ISSN 2070-7401 (Print), ISSN 2411-0280 (Online)
Современные проблемы дистанционного зондирования Земли из космоса
физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений
и объектов

  

Современные проблемы дистанционного зондирования Земли из космоса. 2015. Т. 12. № 6. С. 162-173

Классификация многоярусной облачности по данным MODIS с использованием технологии нейронных сетей и методов нечеткой логики

В.Г. Астафуров 1, 2 , А.В. Скороходов 1 
1 Институт оптики атмосферы им. В.Е. Зуева СО РАН, Томск, Россия
2 Томский государственный университет систем управления и радиоэлектроники, Томск, Россия
В работе предложен метод автоматической послойной классификации многоярусной облачности на основе информации о текстуре спутниковых снимков MODIS с пространственным разрешением 250 м с применением технологии искусственных нейронных сетей и методов нечеткой логики. Приведена классификация облачности, основанная на действующем метеорологическом стандарте и Атласе облаков. Рассматривается четыре метода статистического подхода к описанию текстуры изображений: Gray-Level Co-occurrence Matrix, Gray-Level Difference Vector, Sum and Difference Histogram и One-Dimensional Signal Histogram. Излагается методика подбора параметров гибридного классификатора, основанная на определении информативности текстурных признаков методом Add. Представлены результаты формирования системы эффективных классификационных характеристик и достигнутые при их использовании показатели классификации однослойной облачности и облаков вертикального развития. Определены наиболее часто повторяющиеся сочетания облаков каждого из трех ярусов, наблюдаемых одновременно над территорией Томска в период с 2008 по 2012 г. (двухслойная и трехслойная облачность). Обсуждаются результаты классификации многоярусной облачности на основе тестовой выборки и перспективы дальнейшего развития работы. Приведены примеры классификации изображений на полноразмерных спутниковых снимках MODIS территории Томской области.
Ключевые слова: информативность, классификация, нейронная сеть, нечеткая логика, облачность, спутниковый снимок, текстурные признаки, ярус
Полный текст

Список литературы:

  1. Астафуров В.Г., Скороходов А.В. Сегментация спутниковых снимков облачности по текстурным признакам на основе нейросетевых технологий // Исследование Земли из космоса. 2011. № 6. С. 10−20.
  2. Астафуров В.Г., Скороходов А.В. Применение нейросетевых технологий для классификации облачности по текстуре снимков MODIS высокого разрешения // Исследование Земли из космоса. 2014. № 5. С. 39−49.
  3. Беспалов Д.П., Девяткин А.М., Довгалюк Ю.А., Кондратюк В.И., Кулешов Ю.В., Светлова Т.П., Суворов С.С., Тимофеев В.И. Атлас облаков. СПб.: Д’АРТ, 2011. 248 c.
  4. Вятченин Д.А. Нечеткие методы автоматической классификации. Мн.: УП «Технопринт», 2004. 219 с.
  5. Волкова Е.В. Оценки параметров облачного покрова, осадков и опасных явлений погоды по данным радиометра AVHRR c МИСЗ серии NOAA круглосуточно в автоматическом режиме // Современные проблемы дистанционного зондирования Земли из космоса. 2013. Т. 10. № 3. С. 66−74.
  6. Федеральная служба по гидрометеорологии и мониторингу окружающей среды (Росгидромет). Код для оперативной передачи данных приземных метеорологических наблюдений с сети станций Росгидромета. М.: «Триада. лтд», 2013. 79 с.
  7. Загоруйко Н.Г. Прикладные методы анализа данных и знаний. Новосибирск: ИМ СО РАН, 1999. 270 c.
  8. Колодникова Н.В. Обзор текстурных признаков для задач распознавания образов // Доклады Томского государственного университета систем управления и радиоэлектроники. 2004. Т. 9. № 1. С. 113–124.
  9. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. М.: Физматлит, 2001. 224 с.
  10. Облака и облачная атмосфера. Справочник / Под ред. Мазина И.П., Хргиана А.Х. Л.: Гидрометеоиздат, 1989. 647 с.
  11. Осовский С. Нейронные сети для обработки информации / Пер. с польск. Рудинского И.Д. M.: Финансы и статистика, 2002. 344 с.
  12. Bankert R.L., Rabindra P., Sengupta S.K. A probabilistic neural network approach to cloud classification // Miss: Tech. Note of the Naval Oceanographic and Atmospheric Research Laboratory 39529–5004, 1992. 35 P.
  13. Bankert R.L., Mitrescu C., Miller S.W., Wade R.H. Comparison of GOES cloud classification algorithms employing explicit and implicit physics // J. Appl. Meteor. Climatol. 2009. V. 48. P. 1411–1421.
  14. 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. V. 36. P. 1519–1540.
  15. Haralick R.M., Shanmugam K, Dinstein I. Textural features for image classification // IEEE Transactions on Systems, Man and Cybernetics. V. SMC–3. No. 6. P. 610-621.
  16. Weszka J.S., Dyer C.R., Rosenfeld A. A comparative study of texture measures for terrain classification // IEEE Transaction on Systems, Man and Cybernetics. V. SMC–6. No. 4. P. 269–285.
  17. Unser M. Sum and difference histograms for texture classification // IEEE Transaction on Systems, Pattern Analysis and Machine Intelligence. V. PAMI–8/ No. 1. P. 118–125.