Семнадцатая Всероссийская Открытая конференция «СОВРЕМЕННЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА (Физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений и объектов)»
XVII.A.132
Алгоритм классификации типов облачности на основе нейронной сети и метода опорных векторов
Андреев А.И. (1), Давиденко А. Н. (1), Пустатинцев И.Н. (1)
(1) Дальневосточный центр ФГБУ "НИЦ "Планета", Хабаровск, Россия
Аналитическая продукция в виде карт типов облачности необходима в первую очередь синоптикам-прогнозистам, в том числе авиационным, для оценки текущего состояния атмосферы, анализа его изменений во времени и оценки динамики атмосферных процессов. Карты облачного покрова, полученные по спутниковым данным, могут существенно дополнить (в силу большого пространственного покрытия) или заменить наблюдения, получаемые со станций и радиолокаторов. Для формирования карт типов облачного покрова в Дальневосточном центре НИЦ «Планета» разработан алгоритм классификации на основе технологий машинного обучения – сверточной нейронной сети (Convolutional Neural Network, CNN) и метода опорных векторов (Support Vector Machine, SVM). Разработанный алгоритм направлен на распознавание на спутниковых изображениях облачных систем фронтального и внутримассового характера с конвективными явлениями, выявление в облачных массивах потенциальной осадкообразующей облачности и разделение традиционно объединяемых в один класс облаков, дающих обложные и ливневые осадки. В отсутствии достаточного количества сети наземных метеорологических радиолокаторов такая информация является доступным и качественным аналогом. Предлагаемый подход использует преимущества как текстурного метода классификации, так и пиксельного, что позволяет акцентировать внимание на мелких деталях и наиболее значимых с точки зрения прогнозирования опасных явлений типах облачности. Для обучения классификаторов был сформирован обучающий набор в виде текстур и точек количеством более 12 тыс. В качестве классификационных признаков использовались микро- и макрофизические параметры облачности: высота, температура и давление на верхней границе облачности, содержание воды и льда в столбе, а также географическая широта. Верификация алгоритма проводилась по данным фактических наземных наблюдений, по результатам которой средняя точность составила 78 %, в том числе 82 % для кучево-дождевых и слоисто дождевых типов облачности.
Ключевые слова: Классификация, типы облачности, сверточная нейронная сеть, машинное обучение, МСУ-МР
Методы и алгоритмы обработки спутниковых данных
14