Современные результаты дистанционного зондирования атмосферы Земли свидетельствуют о том, что характеристики глобального поля облачности варьируются в различных климатических поясах и природных зонах [1]. При этом фиксируется отличие характерных значений ряда параметров у большинства основных форм облаков, наблюдаемых над конкретными регионами планеты [2]. Еще одним фактором, который необходимо учитывать при изучении глобального поля облачности, его структуры и характеристик, является снежный покров вследствие близких значений их отражательных способностей. При этом текстура оптически тонких разновидностей облаков на спутниковых снимках видимого диапазона спектра существенно размывается на фоне подстилающей поверхности, покрытой снегом. Современные работы в данной области оперируют нормализованным дифференциальным индексом снега (NDSI) при идентификации «облачных» и «снежных» пикселей на изображениях из космоса. Однако его использование не дает ощутимого эффекта при детализации структуры поля облачности. Поэтому задача классификации облаков по спутниковым данным в периоды залегания снежного покрова в известной литературе практически не освещена.
В докладе рассматриваются природные зоны РФ, характеризующиеся не только наибольшей продолжительностью залегания снежного покрова в течение года (тайга и тундра), но и особенностями текстуры подстилающей поверхности на изображениях из космоса видимого диапазона спектра (болота и степи). Повторяемость различных разновидностей облаков в зимний период определялась по данным 27 наземных метеостанций, охватывающих Европейскую и Азиатскую части Российской Федерации. Полученные результаты свидетельствуют о наиболее частом наблюдении слоистообразных форм облачности над заснеженной подстилающей поверхностью: слоистых (St), слоисто-дождевых (Ns), высокослоистых (As) и перисто-слоистых (Cs) облаков.
Для классификации изображений облачности в периоды залегания снежного покрова и при его отсутствии по спутниковым данным MODIS используется алгоритм, основанный на технологии искусственных нейронных сетей, методах нечеткой логики и статистических моделях текстуры и физических параметров. Модель нечеткого вывод представляется в виде упорядоченного в сетевую структуру набора модулей, состоящих из нейронов с единичными синоптическими коэффициентами. При этом подобранные в рамках статистических моделей функции плотностей вероятностей используются в качестве функций фаззификации в нейросетевом классификаторе.
В докладе приводятся результаты исследования флуктуаций текстурных признаков и физических параметров облачности над территорией Российской Федерации в различных климатических зонах в период залегания снежного покрова и полученные на их основе статистические модели. Для построения моделей использовались спутниковые снимки MODIS и его тематические продукты, содержащие информацию о характеристиках облачности, с пространственным разрешением 250 и 1000 м соответственно, полученные в период с 2010 по 2017 год над территорией Российской Федерации. Описание облачности осуществляется с помощью характеристик текстуры ее изображений в видимом диапазоне спектра (0,62 – 0,67 мкм) Gray-Level Co-occurrence Matrix (GLCM), Gray-Level Difference Vector (GLDV), Sum And Difference Histogram (SADH) и One-Dimensional Signal Histogram (ODSH) с привлечением ее 12 физических параметров (оптическая толщина, эффективный радиус частиц, водозапас и другие), извлекаемых из тематических продуктов спутниковой съемки MOD06_l2 и MYD06_l2 [3, 4].
Обсуждаются результаты анализ региональных моделей, которые подтверждают зависимость текстурных признаков и физических характеристик облаков от климатических особенностей рассматриваемых регионов. Сопоставление усредненных моделей для «зимних» условий и бесснежных территорий [3, 4] подтверждает предположение о существенном влиянии наличия снега на изменение текстуры изображений из космоса оптически тонких Cs и разорванных Ac und облаков. При этом вариации физических характеристик облачности в периоды залегания снежного покрова и при его отсутствии выражены в меньшей степени.
Для классификации изображений облачности используются два подобных гибридных классификатора. Первый реализует «зимнюю» классификацию облаков, распознавая 12 ее разновидностей, а второй – «летнюю» – распознавая 16 типов облачности. Выбор конкретного классификатора для исследуемого фрагмента изображения осуществляется путем анализа облачной маски, значений оптической толщины, температуры подстилающей поверхности и индекса NDSI. Участки спутникового снимка, содержащие оптически плотные или просвечивающие облака над территориями свободными от снега, обрабатываются «летним» классификатором, а оптически тонкая облачность над заснеженной подстилающей поверхностью – «зимним». В докладе приводятся результаты классификации изображений облачности. По результатам обработки тестовых выборок различных типов облачности показано, что средняя эффективность классификатора составляет 79 %. Полученные результаты показывают эффективность предложенного подхода к классификации изображений облачного поля с использованием региональных статистических моделей текстуры изображений различных типов облачности и ее физических параметров.