Оперативность получения информации и относительно высокое пространственное разрешение позволяют рассматривать геостационарные спутники в качестве одного из основных инструментов глобального мониторинга состояния окружающей среды, климата и атмосферы. Многие решаемые с их помощью задачи подразумевают использование качественной маски облачности, к которой выдвигается ряд требований. Время расчета маски должно быть минимальным для возможности ее использования в оперативном режиме. Кроме того, маска должна рассчитываться как в дневное, так и в ночное время суток в различных климатических условиях.
Данная работа посвящена методике детектирования облачности по данным геостационарных космических аппаратов на примере КА Himawari-8. Методика использует спектральные и текстурные признаки, извлекаемые с помощью нейронной сети сверточного типа для обнаружения облачности на видимых и ИК изображениях. Предлагаемый в данной работе подход позволяет эффективно детектировать облачность в сложных случаях, например, в присутствии снега и льда, имеющих схожие спектральные характеристики, и может применяться как в дневное, так и в ночное время суток. Основу подхода составляет сверточная нейронная сеть, архитектура которой разработана специально для работы с данными геостационарных аппаратов в оперативном режиме.
Разработанная модель классификатора облачности была протестирована в различных условиях, включая зимний и летний периоды года в ночное и дневное время суток, а также в моменты смены дня и ночи. По результатам тестирования выявлено, что даже в сложных случаях разработанный классификатор допускает минимальное количество ошибок в сравнении с применяемыми в мировой оперативной практике алгоритмами детектирования облачности, основанными на пороговых методиках по данным приборов VIIRS, CALIOP и CPR. Дальнейшими направлениями для исследований являются усовершенствование алгоритма для возможности детектирования облачности слоистых форм в ночное время суток, а также рассмотрение временной зависимости на серии спутниковых изображений для повышения точности обнаружения облачности.