen von Raketenstartdaten
Machine Learning-Modelle werden mit ausreichend Daten trainiert, um Fehler zu vermeiden. Ohne ausreichend Daten ist ein Machine Learning-Modell möglicherweise zu allgemein.
Wenn Sie ein Machine Learning-Modell beispielsweise nur mit Temperaturdaten trainiert haben, stellen Sie möglicherweise nicht fest, dass der Niederschlag ein wichtigerer Faktor ist und nicht immer mit den niedrigeren Temperaturen in Florida, USA korreliert. In diesem Fall gibt das Modell möglicherweise an, dass sich ein Tag, an dem eine gute Temperatur erwartet wird, für den Start einer Rakete eignet, aber aufgrund von zu viel Niederschlag ein sicherer Start nicht gewährleistet werden kann.
Sammeln von Daten
Der erste Schritt einer jeden Data Science- oder Machine-Learning-Lösung ist das Sammeln und Verstehen von Daten. Für diesen Lernpfad stehen Ihnen öffentlich verfügbare Daten von NOAA und Weather Underground für die Tage zur Verfügung, an denen NASA-Raketenstarts durchgeführt wurden, die auf der Wikipedia-Seite mit der Liste von NASA-Missionen aufgeführt werden. Diese Daten wurden dann in eine Excel-Datei kompiliert.
Wählen Sie diesen Link für die Excel-Datei aus, um die Datei herunterzuladen. Sie wird für die Übungen in diesem Modul verwendet.
Die Excel-Datei enthält Wetterdaten zu den Tagen der einzelnen bemannten und unbemannten Raketenstarts. Die Daten zu den zwei Tagen vor und nach den Raketenstarts wurden ebenfalls hinzugefügt, damit Sie möglicherweise interessante Muster ermitteln können. Im folgenden Screenshot wird die Excel-Datei gezeigt.
Fehlende Daten
Die Excel-Datei enthält umfangreiche Daten zu jedem Raketenstart. Wenn Sie jedoch beginnen, diese Daten zu untersuchen, stoßen Sie möglicherweise auf ein entscheidendes Problem. Nur eine Zeile zeigt einen Raketenstart, der durchgeführt werden sollte, jedoch aufgrund von Wetterbedingungen verschoben wurde:
Zeile 294 – SpaceX Dragon – 27. Mai 2020
Eine Liste aller Raketenstarts, die versucht, jedoch aufgrund der Wetterbedingungen verschoben wurden, ist nicht so einfach zu finden wie die Liste der erfolgreichen Raketenstarts. Die Termine, die in Betracht gezogen, aber vor einer Ankündigung des erwarteten Startdatums verschoben wurden, sind ebenfalls schwierig zu finden.
Fachexperten
Der 45. Space Wing der US-Air Force hat eine Aufgabe: „Exploit the weather to assure safe access to air and space“ (Das Wetter nutzen, um den sicheren Zugang zu Luft und Weltraum sicherzustellen). In Kombination mit der bei der NASA versammelten Kompetenz ist die Wahrscheinlichkeit gering, dass ein Datum ausgewählt wird, das Anlass zur Sorge beim Wetter gibt. Wetter- und Luftfahrtexperten berücksichtigen Klimaänderungen, Wettermuster und vorhandene Daten, damit möglichst wenige Änderungen an der Planung eines Raketenstarts vorgenommen werden müssen.
Sie können damit beginnen, dieses Problem eigenständig zu untersuchen, indem Sie sich den Raketenstartplan von NASA ansehen. Selbst ohne maschinelles Lernen können Sie sich die vorhergesagten Wettermuster in Cape Canaveral ansehen. Versuchen Sie zu identifizieren, warum spezifische Termine und Uhrzeiten anstelle von Terminen in der Woche davor oder danach ausgewählt wurden.
Suchen weiterer Daten
Das Ziel dieses Lernpfads ist es, Sie darin zu bestärken, Ihre eigenständige Journey in der Untersuchung von Wetterbedingungen in Relation zu Raketenstarts zu beginnen. Es wird empfohlen, weitere Daten zu suchen, um Ihr eigenes Machine Learning-Modell zu verbessern. Dies ist Teil der Data Science-Journey.
Wie können Sie Ihrer Meinung nach vorgehen, um Starts zu ermitteln, die aufgrund des Wetters verschoben wurden? Könnten Sie Nachrichtenartikel oder Archive durchsuchen?