Современные проблемы дистанционного зондирования Земли из космоса. 2014. Т. 11. № 4. С. 265-275
Классификация перистой облачности по данным MODIS с помощью нечеткой нейронной сети
В.Г. Астафуров
1,2 , С.В. Аксёнов
3 , Т.В. Евсюткин
1 1 Институт оптики атмосферы им. В.Е. Зуева СО РАН, Томск, Россия
2 Томский государственный университет систем управления и радиоэлектроники, Томск, Россия
3 Национальный исследовательский Томский политехнический университет, Томск, Россия
Рассматривается классификация перистой облачности по подтипам по данным MODIS с пространственным разрешением 250 м. Для анализа изображений облачности на спутниковых снимках используется информация об их текстуре, полученная с помощью четырех методов: Gray-Level Co-occurrences Matrix, Gray-Level Difference Vector, Sum and Difference Histograms и Spectral Features. Приводится методика определения набора информативных текстурных признаков для классификации подтипов перистой облачности на основе сравнительного анализа гистограмм их выборочных значений. В результате проведенных исследований для каждого подтипа перистой облачности сформирован набор ключевых признаков, которые вместе с гистограммами являются моделью изображений подтипов перистой облачности, используемой для их распознавания. Рассматривается архитектура нейронной сети на базе нечеткой логики, позволяющая относить классифицируемое изображение более чем к одному классу с различной степенью уверенности. Сеть сконструирована из нескольких подсетей, каждая из которых сосредоточена на одном из подтипов перистой облачности. Для обучения сети используется генетический алгоритм с различными способами инициализации функции принадлежности. Полученные результаты позволяют сделать вывод о большой неоднородности покрова перистой облачности на спутниковых снимках и переходе одних подтипов облаков в другие. Обсуждается достоверность результатов классификации.
Ключевые слова: перистая облачность, текстурные признаки, нейронная сеть, нечеткая логика, классификация
Полный текстСписок литературы:
- Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2005. 1072 с.
- Государственный комитет СССР по гидрометеорологии и контролю природной среды. Код для оперативной передачи данных приземных гидрометеорологических наблюдений с сети станций Госкомгидромета СССР, расположенных на суше (включая береговые станции) КН-01, национальный вариант международного кода FM-12-IX SYNOP. Ленинград: Гидрометеоиздат, 1989. 64 с.
- Зуев В.Е., Титов Г.А. Оптика атмосферы и климат. Томск: Спектр, 1996. 272 с.
- Кобзарь А.И. Прикладная математическая статистика: для инженеров и научных работников. М.: Физматлит, 2006. 816 с.
- Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. М.: Физматлит, 2000. 224 с.
- Леоненков А.В. Нечеткое моделирование в среде MATLAB и fuzzyTECH. СПб: БХВ Петербург, 2005. 736 с.
- Осовский С. Нейронные сети для обработки информации: Пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2002. 344 с.
- Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. Пер. с польск. И.Д. Рудинского. М.: Горячая линия − Телеком, 2006. 452 с.
- Baum B.A., Tovinkere V., Titlow J., Welch R.M. Automated cloud classification of global AVHRR data using a fuzzy logic approach // J. Appl. Meteor. 1997. Vol. 36. P. 1519-1540.
- Haralick R.M., Shanmugam K, Dinstein I. Textural features for image classification // IEEE Transactions on Systems, Man and Cybernetics. November 1973. Vol. SMC – 3. No. 6. P. 610-621.
- Unser M. Sum and difference histograms for texture classification // IEEE Transaction on Systems, Pattern Analysis and Machine Intelligence. January 1986. Vol. PAMI – 8. No. 1. P. 118-125.
- Weszka J.S., Dyer C.R., Rosenfeld A. A Comparative Study of Texture Measures for Terrain Classification // IEEE Transaction on Systems, Man and Cybernetics, April 1976. Vol. SMC-6. No. 4. P. 269-285.