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. 2011. Т. 8. №1. С. 65-72

Классификация облаков по спутниковым снимкам на основе технологии нейронных сетей

В.Г. Астафуров 1, А.В. Скороходов 2
1 Институт оптики атмосферы им. В.Е. Зуева СО РАН Томский государственный университет систем управления и радиоэлектроники, 634021, Томск, площадь Академика Зуева, 1 634050, Томск, проспект Ленина, 40
2 Институт оптики атмосферы им. В.Е. Зуева СО РАН, 634021, Томск, площадь Академика Зуева, 1
Для сегментации облачных полей на спутниковых снимках и классификации облаков по типам предлагается использовать алгоритмы на основе нейронных сетей. Для описания облаков используется информация об их характерной текстуре изображения. Обсуждается проблема выбора архитектуры нейронной сети и ее влияние на качество обработки изображения. Представлены результаты классификации облаков на спутниковых снимках, полученных по данным спектрорадиометра MODIS. Полученные результаты иллюстрируют эффективность предложенного подхода.
Ключевые слова: типы облаков, текстурные признаки, классификация, сегментация, нейронная сеть
Полный текст

Список литературы:

  1. Облака и облачная атмосфера. Справочник // Под ред. Мазина И.П., Хргиана А.Х. Л.: Гидроме- теоиздат, 1989. 647 с.
  2. Тишкин Р.В. Нейросетевые алгоритмы идентификации облачности по спутниковым изображе- ниям // Научно-техническая конференция ФГУП «РНИИ КП». Тезисы докладов, 2007. С. 323.
  3. Bankert R.L., Mitrescu C., Miller S.D., Wade R.H. Comparison of GOES cloud classification algorithms employing explicit and implicit physics // Journal of applied meteorology and climatology. 2009. V. 48 P. 1411-1421.
  4. Прэтт У. Цифровая обработка изображений // Пер. с англ. М.: Мир, 1982. 480 с.
  5. Потапов А.А. Фракталы в радиофизике и радиолокации: Топология выборки // М.: Универси- тетская книга, 2005. 848 с.
  6. Харалик Р.М. Статистический и структурный подходы к описанию текстур // ТИИЭР, 1979. Т. 67. № 5. C. 98-120.
  7. Андреев Г.А. Анализ и синтез случайных пространственных текстур // Зарубежная радиоэлек- троника, 1984. №2. С. 3-33.
  8. Weszka J., Dyer C., Rosenfeld A. A comparative study of texture measures for terrain classification // IEEE Trans. Syst., Man, and Cybern. 1976. V. SMC-6 №4 P 269-285
  9. Астафуров В.Г., Скороходов А.В. Эффективные текстурные признаки различных типов облач- ности и подстилающей поверхности по данным спектрорадиометра MODIS // Контроль окружа- ющей среды и климата "КОСК-2010": Материалы симпозиума. Томск. 2010. C. 292-294.
  10. Ersahin K., Scheuchl B., Cumming I. Incorporating texture information into polarimetric radar classification using neural networks // Proceedings of IGARSS'04
  11. Осовский С. Нейронные сети для обработки информации // Пер. с польского Рудинского И.Д. M.: Финансы и статистика, 2002. 344 с.
  12. Хайкин С. Нейронные сети: Полный курс // Пер. с англ. Куссуль Н. Н., Шелестовой А.Ю. М.: Из- дательский дом Вильямс, 2008. 1103 с.
  13. Калан Р. Основные концепции нейронных сетей // Пер. с англ. М.: Издательский дом Вильямс, 2001. 287 с.
  14. Мицель А.А., Колодникова Н.В., Протасов К.Т. Непараметрический алгоритм текстурного ана- лиза // Известия Томского политехнического университета. 2005. Т. 308. №1. С. 65-70.
  15. Гонсалес Р., Вудс Р. Цифровая обработка изображений // М.: Техносфера, 2005. 1072 с.