Классификация перистой облачности по данным MODIS

Существуют специфические особенности влияния перистых облаков на условия образования фронтальных осадков через механизм засева нижней облачности ледяными кристаллами, а также на рост парникового эффекта. Поэтому автоматическая классификация перистой облачности по подтипам на основе данных дистанционного зондирования Земли из космоса является актуальной задачей. Согласно действующему метеорологическому стандарту, перистая облачность разделяется на когтевидные (Ci unc), хребтовидные и перепутанные (Ci vert & Ci int), хлопьевидные (Ci floc) и образовавшиеся из наковален кучево-дождевых облаков (Ci ing) подтипы.
Поиск характерных изображений для подтипов перистой облачности осуществляется на основе сопоставления архивных данных сети метеостанций со спутниковой съемкой спекторадиометра MODIS. В данном исследовании используются результаты измерений 1-го спектрального канала (0.62 – 0.67 мкм) с пространственным разрешением 250 м и при отсутствии снежного покрова.
Для описания изображений разновидностей перистой облачности по спутниковым снимкам привлекается информация об их текстуре. В докладе приведена методика определения набора ключевых текстурных признаков для классификации подтипов перистой облачности на основе сравнительного анализа гистограмм их выборочных значений ТП по четырем методам текстурного подхода описания изображений: Gray-Level Co-occurrences Matrix, Gray-Level Difference Vector, Sum and Difference Histograms и Spectral Features. В результате проведенных исследований для каждого подтипа перистой облачности сформирован набор информативных ТП, которые вместе с гистограммами их выборочных значений являются моделью изображений подтипов перистой облачности, используемый для их распознавания.
В докладе рассматривается архитектура нейронной сети на базе нечеткой логики, позволяющей относит классифицируемое изображение более чем к одному классу с различной степенью уверенности. Предложенная архитектура четырехслойной нейронной сети сконструирована из нескольких подсетей, каждая из которых сосредоточена на одном из подтипов перистой облачности (слои 1 и 2), нейронов-сумматоров (слой 3) и интерпретатора. Полученные наборы информативных текстурных признаков для различных подтипов перистой облачности используются для формирования входных векторов подсетей. Для обучения сети применяется генетический алгоритм обучения с несколькими способами инициализации функции принадлежности (нейроны слоя 2) текстурных признаков для подтипов перистой облачности. Обсуждаются результаты классификации изображений перистой облачности и их достоверность. Полученные результаты позволяют сделать вывод о большой неоднородности покрова перистой облачности на спутниковых снимках и переходе одних подтипов и разновидностей облаков в другие.
Работа выполнена при частичной финансовой поддержке РФФИ в рамках проекта № 14-07-31018 мол_а.