автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Нейросетевой классификатор облачности по данным MODIS высокого разрешения

На правах рукописи

Скороходов Алексей Викторович

НЕЙРОСЕТЕВОЙ КЛАССИФИКАТОР ОБЛАЧНОСТИ ПО ДАННЫМ МОБ18 ВЫСОКОГО РАЗРЕШЕНИЯ

Специальность 05.13.18 - математическое моделирование, численные методы и комплексы программ

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

7 ФЕВ 2013

Томск-2013

005049085

Работа выполнена в Институте оптики атмосферы им. В.Е. Зуева Сибирского отделения Российской академии наук и в Томском государственном университете систем управления и радиоэлектроники (ТУСУР)

Научный руководитель: доктор физико-математических наук

Астафуров Владимир Глебович

Официальные оппоненты: . Тимченко Сергей Викторович,

доктор физико-математических наук, заведующий кафедрой прикладной математики и информатики ТУСУРа

Аксенов Сергей Владимирович,

кандидат технических наук, доцент кафедры оптимизации систем управления Национального исследовательского Томского политехнического университета

Ведущая организация: Институт водных и экологических

проблем Сибирского отделения Российской академии наук, г. Барнаул

Защита состоится 7 марта 2013 года в 15 ч 15 мин на заседании диссертационного совета Д 212.268.02 Томского государственного университета систем управления и радиоэлектроники по адресу: 634050, г. Томск, проспект Ленина, 40, ауд. 203.

С диссертацией можно ознакомиться в библиотеке Томского государственного университета систем управления и радиоэлектроники по адресу: 634050, г. Томск, ул. Вершинина, 74.

Автореферат разослан «2,0 » 2013 г.

Ученый секретарь

диссертационного совета _ Мещеряков Р.В.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы

В настоящее время данные дистанционного зондирования Земли из космоса используются для решения широкого круга научных и практических задач, связанных с метеорологией, климатологией, экологией, лесным и сельским хозяйствами. Для прогноза погоды, моделирования климата и обеспечения безопасности полетов воздушных судов требуются сведения о типах облачности согласно принятому в метеорологии стандарту. Сеть наземных метеостанций не позволяет проводить глобальный мониторинг поля облачности, что объясняет результаты использования дистанционного зондирования Земли из космоса в качестве единственного источника наиболее полной информации.

Несмотря на большое число работ по автоматической классификации облаков на основе спутниковой информации (R.L. Bankert, D. Lafont, Y. Lee, J. Li, Z. Li, Y. Liu, S.W. Miller, R.H. Wade, А.Б. Успенский), появившихся в последнее десятилетие, на сети наземных метеостанций по-прежнему используют визуальные наблюдения для определения типа облачности. Согласно действующему метеорологическому стандарту облачность различных ярусов классифицируется сетью метеостанций по 27 разновидностям, включающим ее основные типы, подтипы и их сочетания. В то же время результаты классификации облачности на основе данных систем космического базирования не обладают достаточной полнотой и достоверностью.

В 1990 г. вышла работа J. Lee, в которой впервые для классификации облачности использовалась искусственная нейронная сеть. Также для решения задачи автоматической классификации облачности в период начала 90-х - конца 2000-х годов применялись алгоритмы кластерного анализа, пороговые и статистические классификаторы (работы R.L. Bankert, P.M. Tag, M.J. Uddstrom и R.H. Wade). В настоящее время наилучшие результаты (по достоверности и полноте) приведены в работах R.L. Bankert и R.H. Wade, в которых использовались нейросетевые классификаторы и алгоритмы кластеризации. При этом удалось выделить 10 типов облачности с вероятностью правильной классификации 0.85 на основе данных систем Imager (GOES) и AVHRR (NOAA) с пространственным разрешением 1000 м.

Начиная с 2000-х годов основные усилия в области автоматической классификации облачности по спутниковым данным направлены на повышение ее эффективности и адаптацию существующих методов к данным современных спутниковых систем, таких как FY-2C, GOES, MODIS и ряда других. Несмотря на это, в настоящее время не существует известных программных средств, позволяющих выполнять классификацию

всех типов облачности согласно действующему метеорологическому стандарту. Поэтому задача автоматической классификации облачности на основе данных дистанционного зондирования Земли из космоса по-прежнему является актуальной.

Целью работы является развитие алгоритмов и программных средств для повышения эффективности процедуры классификации однослойной облачности и облаков вертикального развития с помощью нейросетевых технологий на основе информации о текстуре спутниковых снимков, полученных по данным MODIS с высоким разрешением.

Для достижения намеченной цели были решены следующие задачи:

1. Анализ существующих методов и программных средств для решения задачи автоматической классификации облачности по типам на основе данных дистанционного зондирования Земли из космоса;

2. Определение типов облачности и их подтипов, имеющих уникальные текстуры изображений по данным MODIS в видимой области спектра с пространственным разрешением 250 и 500 м;

3. Формирование системы эффективных текстурных признаков для описания уникальных текстур изображений различных типов облачности;

4. Построение статистических моделей текстур изображений для различных типов облачности;

5. Разработка программной системы для автоматической классификации однослойной облачности и облаков вертикального развития на основе технологии нейронных сетей;

6. Оценка качества классификации облачности на основе тестовой выборки.

Методика исследования

При выполнении диссертационной работы использовались методы обработки изображений и данных дистанционного зондирования Земли из космоса, математическая статистика, численные методы, теория оптимизации и нейросетевые технологии. При реализации программной системы применялись методы компьютерной графики и принципы объектно-ориентированного программирования.

Научная новизна

1. На основе методики сопоставления архивных данных метеостанций со спутниковой съемкой с разрешением 250 и 500 м и результатов численных экспериментов построена классификационная модель изображений различных типов облачности на базе сформированных наборов эффективных текстурных признаков.

2. Впервые построена статистическая модель текстурных признаков изображений различных типов облачности на основе фрагментов

спутниковых снимков, полученных по данным видимого диапазона спектра с пространственным разрешением 250 м.

3. Предложен и реализован модифицированный численный метод адаптивной подстройки коэффициента скорости обучения нейронной сети, основанный на динамическом изменении его параметров и позволяющий сократить время настройки трехслойного персептрона при использовании методов наискорейшего спуска и сопряженных градиентов.

4. Разработанная программная система на основе нейросетевых технологий, алгоритма адаптивной подстройки коэффициента скорости обучения и наборов эффективных текстурных признаков позволяет решать задачу классификации 14 типов однослойной облачности и облаков вертикального развития на спутниковых снимках с разрешением 250 м, что превышает известные аналоги.

Практическая значимость работы определяется возможностью использования разработанной программной системы, которая может применяться для оперативной классификации облачности по спутниковым данным при решении широкого круга задач, связанных с метеорологией и климатологией. Открытая архитектура программной системы и результаты проведенных в работе численных экспериментов делают возможным ее дальнейшее развитие за счет увеличения числа функциональных возможностей и ее адаптацию для решения тематических задач, связанных с применением данных дистанционного зондирования Земли.

Результаты диссертационной работы и разработанное программное обеспечение использовались:

1) В геофизической обсерватории Института климатических и экологических систем СО РАН как часть автоматизированной метеорологической информационно-измерительной системы.

2) При выполнении проекта РФФИ № 12-05-31007 «Восстановление оптических и микрофизических характеристик поглощающего аэрозоля и облаков методами солнечно-небесной фотометрии».

3) В лабораторном практикуме по курсу «Оптика атмосферы» и при выполнении НИР по теме «Радиационные процессы в атмосфере Земли» на кафедре «Теоретическая физика и волновые процессы» Волгоградского государственного университета.

Положения, выносимые на защиту

1. Использование данных спектрорадиометра MODIS с разрешением 250 м позволяет выделить 14 типов облачности и их подтипов с уникальной текстурой изображения, что подтверждается результатами вычислительного эксперимента.

2. Сформированный набор информативных текстурных признаков на основе подхода Gray-Level Co-occurrence Matrix является достаточным для

классификации 14 разновидностей облачности и построения статистической модели текстуры их изображений.

3. Модифицированный численный метод адаптивной подстройки коэффициента скорости настройки нейронной сети при использовании метода сопряженных градиентов позволяет сократить время обучения на 35%.

4. Разработанная проблемно-ориентированная программная система позволяет выполнять процедуру классификации 14 типов однослойной облачности и облаков вертикального развития с вероятностью правильной классификации равной 0.9.

Апробация работы

Результаты диссертационной работы докладывались и обсуждались на двенадцати конференциях и симпозиумах: Всероссийская научно-техническая конференция студентов, аспирантов и молодых ученых «Научная сессия ТУСУР» (Томск, 2009); ХЬУП Международная научная студенческая конференция «Студент и научно-технический прогресс» (Новосибирск, 2009); XVI Международный симпозиум «Оптика атмосферы и океана. Физика атмосферы» (Томск, 2009); Седьмая Всероссийская открытая конференция «Современные проблемы дистанционного зондирования Земли из космоса» (Москва, 2009); ХЬУШ Международная научная студенческая конференция «Студент и научно-технический прогресс» (Новосибирск, 2010); Международная школа молодых ученых «Физика окружающей среды» (Томск, 2010); VII Всероссийский симпозиум «Контроль окружающей среды и климата» (Томск, 2010); Восьмая Всероссийская открытая конференция «Современные проблемы дистанционного зондирования Земли из космоса» (Москва, 2010); X Всероссийская научная конференция молодых ученых «Наука. Технологии. Инновации» (Новосибирск, 2010); IX Сибирское совещание по климато-экологическому мониторингу (Томск, 2011); Девятая Всероссийская открытая конференция «Современные проблемы дистанционного зондирования Земли из космоса» (Москва, 2011).

Публикации

По результатам исследований, представленных в диссертации, опубликовано 17 научных работ, в том числе 5 статей в журналах из перечня ВАК.

Внедрение

Разработанный в рамках диссертационной работы программный продукт используется в геофизической обсерватории Института мониторинга климатических и экологических систем СО РАН в составе автоматизированной метеорологической информационно-

измерительно» системы для определения структуры облачного поля в сравнении с данными наземных наблюдений.

Результаты диссертационной работы использовались в Волгоградском государственном университете при выполнении лабораторного практикума по курсу «Оптика атмосферы» и НИР по теме «Радиационные процессы в атмосфере Земли» по Государственному контракту № 02.740.11.5198 от 12 марта 2010 г.

На программный продукт выдано свидетельство №18481 от 6 августа 2012 г. о регистрации электронного ресурса Объединенным фондом электронных ресурсов «Наука и образование» (ОФЭРНиО) при Федеральном государственном учреждении науки «Институт научной и педагогической информации» Российской академии образования (ФГНУ ИНИПИ РАО).

Личный вклад

Материалы диссертации являются обобщением работ автора, выполненных в период с 2009-го по 2012 год, и отражают его личный вклад в решаемую задачу. Основные научные результаты получены автором самостоятельно. Постановка цели и задач, обсуждение планов исследований и полученных результатов выполнены автором совместно с научным руководителем. Разработка модифицированного метода адаптивной подстройки коэффициента скорости обучения нейронной сети, разработка и реализация алгоритма автоматической классификации облаков, построение статистических моделей изображений для различных типов облачности, а также проведение численных расчетов выполнялись автором самостоятельно. В обсуждении результатов исследований по выбору изображений облачности с уникальной текстурой принимала участие Рассказчикова Т.М.

Объем и структура работы

Диссертация состоит из введения, четырех основных разделов, заключения, списка литературы и пяти приложений. Содержание диссертационной работы изложено на 180 страницах, включая 26 таблиц и 58 рисунков. Список литературы содержит 117 наименований.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность диссертационной работы, сформулированы ее цель и решаемые задачи, изложены основные полученные результаты, выносимые на защиту, и их практическая значимость.

Проведенный в первом разделе аналитический обзор отечественных и зарубежных работ по автоматической классификации облачности на основе спутниковых данных позволил выявить основные проблемы в данной

области и установить возможные пути их решения, которые развиваются в работе. В разделе приведена современная классификация облачности по типам, используемая на метеостанциях.

Во втором разделе изложена методика поиска характерных изображений различных типов облачности, основанная на сопоставлении архивных данных сети наземных метеостанций со спутниковой съемкой MODIS. При этом данные о типе наблюдаемой облачности извлекались с сервера «Погода России», а соответствующие данные MODIS — с сервера Goddard Space Flight Center. В результате сформированы два набора характерных изображений для 25 из 27 возможных разновидностей облаков по данным первого канала MODIS с разрешением 250 и 500 м.

На основе сформированных наборов, с применением экспертной оценки определены типы облачности, их подтипы и сочетания, которые имеют уникальную текстуру изображения на снимках с различным пространственным разрешением: при разрешении 250 м выделено 14 типов облачности с различной текстурой, а при 500 м - 8 типов. На основании этого принято решение об использовании снимков облачности с разрешением 250 м для решения задачи ее классификации по следующим 14 разновидностям: кучевые (Си), кучево-дождевые лысые (Cb calv.), кучево-дождевые волосатые (Cb cap.), слоисто-кучевые кучевообразные (Sc cuf.), слоисто-кучевые волнистообразные (Sc und.), слоистые (St), сочетание кучевых и слоисто-кучевых облаков, наблюдаемых одновременно (Си & Sc), высокослоистые (As), слоисто-дождевые (Ns), высококучевые кучевообразные (Ac cuf.), высококучевые волнистообразные (Ac und.), перистые (Ci), перисто-слоистые (Cs) и перисто-кучевые (Сс).

Описание особенностей изображений различных типов облачности основано на текстурном подходе, который- позволяет характеризовать облака как единую целостную структуру в отличие от спектральных методов. При этом для описания текстуры изображений облачности использовался статистический подход Gray-Level Co-occurrence Matrix (GLCM), в основе которого лежит формирование матриц пространственной смежности яркости пикселей. На основе таких матриц вычисляются статистические характеристики изображения второго порядка, называемые текстурными признаками, которых на данный момент известно несколько десятков. При этом необходимо определить эффективность каждого текстурного признака для оценки текстуры изображений облачности. Предлагается методика определения информативности текстурных признаков, основанная на анализе коэффициентов их взаимной корреляции и степени однородности, согласно которой:

1. На исследуемом фрагменте изображения выбирается участок облачности заданного размера (например, 100 х 100 пикселей);

2. Фрагмент обрабатывается с помощью скользящего окна (например, 20 х 20 пикселей) со смещением в один пиксель по горизонтали и вертикали. Для каждого положения окна рассчитывается набор текстурных

признаков Г, г = 1,15, который включает энергию (а) , энтропию Г2(а),

максимальную вероятность Т}(а), однородность Т6(а), корреляцию

Г7(«), контраст Т„(а), дисперсию ГДа), инверсию Тю(а) , суммарное

среднее Ти(а), суммарную дисперсию Тп(а), суммарную энтропию

Ти(а), дифференциальную дисперсию Тн(а) и дифференциальную

энтропию Тг>(а), вычисляемых по матрицам смежности для угловых

направлений а = (0°, 45°, 90°, 135°) , а также вариацию ТА и первый

начальный момент Г5, вычисляемых на основе значений яркости пикселей

в окне;

3. Для каждого текстурного признака вычисляются: степень однородности

5 _

где о,.[7)] — среднеквадратическое отклонение текстурного признака для выбранного фрагмента изображения, а /я, [7]] - его среднее значение;

оценки коэффициентов корреляции различных пар текстурных признаков Т., Ту, 1Ф }

Ги = —^-;-, (1)

2>м-ад ])2 _ к= 1 ¿=1

где х,к,к = \,Ы - набор значений /-го текстурного признака для

выбранного фрагмента, N - число рассчитанных значений текстурных

1 "

признаков для данного фрагмента, а т,[7)] =—- выборочное

N I

среднее значение для / -го текстурного признака;

4. Формируется набор информативных признаков для текущего фрагмента изображения. Признак 7] считается информативным, если он

большее число раз значимо некоррелирован с признаками Т при г ^ у и однороден на исследуемом фрагменте изображения.

Для проверки гипотезы Н0: = 0 о равенстве нулю коэффициента корреляции ¿-го и_/-го текстурных признаков использовалась статистика

I + г..

— — In

2

где г,

где г1

величина

определяется формулой (1). При ^г" порога для заданного уровня значимости а„, принимается гипотеза Н0 о некоррелированности двух текстурных признаков, в противном случае эта гипотеза отклоняется.

На основе этой методики для 14 типов облачности и размера скользящего окна 20 х 20 пикселей при а0=0.01 была сформирована система из 26 текстурных признаков: максимальная вероятность, контраст, дисперсия, суммарная дисперсия, дифференциальная дисперсия и дифференциальная энтропия, вычисляемые для четырех угловых направлений, а также первый начальный момент и вариация.

С помощью сформированной системы определены ключевые текстурные признаки или их сочетания для различных типов облаков. Для этого были рассчитаны средние значения текстурных признаков по эталонным фрагментам изображений с разрешением 250 м для каждого из 14 типов облачности и проведен их сравнительный анализ. Например, максимальные значения признака дифференциальная энтропия Т15(а) характерны для кучевой облачности, что видно из рис. 1. Вторые и третьи по величине значения этого признака имеют кучево-дождевые лысые и слоисто-кучевые кучевообразные облака соответственно.

1.4

1.2

Си' СЬ calv. СЬ cap. Scc-jf. Scunä. St Си & Sc Ci Cs Сс As .Vs Ас und Ас

Рис. I. Средние значения признака дифференциальная энтропия

В работе построена статистическая модель текстуры изображений различных типов облачности. Для этого с помощью программного пакета ЭТАИЗИСА определены законы распределений и оценки их параметров, которыми описываются гистограммы выборочных значений эффективных текстурных признаков различных типов облаков. Соответствующие выборочным данным закон распределения и его параметры определялись с помощью критериев согласия , Колмогорова-Смирнова и Лиллиефорса. В ходе исследований установлено, что флуктуации текстурных признаков для различных типов облачности можно описать гамма-, нормальным, логнормальным или экспоненциальным распределениями (рис. 2).

Рис. 2. Результаты аппроксимации гистограмм значений текстурных признаков «дисперсия» для кучевых облаков экспоненциальным распределением (а) и «максимальная вероятность» для слоисто-кучевых кучевообразных облаков гамма-распределением (б)

В третьем разделе приведено описание алгоритма классификации облачности, основанного на применении технологии нейронных сетей. Для классификации изображений облаков использовался трехслойный персептрон. Сеть содержит два скрытых и один выходной слой. Первый скрытый слой согласно следствию из теоремы Колмогорова-Арнольда состоит из Р = 2(2+1 = 53 нейронов, где (2 = 26 - размерность входного вектора признаков X. Количество нейронов выходного слоя Ь = \Л равно числу классифицируемых типов облачности. Число нейронов во втором скрытом слое 5 = 34 было выбрано на основе анализа качества результатов классификации.

Используется следующая процедура настройки нейросетевого классификатора облачности:

1. На вход сети подаются масштабированные значения текстурных

признаков Г,(0о),Т,(45°),Т;(90о),...,Т;5(90о), 7;5(1350), вычисленные для эталонных фрагментов различных типов облачности;

2. Последовательно вычисляются отклики нейронов первого, второго и выходного слоя. Для активации нейронов использовалась функция гиперболического тангенса;

3. Рассчитывается функция ошибки, которая для последовательного режима обучения имеет вид

где \У - матрица весовых коэффициентов нейронов, у = \_у1,уг,...,у1У ~ текущий отклик сети на входной сигнал, с! = [с/,, ,...]г - вектор ожидаемых выходных сигналов сети;

4. После предъявления каждого образца происходит коррекция весовых коэффициентов нейронов всех слоев, начиная с выходного, по формуле

\У(/ + 1) = \¥(/)+Л\У(/), где А\\(1) = 77(/)р(\У) - величина коррекции весовых коэффициентов; г}{1) - коэффициент обучения на шаге /, вектор р(\У) определяет направление поиска минимума функции ошибки £(\У), который зависит от выбора

метода ее минимизации.

5. Обучение заканчивается, если в течение эпохи для каждого образца на соответствующем его типу облачности н> -ом выходе сети величина отклика у„ будет находиться в интервале (0.9; 1.0), а на других выходах значения у. е(-1; -0.9), ¡у^м. При этом эпохой считается предъявление на вход нейронной сети всей обучающей выборки.

Нами предложен модифицированный численный метод адаптивной подстройки коэффициента обучения сети, для которого величина коэффициента обучения определяется выражением

п(/)А, 111,11 *™)>М^(/-1)),

7(7 + 1)Н (2)

тр., р. = . "ри * клт - о),

где к с > 1 - коэффициент допустимого прироста погрешности, 0 < д, < 1 -коэффициент уменьшения Т]{1) , ри > 1 - коэффициент увеличения г/(1),

- суммарная погрешность обучения.

Для метода адаптивной подстройки величина /с задается эмпирически. На основе критерия сходимости алгоритма обратного распространения ошибки нами была получена формула для задания динамического изменения в зависимости от значений целевой функции ошибки Е(\\)

где V - объем обучающей выборки.

Из формулы (2) следует, что значения коэффициентов р,, и зависят от величины погрешности f(W). Применение модифицированного способа адаптивной подстройки коэффициента tj(l) позволило сократить время обучения сети методом наискорейшего спуска более чем в 6 раз, а сопряженных градиентов — на 35% по сравнению с базовыми методами.

В работе проведен сравнительный анализ методов наискорейшего спуска и сопряженных градиентов для определения наиболее эффективного для минимизации целевой функции ошибки Е(\\) . По результатам сравнения среднего времени обучения сети и числа необходимого для этого эпох был выбран метод сопряженных градиентов с использованием модифицированного способа адаптивной подстройкой коэффициента ?;(/) как наиболее эффективный алгоритм поиска минимума Е{W) при обучении трехслойного персептрона.

В четвертом разделе приведено описание разработанной программной системы, предназначенной для классификации однослойной облачности и облаков вертикального развития на основе спутниковых данных. Основные функциональные возможности разработанной системы:

- определение наборов информативных текстурных признаков изображений;

- выполнение процедуры обучения многослойного персептрона по наборам фрагментов изображений с различным типом текстур;

- выполнение процедуры классификация облачности по типам на основе информации о текстуре спутниковых снимков;

- выполнение постобработки результатов классификации.

Программная система реализована в среде Microsoft Visual Studio 2008

на языке С++ на основе объектно-ориентированного подхода, с использованием библиотеки Microsoft Foundation Classes (MFC), которая облегчает разработку графических приложений за счет большого набора встроенных классов. При этом разработан собственный

kt =

0.001 ■ (V -1)

+1,

V

узкоспециализированный класс CRaster для обработки графических файлов в формате BMP на основе макросов, шаблонов и API-функций.

Структура классов разработанной программной системы показана на рис. 3. В программе реализована архитектура приложения «Документ-Облик», согласно которой каждый объект-документ сопровождается одним или несколькими объектами-обликами. При этом классом-документом является CHandlerClass, а классом-обликом - CViewClass. Процедуры исследования текстурных признаков изображения на информативность OnEditTextureAnalys, обучения нейронной сети OnEditNeuroTeaching и классификации облачности по типам OnEditNeuroClassification реализованы в классе CHandlerClass.

OOeNo:seCi3ss CCor'.o-.^C^SS CLsvCcfi'cuiClasi

Тгаг$?оппр1«.в:0: BOOL Trarsfcrm»;xtfi): 5001 Transf3Tn=;->.e!0: 2C0L

С:еа':>

Зе:=ГЛгТсРтг;'!: IFBiTfAAPlNFC OeiEf.'CcbrTefclePtfO: ROBOJAO SetSM.v'/s-Л): LONG ЗеЕМгФу*}: LC^G 3«ffiM2ataPtr;i: BYTE' SetrixsiPfi): BYTE' LcacBt.iPiT-a;«: i: BOOL SavsSM-'-^aje. : 300-DraABitra??,) ChanjeCc^rii CreateCcpySasrerO: Б001 CreaieCcroaiiSfsRaslan;; BOOL QLartBrghWbsii): BYTE" Ссс::-ггзг:eMairr.it. BYTE"

«лспсл&эувт»

CUstTQia^cg

OnC^areOiiri

Cr.Save}

DcOaisE/ibanae;!

О^Сгвз C^ Saved

I ClstCSDiaos

i OrCrea:si;.int ] OfSavei)

Set3bP«n;)

TriPStcnn?:)i«!0: SCO;

GetwiirrentSl.tPi'f i' C^as'.e: ve Te^f > ч e ' Сг:алзеВМ=1

з e С »a e c*i a Се4 "e : ¡ransts^nsM!'

SisTC^Oii: esw3 e

• • ocuc:e Rardcrrrze; i: ¡rt " D с me EC*.

e -e BO" ьепа: 26i i

¡hrescrrcco: u:nT ¡ransfcfriLcaoii

Crtciunsot't Cr-o iL-опгоиг: i

CrEc.tSssr.

C^Est-syCortourn r ** ea h*g CrEctNeu-o^ assrtca'jomi CrEi ;Te/-u'eAra!Y$; i 0rts:j4/sca«j

j CSetCParaTiGia'c-3

i OcDariEx:ra^;ei;

; С$е!Т?а-'зтС aloe ;

i Dc-DraExc'range;;; j CSave'A-eiS^'50:a!s3

CLcacw'e:s^tsDia:cg I

DsS 33 5> charge;)

<сопэсво*даг?ся»

OniriDao})- 500L! GoOa:aExctwgeO OnO Щ

vie-vCl3SS

Ge'.DocuT.s'tt): CHa'derClass

Up-caiiy:rttfr$cr«eR{<: SOC

P'eCre9;eVv;nd3A''.: 5 COL

0rr;(t3!Jctiat&;}

Onjra-.vn

CSwMatei}

OrSelC-j'scn l' BOOL

Or^Ei-tionDcvin:!

C-ea*e rt

CC'essKsT^Dialog

DsDataExtrarcei

CViev.er «вза;-'»адегтэувт» CM$irFr2T$ «вхл-очает» СС'гИс-гагя

lri{!n$tar:ei): BOOL ОпА&ол^гсдгат^ PreCfesleV.^sewfi; EC 01 1 PreCreate'.v'irdOivii; ECCi. CnCreareCiivlT 3001

Рис. 3. UML-диаграмма классов программной системы

Для обучения классификатора использовалась выборка, содержащая по 200 образцов изображений текстур для каждого из 14 типов облачности. С помощью процедуры кросс-валидации на основе обучающей выборки была подтверждена хорошая обобщающая способность реализованного алгоритма классификации.

Результат классификации облачности на фрагменте снимка территории Томской области размером 280 х 214 км показан на рис.4. Метками на рис. 4а обозначены местоположения метеостанций: 1 - Колпашево, 2 - Бакчар, 3 - Первомайское и 4 - Томск. В момент спутниковой съемки в Бакчаре, Первомайском и Томске наблюдались кучево-дождевые волосатые облака, а в Колпашеве кучево-дождевые лысые. Данные метеостанций, на которых фиксировалась однослойная облачность или облака вертикального развития, совпали с результатами классификации, что видно из рис. 46. Белым цветом на рис. 46 отмечены непроклассифицированные участки (Nc).

(а) (б)

Рис. 4. Результат классификации облачности по типам (б) на основе снимка (а) территории Томской области от 30.04.2010 (05:55 Ш"С)

В разделе представлены результаты оценки качества классификации облачности разработанным нейросетевым классификатором путем их сопоставления с данными сети наземных метеостанций. При этом тестовые участки выбирались из различных регионов планеты, чтобы учесть разные условия съемки. Для этих регионов были отобраны снимки, сделанные за период 2005-2012 гг. в дневное время, когда зенитный угол солнца не превышает 65°, на метеостанциях фиксировалась однослойная облачность или облака вертикального развития, при отсутствии снежного покрова. Общее количество фрагментов изображений в тестовой выборке составило N.,. =727 , а число правильно проклассифицированных образцов - NR =652 .

Достоверность результатов классификации тестовых образцов для

каждого типа облачности можно оценить с помощью выражения

р

которое является оценкой вероятности правильной классификации. Здесь ¿V" - количество совпадений результатов классификации с данными метеостанции, а Л^'1 — число тестовых образцов для ¡-го типа облачности. По результатам оценки была составлена таблица 1, в которой приведены значения Е., ошибочные «мнения» классификатора о типе наблюдаемой облачности и вероятности ошибок. При этом оценка усредненной вероятности правильной классификации по всем типам облачности равна Ел= 0.9.

Таблица 1. Результаты оценки достоверности результатов классификации

Тип облачности E, Вероятность ошибки классификации (Результат ошибочной классификации)

Си 0.96 0.04 (Cb calv.)

Cb calv. 0.95 0.05 (Си)

Cb cap. 0.93 0.07 (Sc cuf.)

Sc cuf. 0.88 0.08 (Cb cap.), 0.04 (Cb calv.)

Sc und. 0.93 0.05, (Cb cap.), 0.02 (Sc cuf)

St 0.98 0.02 (Ns)

Си & Sc 0.95 0.05 (Sc cuf.)

Ci 0.68 0.32 (Nc)

Cs 0.90 0.07 (Ci), 0.015 (As), 0.015 (Nc)

Cc 0.94 0.06 (Nc)

As 0.88 0.12 (St)

Ns 0.81 0.19 (Cc)

Ac und. 0.84 0.08 (Cc), 0.08 (Nc)

Ac cuf. 0.88 0.08 (Cc), 0.04 (As)

В разделе описаны область применения программной системы и внедрения полученных результатов.

В заключении диссертационной работы сформулированы ее основные результаты:

1. В настоящее время наиболее полные и достоверные результаты по классификации облачности на основе спутниковых данных получены с помощью использования технологии нейронных сетей и информации о текстуре спутниковых снимков с разрешением 1000 м, в результате чего выделяются 10 типов облачности с вероятностью 0.85.

2. Использование данных спектрорадиометра MODIS с пространственным разрешением 250 м позволяет выделить 14 типов однослойной облачности и облаков вертикального развития с уникальной текстурой изображения: кучевые, кучево-дождевые лысые, кучево-дождевые волосатые, слоисто-кучевые кучевообразные, слоисто-кучевые волнистообразные, слоистые, сочетание кучевых и слоисто-кучевых облаков, наблюдаемых одновременно, высокослоистые, слоисто-дождевые, высококучевые кучевообразные, высококучевые волнистообразные, перистые, перисто-слоистые и перисто-кучевые.

3. На основе разработанной нами методики сформирована система информативных текстурных признаков для описания 14 типов изображений облачности с уникальной текстурой, которая включает в себя максимальную вероятность, контраст, дисперсию, суммарную дисперсию, дифференциальную дисперсию и дифференциальную энтропию, рассчитанные для четырех угловых направлений 0°, 45°, 90°, 135°, а также первый начальный момент и вариацию.

4. Построена статистическая модель текстуры изображений различных типов облачности на основе фрагментов спутниковых снимков, полученных по данным видимого диапазона спектра MODIS с пространственным разрешением 250 м. В ходе исследований установлено, что флуктуации текстурных признаков для различных типов облаков можно описать гамма-, нормальным, логнормальным или экспоненциальным распределениями. Найдены оценки параметров этих распределений.

5. Разработан алгоритм классификации однослойной облачности и облаков вертикального развития по типам на основе трехслойного персептрона. В результате численных экспериментов показано, что наиболее эффективным алгоритмом поиска минимума целевой функции ошибки по времени обучения трехслойного персептрона является метод сопряженных градиентов. Предложенный нами модифицированный численный метод адаптивной подстройки коэффициента обучения сети позволяет сократить время ее настройки на 35% при использовании метода сопряженных градиентов.

6. Разработанная прикладная программная система позволяет выделять 14 типов однослойной облачности и облаков вертикального развития согласно действующему метеорологическому стандарту, что превышает ранее достигнутые показатели. Полученная оценка вероятности правильной классификации тестовой выборки, состоящей из 727 фрагментов снимков различных типов облачности, равна 0.9 и превосходит полученные другими авторами соответствующие характеристики при решении данной задачи с учетом числа выделяемых типов облачности.

СПИСОК ОПУБЛИКОВАННЫХ РАБОТ ПО ТЕМЕ ДИССЕРТАЦИИ

В журналах, рекомендованных ВАК России

1. Астафуров В.Г. Классификация облаков по спутниковым снимкам на основе технологии нейронных сетей / В.Г. Астафуров, A.B. Скороходов // Современные проблемы дистанционного зондирования Земли из космоса. - 2011. - Т. 8. - №1. -С. 65-73.

2. Астафуров В.Г. Сегментация спутниковых снимков облачности по текстурным признакам на основе нейросетевых технологий / В.Г. Астафуров, A.B. Скороходов // Исследование Земли из космоса. - 2011. - №6. - С. 10-20.

3. Скороходов A.B. Сравнительный анализ градиентных методов минимизации в задаче обучения многослойного персептрона / A.B. Скороходов. A.B. Тунгусова // Доклады Томского государственного университета систем управления и радиоэлектроники. - 2011. - №2.-4.3. - С. 98-102.

4. Астафуров В.Г. Интерпретация данных дистанционного зондирования облаков из космоса в видимой области спектра / В.Г. Астафуров, Т.М. Рассказчикова, A.B. Скороходов // Физика. - 2012. - Т. 55. -№3. - С. 77-83.

5. Астафуров В.Г. Нейросетевой классификатор облачности по спутниковым данным // В.Г. Астафуров, A.B. Скороходов // Информационные технологии. -2012. -№7. -С. 32-37.

Публикации в других изданиях

6. Скороходов A.B. Обработка спутниковых снимков спектрорадиометра MODIS / A.B. Скороходов // Материалы докладов Всероссийской научно-технической конференции студентов аспирантов и молодых ученых «Научная сессия ТУ СУР-2009» - Томск, 12-15 мая 2009.-Ч. 1. - Томск: В-Спектр, 2009. - С. 222-225.

7. Скороходов A.B. Комплекс программ для распознавания типов облачности и подстилающей поверхности на спутниковых снимках / A.B. Скороходов // Материалы XLVII Международной научной студенческой конференции «Студент и научно-технический прогресс»: Информационные технологии - Новосибирск, 11 -15 апреля 2009. - Новосибирск: Изд-во Новосибирского государственного университета, 2009. - С. 29.

8. Астафуров В.Г. Сегментация спутниковых снимков спектрорадиометра MODIS с применением нейросетевых технологий / В.Г. Астафуров, A.B. Скороходов // Материалы XVI Международного симпозиума «Оптика атмосферы и океана. Физика атмосферы» — Томск, 12-15 октября 2009. - Томск: Изд-во ИОА СО РАН, 2009. - С. 448-451.

9. Астафуров В.Г. Сегментация спутниковых изображений с применением технологии нейронных сетей / В.Г. Астафуров, A.B. Скороходов // Тезисы докладов Седьмой Всероссийской открытой конференции «Современные проблемы дистанционного зондирования Земли из космоса»: Методы и алгоритмы обработки спутниковых данных - Москва, 16-20 ноября 2009. - М.: Изд-во ИКИ РАН, 2009. -С. 14.

10. Скороходов A.B. Использование информативных текстурных признаков для сегментации спутниковых снимков с применением нейросетевых технологий /

A.B. Скороходов // Материалы XLVIII Международной научной студенческой конференции «Студент и научно-технический прогресс»: Информационные технологии - Новосибирск, 10-14 апреля 2010. - Новосибирск: Изд-во Новосибирского государственного университета, 2010. - С. 252.

11. Скороходов A.B. Методика исследования текстурных признаков на информативность с целью улучшения результатов сегментации спутниковых снимков / A.B. Скороходов // Материалы VIII Международной школы молодых ученых «Физика окружающей среды» - Томск, 22 - 27 июня 2010. - Томск: TMJI-Пресс, 2010.-С. 168-172.

12. Астафуров В.Г. Эффективные текстурные признаки различных типов облачности и подстилающей поверхности по данным спектрорадиометра MODIS /

B.Г. Астафуров, A.B. Скороходов // Материалы VII Всероссийского симпозиума «Контроль окружающей среды и климата «КОСК-2010» - Томск, 5-7 июля 2010. -Томск: Аграф-Пресс, 2010. - С. 292-294.

13. Астафуров В.Г. Классификация облаков по спутниковым снимкам на основе технологии нейронных сетей / В.Г. Астафуров, A.B. Скороходов // Тезисы докладов Восьмой Всероссийской открытой конференции «Современные проблемы дистанционного зондирования Земли из космоса»: Методы и алгоритмы обработки спутниковых данных - Москва, 15 - 19 ноября 2010. -М.: Изд-во ИКИ РАН, 2010. —

C. 31-32.

14. Скороходов A.B. Распознавание типа воздушного судна по спектру его звукового сигнала с применением нейросетевых технологий / A.B. Скороходов // Материалы X Всероссийской научной конференции молодых ученых «Наука. Технологии. Инновации» - Новосибирск, 3-5 декабря 2010. - Ч. 1. - Новосибирск: Изд-во Новосибирского государственного технического университета, 2010. -С. 37-38.

15. Астафуров В.Г. Классификация облаков по типам на основе текстурных признаков с помощью нейросетевых технологий / В.Г. Астафуров, A.B. Скороходов // Материалы IX Сибирского совещания по климато-экологическому мониторингу - Томск, 3-6 октября 2011. - Томск: Аграф-Пресс, 2011.-С. 274-276.

16. Скороходов A.B. Идентификация градирен электростанций по спутниковым снимкам / A.B. Скороходов // Материалы IX Сибирского совещания по климато-экологическому мониторингу - Томск, 3-6 октября 2011. - Томск: Аграф-Пресс, 2011. - С. 282-285.

17. Астафуров В.Г. Набор эталонных изображений и текстурных признаков для различных типов облачности по данным MODIS / В.Г. Астафуров, Т.М. Рассказчикова, A.B. Скороходов // Тезисы докладов Девятой Всероссийской открытой конференции «Современные проблемы дистанционного зондирования Земли из космоса»: Методы и алгоритмы обработки спутниковых данных - Москва, 14-18 ноября 2011. - М.: Изд-во ИКИ РАН, 2011. С. 12.

Печ. л. 1. Тираж 100 экз. Заказ № IО

Тираж отпечатан в типографии ИОА СО РАН. 634055, г. Томск, пл. Академика Зуева, 1. Тел. (382-2) 491-093.