Формирование системы информативных классификационных характеристик при решении задачи классификации облачности по спутниковым данным MODIS
Ключевые слова:
информативность, классификация, нейронная сеть, облачность, параллельные вычисления, текстурные признаки, усеченный переборАннотация
Предложен алгоритм формирования системы эффективных классификационных характеристик, основанный на концепции усеченного перебора и использовании информации об индивидуальных показателях классификации при выборе гранул. Его вычислительная эффективность обеспечивается применением операций простого сравнения результатов классификации отдельных классов при выборе наиболее информативной гранулы на очередной итерации и использованием технологии параллельных вычислений на графических процессорах. Рассмотрены известные методы усеченного перебора для формирования систем эффективных классификационных характеристик. Обсуждаются результаты поиска информативных признаков на примере решения задачи классификации облачности на основе применения вероятностной нейронной сети и информации о текстуре спутниковых снимков MODIS. Представлено описание используемого классификатора и статистического подхода к описанию текстуры изображений. Определены наиболее эффективные классификационные характеристики облачности путем сравнения комбинаций текстурных признаков, полученных с помощью методов усеченного перебора. Показаны результаты исследования динамики изменения оценки правильно проклассифицированных облаков при выполнении различных алгоритмов поиска информативных признаков. Установлено, что разработанный в данной работе метод позволяет уменьшить разброс значений вероятности правильной классификации отдельных классов.Литература
1. Астафуров В.Г., Курьянович К.В., Скороходов А.В. Методы автоматической классификации облачности по спутниковым снимкам MODIS // Исследование Земли из космоса. 2016. № 4. С. 35-45.
2. Загоруйко Н.Г. Методы распознавания и их применение // М.: Изд-во «Советское радио». 1972. 208 с.
3. Астафуров В.Г., Скороходов А.В. Сегментация спутниковых снимков облачности по текстурным признакам на основе нейросетевых технологий // Исследование Земли из космоса. 2011. № 6. С. 10−20.
4. Bankert R.L. Cloud classification of AVHRR imagery in maritime regions using a probabilistic neural network // J. Appl. Meteor. 1994. vol. 33. pp. 909–918.
5. Барабаш Ю.Л., Варский Б.В., Зиновьев В.Т. Автоматическое распознавание образов // Киев: Изд-во КВАИУ. 1963. 173 с.
6. Merill T., Green O.M. On the effectiveness of receptions in recognition systems // IEEE Trans. Inform. Theory. 1963. vol. IT-9. pp. 11–17.
7. Кутин Г.И. Методы ранжировки комплексов признаков. Обзор // Зарубежная радиоэлектроника. 1981. № 9. С. 54–70.
8. Загоруйко Н.Г. Когнитивный анализ данных // Новосибирск: Академическое издательство ГЕО. 2013. 186 с.
9. Jin W., Gong F., Zeng X., Fu R. Classification of clouds in satellite imagery using adaptive fuzzy sparse representation // Sensors. 2016. vol. 16. no. 12. pp. 2153.
10. Hiroshi S., Takahito I., Kouki M. High-resolution cloud analysis information derived from Himawari-8 data // Meteorological sattelite center technical note. 2016. vol. 61. pp. 43–51.
11. Tapakis R., Charalambides A.G. Equipment and methodologies for cloud detection and classification: A review // Solar Energy. 2013. vol. 95. pp. 392-430.
12. Волкова Е.В. Оценки параметров облачного покрова, осадков и опасных явлений погоды по данным радиометра AVHRR c МИСЗ серии NOAA круглосуточно в автоматическом режиме // Современные проблемы дистанционного зондирования Земли из космоса. 2013. Т. 10. № 3. С. 66–74.
13. 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.
14. Haralick R.M., Shanmugam K, Dinstein I. Textural features for image classification // IEEE Transactions on Systems, Man and Cybernetics. 1973. vol. SMC–3. no. 6. pp. 610-621.
15. Weszka J.S., Dyer C.R., Rosenfeld A. A comparative study of texture measures for terrain classification // IEEE Transaction on Systems, Man and Cybernetics. 1976. vol. SMC–6. no. 4. pp. 269-285.
16. Unser M. Sum and difference histograms for texture classification // IEEE Transaction on Systems, Pattern Analysis and Machine Intelligence. 1986. vol. PAMI–8. no. 1. pp. 118-125.
17. Колодникова Н.В. Обзор текстурных признаков для задач распознавания образов // Доклады Томского государственного университета систем управления и радиоэлектроники. 2004. Т. 9. № 1. С. 113–124.
18. Specht D.F. Probabilistic neural networks // Neural Networks. 1990. vol. 3. pp. 109–118.
19. Savchenko A.V. Pattern recognition and increasing of the computational efficiency of a parallel realization of the probabilistic neural network with homogeneity testing // Optical Memory and Neural Networks (Information Optics). 2013. vol. 22. no. 2. pp. 184–192.
20. Скороходов А.В., Аксёнов С.В., Аксёнов А.В., Лайком Д.Н. Использование различных вычислительных систем для решения задачи автоматической классификации облачности по спутниковым данным MODIS на основе вероятностной нейронной сети // Известия Томского политехнического университета. Инжиниринг георесурсов. 2016. Т. 327. № 1. С. 30–38.
21. Student S., Pieter J., Fujarewicz K. Multiclass classification problem of large-scale biomedical meta-data // Procedia Technology. 2016. vol. 11. pp. 938–945.
2. Загоруйко Н.Г. Методы распознавания и их применение // М.: Изд-во «Советское радио». 1972. 208 с.
3. Астафуров В.Г., Скороходов А.В. Сегментация спутниковых снимков облачности по текстурным признакам на основе нейросетевых технологий // Исследование Земли из космоса. 2011. № 6. С. 10−20.
4. Bankert R.L. Cloud classification of AVHRR imagery in maritime regions using a probabilistic neural network // J. Appl. Meteor. 1994. vol. 33. pp. 909–918.
5. Барабаш Ю.Л., Варский Б.В., Зиновьев В.Т. Автоматическое распознавание образов // Киев: Изд-во КВАИУ. 1963. 173 с.
6. Merill T., Green O.M. On the effectiveness of receptions in recognition systems // IEEE Trans. Inform. Theory. 1963. vol. IT-9. pp. 11–17.
7. Кутин Г.И. Методы ранжировки комплексов признаков. Обзор // Зарубежная радиоэлектроника. 1981. № 9. С. 54–70.
8. Загоруйко Н.Г. Когнитивный анализ данных // Новосибирск: Академическое издательство ГЕО. 2013. 186 с.
9. Jin W., Gong F., Zeng X., Fu R. Classification of clouds in satellite imagery using adaptive fuzzy sparse representation // Sensors. 2016. vol. 16. no. 12. pp. 2153.
10. Hiroshi S., Takahito I., Kouki M. High-resolution cloud analysis information derived from Himawari-8 data // Meteorological sattelite center technical note. 2016. vol. 61. pp. 43–51.
11. Tapakis R., Charalambides A.G. Equipment and methodologies for cloud detection and classification: A review // Solar Energy. 2013. vol. 95. pp. 392-430.
12. Волкова Е.В. Оценки параметров облачного покрова, осадков и опасных явлений погоды по данным радиометра AVHRR c МИСЗ серии NOAA круглосуточно в автоматическом режиме // Современные проблемы дистанционного зондирования Земли из космоса. 2013. Т. 10. № 3. С. 66–74.
13. 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.
14. Haralick R.M., Shanmugam K, Dinstein I. Textural features for image classification // IEEE Transactions on Systems, Man and Cybernetics. 1973. vol. SMC–3. no. 6. pp. 610-621.
15. Weszka J.S., Dyer C.R., Rosenfeld A. A comparative study of texture measures for terrain classification // IEEE Transaction on Systems, Man and Cybernetics. 1976. vol. SMC–6. no. 4. pp. 269-285.
16. Unser M. Sum and difference histograms for texture classification // IEEE Transaction on Systems, Pattern Analysis and Machine Intelligence. 1986. vol. PAMI–8. no. 1. pp. 118-125.
17. Колодникова Н.В. Обзор текстурных признаков для задач распознавания образов // Доклады Томского государственного университета систем управления и радиоэлектроники. 2004. Т. 9. № 1. С. 113–124.
18. Specht D.F. Probabilistic neural networks // Neural Networks. 1990. vol. 3. pp. 109–118.
19. Savchenko A.V. Pattern recognition and increasing of the computational efficiency of a parallel realization of the probabilistic neural network with homogeneity testing // Optical Memory and Neural Networks (Information Optics). 2013. vol. 22. no. 2. pp. 184–192.
20. Скороходов А.В., Аксёнов С.В., Аксёнов А.В., Лайком Д.Н. Использование различных вычислительных систем для решения задачи автоматической классификации облачности по спутниковым данным MODIS на основе вероятностной нейронной сети // Известия Томского политехнического университета. Инжиниринг георесурсов. 2016. Т. 327. № 1. С. 30–38.
21. Student S., Pieter J., Fujarewicz K. Multiclass classification problem of large-scale biomedical meta-data // Procedia Technology. 2016. vol. 11. pp. 938–945.
Опубликован
2017-07-03
Как цитировать
Астафуров, В. Г., & Скороходов, А. В. (2017). Формирование системы информативных классификационных характеристик при решении задачи классификации облачности по спутниковым данным MODIS. Труды СПИИРАН, 4(53), 118-139. https://doi.org/10.15622/sp.53.6
Раздел
Методы управления и обработки информации
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями:
Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале.
Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале.
Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).
