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 текстСписок литературы:
- 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.
- 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.
- 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.
- Вятченин Д.А. Нечеткие методы автоматической классификации. Мн.: УП «Технопринт», 2004. 219 с.
- 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.
- 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.
- Загоруйко Н.Г. Прикладные методы анализа данных и знаний. Новосибирск: ИМ СО РАН, 1999. 270 c.
- 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.
- Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. М.: Физматлит, 2001. 224 с.
- Облака и облачная атмосфера. Справочник / Под ред. Мазина И.П., Хргиана А.Х. Л.: Гидрометеоиздат, 1989. 647 с.
- Осовский С. Нейронные сети для обработки информации / Пер. с польск. Рудинского И.Д. M.: Финансы и статистика, 2002. 344 с.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.