Сравнительный анализ методов автоматической классификации облачности по данным MODIS

Согласно действующему метеорологическому стандарту, используемому международной сетью метеостанций, облака разделяются на 27 разновидностей, к которым относятся основные формы облачности, их подтипы и некоторые сочетания. Основой для такой классификации облаков является их морфологическое описание, приведенное в Атласе облаков. Поэтому определение типов облачности в районе метеостанций выполняется специалистами на основе визуальных наблюдений, что приводит к субъективности их решений. Оптимальным решением данной проблемы является централизованное использование методов автоматической классификации облаков на основе результатов дистанционного зондирования Земли из космоса. Однако в существующих работах в данной области облачность разделяется только по 8 – 14 разновидностям с вероятностью правильной классификации 0.8 – 0.9. В докладе представлены результаты исследования возможности полной автоматической классификации облачности по данным MODIS с пространственным разрешением 250 м с использованием информации о текстуре спутниковых снимков.
Для описания текстуры изображений различных разновидностей облаков использовались методы статистического подхода Gray-Level Co-occurrence Matrix, Gray-Level Difference Vector, Sum And Difference Vector и One-Dimensional Signal Histogram. При этом общее число рассчитываемых статистических характеристик текстуры, называемых текстурными признаками, равняется 132. Очевидно, что не все текстурные признаки одинаково эффективно позволяют описывать текстуру тех или иных объектов на изображении. Кроме этого, различие принципов принятия решений влияет на состав наборов информативных текстурных признаков у разных классификаторов.
В докладе представлено описание метода Add, позволяющего не только сформировать систему эффективных характеристик для любого классификатора, но и подобрать его параметры. При этом рассмотрены следующие алгоритмы классификации: вероятностная нейронная сеть, самоорганизующаяся сеть Кохонена, алгоритм N-ближайших соседей, метод нечетких C-средних и плотностный алгоритм кластеризации зашумленных данных. Обсуждаются результаты классификации облачности на основе тестовой выборки различными классификаторами, их параметры и сформированные методом Add системы эффективных текстурных признаков.
Работа выполнена при финансовой поддержке РФФИ в рамках научного проекта № 14-07-31018 мол_а.