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.