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.