Нейросетевой классификатор перистой облачности по данным MODIS

Прогноз погоды, моделирование климата и обеспечение безопасности полетов воздушных судов требуют сведения о типах облачности согласно принятому в метеорологии стандарту. Особый интерес представляет перистая облачность, которая имеет иную микроструктуру по сравнению с облаками нижнего яруса. В связи с этим существует ряд особенностей при определении ее оптических характеристик. Разработанные климатические модели иллюстрируют значительное влияние перистой облачности на перенос потоков солнечной и земной радиации и распределение температуры в системе «атмосфера − подстилающая поверхность». Согласно метеорологическому стандарту можно выделить пять разновидностей перистых облаков: когтевидные, хребтовидные, перепутанные, образовавшиеся из наковален кучево-дождевых облаков и хлопьевидные. Также к облакам верхнего яруса относятся перисто-слоистые и перисто-кучевые. В настоящее время информацию о наличии перистой облачности можно получить по данным MODIS (продукты MOD06_L2 и MOD35_L2). При этом сведения о подтипах перистой облачности в этих продуктах отсутствуют.
Для выполнения процедуры классификации подтипов перистой облачности предложены и реализованы алгоритмы, основанные на вероятностной и нечеткой нейронных сетях, которые используют информацию о текстуре изображения облачности на спутниковых снимках спектрорадиометра MODIS в видимом диапазоне спектра (0,62 – 0,67 мкм) с пространственным разрешением 250 м. Текстура описывается с помощью метода Gray-Level Co-occurrences Matrix, в основе которого лежит формирование матриц пространственной смежности яркости пикселей. В ходе исследований были выделены наборы информативных текстурных признаков и построены их статистические модели для изображений рассматриваемых разновидностей перистой облачности.
В докладе приводятся структура нейросетевых классификаторов, результаты классификации и оценка их эффективности. Рассматривается влияние коэффициента сглаживания вероятностной сети и предварительной обработки исходных изображений путем выравнивания гистограммы яркости на результаты классификации. Для классификатора на основе нечеткой нейронной сети предложена система правил вывода для распознавания трех подтипов перистой облачности: когтевидные, хлопьевидные и хребтовидные+перепутанные.
Работа выполнена при частичной финансовой поддержке Минобрнауки РФ (соглашение № 8325).