Применение сверточных нейронных сетей в задачах детектирования облачности и снежного покрова по данным прибора МСУ-ГС КА Электро-Л №2

Детектирование облачных образований и снежного покрова являются одними из приоритетных задач в спутниковой метеорологии, которые должны проводиться в оперативном режиме. От точности их работы непосредственно зависит качество дальнейшей выходной продукции. Для решения такого рода задач в области дистанционного зондирования Земли (ДЗЗ) существуют различные методы и алгоритмы, например, точечный (попиксельный) анализ данных. В настоящий момент в условиях широкого внедрения технологий машинного обучения и глубоких нейронных сетей, все большее распространение получает текстурный анализ данных (совокупности пикселей). В данной работе представлен алгоритм на основе сверточных нейронных сетей (CNN), показывающих лучшие результаты при работе с текстурами. Алгоритм разработан для детектирования облачных образований и снежного покрова по данным спутниковых изображений, полученных с многозонального сканирующего устройства гидрометеорологического обеспечения (МСУ-ГС) КА Электро-Л №2. Для обучения нейронной сети использовались текстуры, содержащие различные примеры подстилающей поверхности (снег, лед, вода и земля) и облачности. В рамках решения поставленной задачи было отобрано около 64 тыс. текстур. В ходе экспериментов по обучению и настройке нейронных сетей было установлено, что наилучший результат по точности классификации показали две архитектуры, работающие в ансамбле. Обе сети имеют схожее строение, но различаются в конкретных значениях параметров в слоях и в виде подаваемых на вход данных. Сам ансамбль построен по методу взвешенного мажоритарного голосования. Обученная модель проверялась метриками машинного обучения на тестовой выборке и показала точность классификации 98.21%. В дополнение проводилось оценка качества работы алгоритма путем сравнения полученных масок снега и облачности с масками, выделенными опытным специалистом-дешифровщиком по результатам визуального дешифрирования спутниковых изображений. По результатам сравнения точность построения масок алгоритмом в среднем составила 91%. Представленный классификатор лишен необходимости настройки каких-либо значений и работает в любое время года для дневного времени суток. На данный момент алгоритм внедрен в оперативную работу Дальневосточного центра "НИЦ "Планета" в составе комплекса по восстановлению параметров облачности.