Классификация текстур изображений облачности на основе их статистических моделей по данным MODIS

Данные дистанционного зондирования Земли из космоса являются единственным источником информации о глобальном поле облачности. Согласно метеорологическому стандарту облака разделяются на 10 основных форм, каждая из которых имеет несколько подтипов. Международной сетью наземных и судовых метеостанций облачность классифицируется на 27 разновидностей на основе их морфологического описания, приведенного в Атласе облаков. При этом существует значительное число отечественных и зарубежных работ, отражающих подходы к решению задачи автоматической классификации облачности по данным систем космического базирования. В наиболее результативных из них облака разделяются только по 10 – 14 разновидностям с оценкой вероятности правильной классификации 0.8 – 0.9. Однако эффективность классификации различных типов облачности сильно варьируется, а увеличение числа выделяемых разновидностей облаков приводит к еще большей дифференциации результатов их классификации [1]. Причиной этому является сходство классификационных характеристик у различных типов облачности. Одним из способов решения данной проблемы является применение методов нечеткой логики, позволяющих разрешать неопределенности, связанные с размытостью природы искомой классификации [2].
В докладе предложен алгоритм классификации облачности по спутниковым снимкам MODIS с пространственным разрешением 250 м на основе использования методов нечеткой логики, технологии нейронных сетей и статистической модели текстуры изображений облачности, для описания которой используются следующие методы: Gray-Level Co-occurrences Matrix (GLCM), Gray-Level Difference Vector (GLDV), Sum and Difference Histograms (SADH) и One-Dimensional Signal Histogram (ODSH).
Представлена статистическая модель текстуры изображений облачности, включающая в себя функции плотности вероятностей и оценки их параметров, описывающих флуктуации значений текстурных признаков различных разновидностей облаков. Формирование системы эффективных текстурных признаков осуществляется сравнительным анализом гистограмм их выборочных значений на основе евклидова расстояния. Приведено описание алгоритма классификации облачности, использующего методы нечеткой логики и технологии нейронных сетей. Классическая методика предполагает использование функций Гаусса в качестве функций принадлежности (фаззификации), что не всегда соответствует реальной статистике флуктуаций классификационных характеристик. В докладе предложен способ инициализации таких функций путем использования подобранных плотностей распределения вероятностей текстуры изображений различных типов облаков и оценок их параметров. Обсуждаются результаты классификации облачности классическим и модифицированным алгоритмами, проблемы предложенного подхода и пути их решения.
Работа выполнена при финансовой поддержке РФФИ в рамках научного проекта № 16-37-60019 мол_а_дк.