Архив
Том 21, 2024
Том 20, 2023
Том 19, 2022
Том 18, 2021
Том 17, 2020
Том 16, 2019 г.
Том 15, 2018 г.
Том 14, 2017 г.
Том 13, 2016 г.
Том 12, 2015 г.
Том 11, 2014 г.
Том 10, 2013 г.
Том 9, 2012 г.
Том 8, 2011 г.
Том 7, 2010 г.
Выпуск 6, 2009 г.
Выпуск 5, 2008 г.
Выпуск 4, 2007 г.
Выпуск 3, 2006 г.
Выпуск 2, 2005 г.
Выпуск 1, 2004 г.
Поиск
Найти:
Подписка/отписка
на рассылку новостей
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. 2017. Т. 14. № 5. С. 9-18

Классификация текстур основных типов облачности по данным MODIS с помощью нечетких систем

В.Г. Астафуров 1, 2 , Т.В. Евсюткин 1 , К.В. Курьянович 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
Одобрена к печати: 07.07.2017
DOI: 10.21046/2070-7401-2017-14-5-9-18
Предложен алгоритм классификации облачности по спутниковым снимкам MODIS с пространственным разрешением 250 м на основе технологии нейронных сетей и методов нечеткой логики, что дает возможность выделять участки изображений со схожей текстурой по отношению к нескольким типам облачности с близкой степенью принадлежности и соответствует реальной динамике облачных образований. Для описания текстуры изображений облачности используются методы на основе матриц смежности (GLCM), векторов разности (GLDV), гистограмм сумм и разностей (SADH) уровней яркости и статистических характеристик яркости отдельных пикселей изображения (ODSH). Наборы эталонных изображений различных типов облачности сформированы путем сопоставления архивных данных наземных метеостанций с результатами спутниковой съемки MODIS. Обсуждается методика получения системы эффективных текстурных признаков изображений облачности на основе сравнительного анализа мер отклонений между гистограммами их выборочных значений. Для описания флуктуаций текстурных признаков различных типов облачности построена статистическая модель, включающая в себя 17 двухпараметрических функций плотностей вероятностей с оценками их параметров. Предложен метод инициализации функций принадлежности нейронной сети с использованием статистической модели текстуры. По результатам численных экспериментов найдена оценка вероятности правильной классификации изображений десяти разновидностей основных типов облачности, равная 0,81.
Ключевые слова: типы облачности, MODIS, классификация изображений, текстурные признаки, статистическая модель текстуры, функции принадлежности, нечеткая система
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., Евсюткин Т.В., Курьянович К.В., Скороходов А.В. Статистическая модель текстуры изображений различных типов облачности по данным MODIS // Современные проблемы дистанционного зондирования Земли из космоса. 2013. Т. 10. № 4. С. 188–197.
  3. 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.
  4. Астафуров В.Г., Аксенов С.В., Евсюткин Т.В. Классификация перистой облачности по данным MODIS с помощью нечеткой нейронной сети // Современные проблемы дистанционного зондирования Земли из космоса. 2014. Т. 11. № 4. С. 265–275.
  5. Астафуров В.Г., Курьянович К.В., Скороходов А.В. Методы автоматической классификации облачности по спутниковым снимкам MODIS // Исследование Земли из космоса. 2016. № 4. С. 35–45.
  6. 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.
  7. 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.
  8. Вятченин Д.А. Нечеткие методы автоматической классификации. Минск: УП «Технопринт», 2004. 219 с.
  9. Кобзарь А.И. Прикладная математическая статистика: для инженеров и научных работников. М.: Физматлит, 2006. 816 с.
  10. Код для оперативной передачи данных приземных метеорологических наблюдений с сети станций Росгидромета / Федеральная служба по гидрометеорологии и мониторингу окружающей среды (Росгидромет). М.: Триада. Лтд, 2013. 79 с.
  11. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. М.: Физматлит, 2000. 224 с.
  12. Облака и облачная атмосфера: Справочник / под ред. Мазина И.П., Хргиана А.Х. Л.: Гидрометеоиздат, 1989. 647 с.
  13. Bankert R.L., Mitrescu C., Miller S.W., Wade R.H. Comparison of GOES cloud classification algorithms employing explicit and implicit physics // J. Applied Meteorology and Climatology. 2009. Vol. 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. Applied Meteorology. 1997. Vol. 36. P. 1519–1540.
  15. Haralick R.M., Shanmugam K., Dinstein I. Textural features for image classification // IEEE Trans. Systems, Man and Cybernetics. Nov. 1973. Vol. SMC-3. No. 6. P. 610–621.
  16. EasyFit — Easily Fit Distributions to Your Data! Electronic data. URL: http://www.mathwave.com/help/easyfit/index.html (access data 28.11.2016).
  17. Smith S.F. A learning system based on genetic adaptive algorithms: Doctoral Dissertation. University of Pittsburgh, PA, 1980.
  18. Tag P.M., Bankert R.L., Brody L.R. An AVHRR multiple cloud-type classification package // J. Applied Meteorology. 2000. Vol. 39. P. 125–134.
  19. Weszka J.S., Dyer C.R., Rosenfeld A. A comparative study of texture measures for terrain classification // IEEE Trans. Systems, Man and Cybernetics. Apr. 1976. Vol. SMC-6. No. 4. P. 269–285.
  20. Unser M. Sum and difference histograms for texture classification // IEEE Trans. Systems, Pattern Analysis and Machine Intelligence. Jan. 1986. Vol. PAMI-8. No. 1. P. 118–125.