Все
 
 
 


Применение статистических моделей текстуры изображений и физических параметров облаков для их классификации на спутниковых снимках MODIS
 
Код статьиS020596140002355-1-1
DOI10.31857/S020596140002355-1
Тип публикации Статья
Статус публикации Опубликовано
Авторы
Скороходов А. В. 
Аффилиация: Институт оптики атмосферы им. В.Е. Зуева Сибирского отделения РАН
Адрес: Российская Федерация
Астафуров В. Г.
Аффилиация: Институт оптики атмосферы им. В.Е. Зуева Сибирского отделения РАН
Адрес: Российская Федерация
Евсюткин Т. В.
Аффилиация: Томский государственный университет систем управления и радиоэлектроники
Адрес: Российская Федерация
Название журналаИсследование Земли из космоса
ВыпускНомер 4
Страницы43-58
Аннотация

Предложены модификации алгоритмов классификации однослойной облачности, облаков вертикального развития и многоярусной облачности на основе вероятностной нейронной сети и нейро-нечеткого классификатора. Облака классифицируются на 16 разновидностей согласно метеорологическому стандарту, включая объединенные подтипы слоистой, высококучевой, перистой и перисто-слоистой облачности. В работе используется описание облаков на основе информации о текстуре их изображений на спутниковых снимках MODIS и его тематических продуктов, содержащих сведения о физических параметрах облачности. Приведено описание структуры алгоритмов классификации. Представлены результаты использования статистических моделей текстуры изображений и физических параметров облаков для инициализации функций приведения к нечеткости в нейро-нечетком классификаторе. Формирование систем эффективных классификационных характеристик для различных алгоритмов классификации осуществлялось на основе модифицированного метода усеченного перебора GRAD. Обсуждаются результаты распознавания разновидностей однослойной облачности, облаков вертикального развития и многоярусной облачности на основе соответствующих тестовых выборок и полноразмерных комплектов спутниковых данных MODIS различного пространственного разрешения.

Ключевые словаинформативность, классификация, методы нечеткой логики, нейронная сеть, облачность, спутниковые данные, статистическая модель, текстурные признаки, физические параметры
Источник финансированияРабота выполнена при финансовой поддержке РФФИ в рамках научно-исследовательского проекта № 16-37-60019 мол_а_дк.
Получено22.12.2018
Дата публикации22.12.2018
Цитировать   Скачать pdf Для скачивания PDF необходимо авторизоваться
Размещенный ниже текст является ознакомительной версией и может не соответствовать печатной.

всего просмотров: 1393

Оценка читателей: голосов 0 

1. Абрамовиц М., Стиган И. Справочник по специальным функциям / Пер. с англ. В.А. Диткина, Л.Н. Кармазиной. М.: Наука, 832 с.
2. Астафуров В.Г., Скороходов А.В. Классификация многоярусной облачности по данным MODIS с использованием технологии нейронных сетей и методов нечеткой логики // Совр. пробл. дист. зондир. Земли из космоса. 2015. Т. 12. № 6. С. 162–173.
3. Астафуров В.Г., Скороходов А.В. Формирование системы информативных классификационных характеристик при решении задачи классификации облачности по спутниковым данным MODIS // Тр. СПИИРАН. 2017. Т. 53. № 4. С. 118–139.
4. Астафуров В.Г., Скороходов А.В. Статистическая модель физических параметров облачности на основе тематических продуктов MODIS // Исслед. Земли из космоса. 2017. № 5. С. 66–81.
5. Беспалов Д.П., Девяткин А.М., Довгалюк Ю.А., Кондратюк В.И., Кулешов Ю.В., Светлова Т.П., Суворов С.С., Тимофеев В.И. Атлас облаков. СПб.: Д’АРТ, 2011. 248 c.
6. Бондур В.Г., Аржененко Н.И. Классификация облачных форм по пространственным спектрам изображений // Оптика атмосферы и океана. 1988. № 11. С. 38–45.
7. Боресков А.В., Харламов А.А. Основы работы с технологией CUDA. М.: ДМК Пресс, 2010. 232 с.
8. Волкова Е.В., Успенский А.Б. Оценки параметров облачного покрова по данным геостационарного МИСЗ METEOSAT-9 круглосуточно в автоматическом режиме // Совр. пробл. дист. зондир. Земли из космоса. 2010. Т. 7. № 3. С. 65–73.
9. Дейвис Ш.М., Ландгребе Д.А., Филлипс Т.Л., Свейн Ф.Х., Хоффер Р.М., Ланденлауб Д.С., Сиева Ле Р.Ф. / Под ред. Ф.Х. Свейна, Ш.М. Дейвис. М.: Недра, 1983. 396 с.
10. Загоруйко Н.Г. Когнитивный анализ данных. Новосибирск: Акад. Изд-во ГЕО, 2013. 186 с.
11. Кобзарь А.И. Прикладная математическая статистика: для инженеров и научных работников. М.: Физматлит, 2006. 816 с.
12. Колодникова Н.В. Обзор текстурных признаков для задач распознавания образов // Докл. Томского гос. ун-та систем управления и радиоэлектроники. 2004. Т. 9. № 1. С. 113–124.
13. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. М.: Физматлит, 2001. 224 с.
14. Осовский С. Нейронные сети для обработки информации / Пер. с польск. И.Д. Рудинского. M.: Финансы и статистика, 2002. 344 с.
15. Скороходов А.В., Аксенов С.В., Аксенов А.В., Лайком Д.Н. Использование различных вычислительных систем для решения задачи автоматической классификации облачности по спутниковым данным MODIS на основе вероятностной нейронной сети // Изв. Томского политехн. ун-та. 2016. Т. 327. № 1. С. 30–39.
16. Федеральная служба по гидрометеорологии и мониторингу окружающей среды (Росгидромет). Код для оперативной передачи данных приземных метеорологических наблюдений с сети станций Росгидромета. М.: «Триада. лтд», 2013. 79 с.
17. Шакина Н.П. Лекции по динамической метеорологии. М.: «Триада. лтд», 2013. 160 с.
18. Astafurov V.G., Kuriyanovich K.V., Skorokhodov A.V. Methods for automatic cloud classifi cation from MODIS data // Izv. Atm. and Oc. Phys. 2016. V. 52. P. 1110–1119.
19. Astafurov V.G., Kuriyanovich K.V., Skorokhodov A.V. A statistical model for describing the texture of cloud cover images from satellite data // Russian Meteorol. and Hydrol. 2017. V. 42. № 4. P. 248–257.
20. Bankert R.L., Mitrescu C., Miller S.W., Wade R.H. Comparison of GOES cloud classification algorithms employing explicit and implicit physics // J. Appl. Meteor. Clim. 2009. V. 48. P. 1411–1421.
21. Baum B.A., Tovinkere V., Titlow J., Welch R.M. Automated cloud classifi cation of global AVHRR data using a fuzzy logic approach // J. Appl. Meteor. 1997. V. 36. P. 1519–1540.
22. Jin W., Gong F., Zeng X., Fu R. Classifi cation of clouds in satellite imagery using adaptive fuzzy sparse representation // Sensors. 2016. V. 16. doi:10.3390/s16122153.
23. Haralick R.M., Shanmugam K, Dinstein I. Textural features for image classifi cation // IEEE Transact. Syst., Man and Cybern. 1973. V. SMC–3. № 6. P. 610–621.
24. Liu Y, Xia J, Shi C.-X., Hong Y. An improved cloud classifi cation algorithm for China’s FY-2C multi-channel images using artifi cial neural network // Sensors. 2009. V. 9. P. 5558–5579.
25. Menzel W.P., Frey R.A., Baum B.A. Cloud top properties and cloud phase. Algorithm theoretical basis document. Collection 006 update. Greenbelt, Maryland, USA: Goddard Space Flight Center, 2013. 70 p.
26. MODIS [electronic resource] / Moderate Resolution Imaging Spectroradiometer, 2000–2017. URL: https://modis.gsfc.nasa.gov/about/specifi  cations.php (access data 30.08.2017). Specht D.F. Probabilistic neural networks // Neural Netw. 1990. V. 3. P. 109–118.
27. Suzue H., Imai T., Mouri K. High-resolution cloud analysis information derived from Himawari-8 data // Meteorol. Sat. Center Techn. Note. 2016. № 61. P. 43–51.
28. Tapakis R., Charalambides A.G. Equipment and methodologies for cloud detection and classifi cation: A review // Solar Energy. 2013. V. 95. P. 392–430.
29. Unser M. Sum and diff erence histograms for texture classifi - cation // IEEE Transact. Syst., Pattern Anal. and Machine Intell. 1986. V. PAMI–8. № 1. P. 118–125.
30. Weszka J.S., Dyer C.R., Rosenfeld A. A comparative study of texture measures for terrain classifi cation // IEEE Transact. Syst., Man and Cybernet. 1976. V. SMC–6. № 4. P. 269–285.

Система Orphus

Загрузка...
Вверх