Weather Dependent Capacity Analysis and Planning

Thunderstorms and turbulence, and in the airport area also fog, strong winds and winter weather are still the main reasons for flight delays in the Alpine region. In Austria, more than half of all delays en-route and even more than 90% in the terminal area are caused by these weather phenomena. On the one hand, this severely limits the airspace available for handling traffic, and the workload of air traffic controllers increases dramatically. Increasing traffic and increased thunderstorm activity due to climate change will exacerbate this problem.

These adverse weather conditions reduce the available capacities for the air traffic system, which can have consequences in terms of security as well as economic aspects. On the one hand, extreme events such as thunderstorms are already difficult to predict in terms of space and time, and evasive strategies in the tactical and operational areas also significantly reduce the ability to plan for all stakeholders, which in turn is reflected in increased costs.

The aim of this project is to create reliable capacity statements from traffic forecasts (traffic demand) and weather forecasts and thus further increase planning.

The following methodology is to be evaluated for this purpose:

- Metrics for complexity, workload and capacity are evaluated from historical traffic and weather data, and the individual traffic and weather radar images are annotated with them.

- Upscaling algorithms are used to combine traffic and weather temporally and geographically and put them into a uniform format for further use. Together with the annotated data, a model for calculating the metrics for complexity, workload and capacity is then developed using machine learning methods.

- This model can then be used to determine the optimal capacities for each sector (en-route and terminal) from traffic and weather forecasts. In the long term, this should also make it possible to consider interactions between the individual sectors.

The current investigation aims to evaluate the metrics on the one hand, and on the other hand to answer the question of whether these metrics can also be used sensibly for predictions using machine learning methods in order to be able to develop a decision support tool for capacity forecasts (created from traffic demand and weather forecasts) in a subsequent R&D project.

[Original text]
"Weather Dependent Capacity Analysis and Planning"
Gewitter und Turbulenz, im Flughafenbereich auch Nebel, Starkwind und Winterwetter sind im Alpenraum nach wie vor der Hauptgrund für Flugverspätungen. In Österreich werden En-Route mehr als die Hälfte, im Terminalbereich sogar über 90% aller Delays durch diese Wetterphänomene verursacht. Einerseits wird dadurch der für die Abwicklung des Verkehrs zur Verfügung stehende Luftraum stark eingeschränkt, zudem erhöht sich die Workload der Flugverkehrsleiter dramatisch. Zunehmender Verkehr und durch den Klimawandel bedingte erhöhte Gewittertätigkeit werden dieses Problem noch verschärfen. 

Für das Luftverkehrssystem reduzieren sich durch diese widrigen Wetterverhältnisse die verfügbaren Kapazitäten, was neben den ökonomischen Aspekten auch Auswirkungen im Sicherheitsbereich nach sich ziehen kann. Einerseits sind Extremereignisse wie Gewitter ohnehin schon räumlich und zeitlich schwierig vorherzusagen, durch Ausweichstrategien im taktischen und operativen Bereich wird damit auch die Planbarkeit für alle Stakeholder deutlich reduziert, was sich wiederum in erhöhten Kosten niederschlägt.  

Dieses Projekt hat zum Ziel, seriöse Kapazitätsaussagen aus Verkehrsprognosen (Traffic Demand) und Wettervorhersagen zu erstellen und damit die Planbarkeit weiter zu erhöhen. 

Dazu soll folgende Methodik evaluiert werden:

- Aus historischen Verkehrs- und Wetterdaten werden Metriken für Komplexität, Workload und Kapazität ausgewertet, damit werden die einzelnen Verkehrs- und Wetterradarbilder annotiert. 

- Mit Upscaling-Algorithmen werden Verkehr und Wetter zeitlich und geografisch  zusammengeführt und zur weiteren Verwendung in ein einheitliches Format gebracht, gemeinsam mit den annotierten Daten wird dann mit Machine Learning Methoden ein Modell  zur Rückrechnung der Metriken für Komplexität, Workload und Kapazität entwickelt. 

- Mit diesem Modell können in weiterer Folge aus Verkehrs- und Wettervorhersagen die optimalen Kapazitäten für jeden Sektor (En-Route und Terminal) bestimmt werden. Langfristig sollen damit auch Wechselwirkungen zwischen den einzelnen Sektoren betrachtet werden können.

In der gegenständlichen Sondierung sollen einerseits die Metriken evaluiert werden, auf der anderen Seite soll auch die Frage beantwortet werden, ob mit Machine Learning Methoden diese Metriken auch sinnvoll für Vorhersagen verwendet werden können, um in einem nachfolgenden F&E-Projekt ein Decision Support Tool für Kapazitätsvorhersagen (erstellt aus Traffic Demand und Wetterprogose) entwickeln zu können.