МЕТОДЫ И СРЕДСТВА ОБРАБОТКИ И ИНТЕРПРЕТАЦИИ КОСМИЧЕСКОЙ ИНФОРМАЦИИ
ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ ДЛЯ КЛАССИФИКАЦИИ ОБЛАЧНОСТИ ПО ТЕКСТУРЕ СНИМКОВ
MODIS ВЫСОКОГО РАЗРЕШЕНИЯ © 2014 г. В. Г. Астафуров1, 2*, А. В. Скороходов2
1Томский государственный университет систем управления и радиоэлектроники, Томск 2Институт оптики атмосферы им. В.Е. Зуева СО РАН, Томск *E-mail: astafurov@iao.ru Поступила в редакцию 12.12.2013 г.
Приведена методика поиска изображений различных типов облачности по спутниковым снимкам MODIS путем сопоставления с архивными данными результатов наблюдений сети метеостанций. На основе экспертной оценки выделено 14 разновидностей облачности, имеющих уникальную текстуру на снимках с пространственным разрешением 250 м. Приводятся изображения этих типов облачности и результаты исследования их текстурных признаков, найденных на основе статистического подхода Gray-Level Co-occurrences Matrix. Для выделенных типов облачности определены характерные текстурные признаки или их сочетания. Для классификации облачности на основе информации о текстуре предложено использовать нейронную сеть на основе трехслойного персептрона. Приведено описание модифицированного метода адаптивной подстройки коэффициента скорости настройки нейронной сети. Обсуждаются результаты классификации облачности и их достоверность.
Ключевые слова: облачность, текстура, MODIS, нейронная сеть, классификация БО1: 10.7868/80205961414050030
ВВЕДЕНИЕ
Информация о глобальном поле облачности, в том числе и о типах облаков, необходима при решении широкого круга задач в области метеорологии и климатологии, переноса загрязнений, обеспечения безопасности полета воздушных судов. В существующем метеорологическом стандарте (Мазин, Хргиан, 1989) облачность классифицируется по 27 разновидностям, к числу которых относятся ее основные типы, подтипы и их сочетания, сведения о которых получают в основном путем визуальных наблюдений на сети наземных метеостанций. Такого объема информации недостаточно для решения перечисленных выше задач. Результаты дистанционного зондирования Земли (ДЗЗ) из космоса предоставляют возможность для мониторинга состояния глобального поля облачности.
Для описания облачности по данным ДЗЗ используются два подхода: спектральный и текстурный. Первый основан на измерении отраженного или собственного излучения облаков в различных спектральных интервалах и восстановлении таких характеристик, как температура верхней границы, альбедо, водность, микроструктура (Дейвис и др., 1983). В основе второго подхода лежит описание текстур изображений облачности на
спутниковых снимках. Информация о текстуре позволяет разделить между собой значительное число разновидностей облачности (Welch et al., 1988), однако ее использование связано с рядом ограничений, таких как дневное время суток и отсутствие снежного покрова. Наиболее эффективным для решения задачи классификации облачности является совместное использование спектральных характеристик излучения и текстурных признаков. В работах (Bankert et al., 1992, 2009; Miller, Emery, 1997; Bankert, Wade, 2007) по автоматической классификации облачности на основе текстурного анализа по данным систем Imager (GOES) и AVHRR (NOAA) с пространственным разрешением 1000 м удалось выделить десять разновидностей облаков, включая их основные типы и подтипы. Одним из путей повышения эффективности такого подхода является использование данных с более высоким пространственным разрешением, что позволит в большей степени детализировать текстуру изображений различных типов облачности. При этом применение на данном этапе данных систем с разрешением 100 м и выше нецелесообразно из-за большой периодичности съемки, малой ширины полосы обзора и ряду других причин.
В данной работе рассматривается применение нейросетевых технологий и их эффективность
Рис. 1. Фрагменты снимков слоисто-дождевых облаков над Новосибирской обл. в районе о. Чаны с разрешением, м: а - 250; б - 500 и в - 1000.
для классификации изображений однослойной облачности по их текстуре на спутниковых снимках спектрорадиометра MODIS с пространственным разрешением 250 и 500 м в дневное время суток при отсутствии снежного покрова.
МЕТОДИКА ПОИСКА ЭТАЛОННЫХ ИЗОБРАЖЕНИЙ ОБЛАЧНОСТИ
Формирование наборов фрагментов изображений для различных типов однослойной облачности выполнялось путем сопоставления архивных данных сети метеостанций со спутниковой съемкой спектрорадиометром MODIS. Для нашей работы важно длительное функционирование выбранной системы и одновременное наличие изображений с пространственным разрешением не только 1000 м, но и более высоким — 250 и 500 м. При этом используются данные 1-го спектрального канала (0.62—0.67 мкм), которые согласно спецификации (http://modis.gsfc.nasa.gov) применяются для исследования контуров облачности.
Информация о наличии однослойной облачности и ее типе извлекалась с сервера "Погода России" (http://meteo.infospace.ru), на котором хранятся метеорологические данные сети наземных метеостанций, начиная с 1998 г. Метеоданные представляют собой радиограммы (код КН-01), в которых закодированы типы, подтипы и сочетания зафиксированной облачности различных ярусов.
Для выбранных данных метеостанций подбирались соответствующие снимки MODIS из архива на сервере Goddard Space Flight Center (http:// ladsweb.nascom.nasa.gov). При этом временной интервал между данными метеостанции и MODIS не превышал 10—15 мин (Волкова, Успенский, 2008). Для поиска регионов планеты, время фиксации метеоданных на которых совпадает со спутниковой съемкой, использовались расчетные схемы пролетов Terra и Aqua из архива Space Science and Engineering Center (http://ssec.wisc.edu). В результате
было сформировано два набора для пространственных разрешений 250 и 500 м, каждый из которых содержит 88 фрагментов спутниковых снимков размером 250 х 250 пикселов и 25 разновидностей облачности, за исключением высококучевых облаков при хаотическом виде неба и одного из подтипов перисто-слоистой облачности из-за их низкой повторяемости (Мазин, Хргиан, 1989). Значительная часть данных получена со следующих метеостанций:
— Аделаида (Австралия, 34°56' ю.ш., 138°31' в.д.);
— Антофагаста (Чили, 23°26' ю.ш., 70°27' з.д.);
— Балхаш (Казахстан, 46°53' с.ш., 75°00' в.д.);
— Лансароте (Испания, 28°57' с.ш., 13°36' з.д.);
— Новотроицкое (Казахстан, 43°42' с.ш., 73°47' в.д.);
— Томск (Россия, 56°26' с.ш., 84°58' в.д.);
— Новосибирск (Россия, 55°02' с.ш., 82°54' в.д.);
— Пиарко (Тринидад и Тобаго, 10°37' с.ш., 61°21' з.д.).
Определение типов однослойной облачности с уникальной текстурой выполнялось путем экспертной оценки. На рис. 1 показаны фрагменты изображений слоисто-дождевой облачности с разрешениями 250, 500 и 1000 м. Белой рамкой на рис. 1б и 1в обозначены границы фрагмента, изображенного на рис. 1а. Установлено, что только при разрешении 250 м слоисто-дождевые облака имеют уникальную зернистую структуру, а при разрешениях 500 и 1000 м слоисто-дождевая облачность имеет зернисто-волокнистую (рис. 1б) и матовую однородную текстуру (рис. 1в), которая схожа с текстурой слоистых и высокослоистых облаков. Таким образом, текстура изображения облачности зависит от величины пространственного разрешения.
По результатам исследований было выделено 14 типов облачности с уникальной текстурой изображения при разрешении 250 м и восемь типов — при разрешении 500 м, которые приведены
Таблица 1. Типы облачности с уникальной текстурой изображения, приведенные на рис. 2
Тип облачности Рисунок Разрешение
250 м 500 м
Кучевые (Cu) 2а + +
Кучево-дождевые (Cb) +
Лысые (Cb calv.) 2б + -
Волосатые (Cb cap.) 2 в + -
Слоисто-кучевые (Sc) +
Кучевообразные (Sc cuf.) 2 г + -
Волнистообразные (Sc und.) 2 д + -
Слоистые (Л) 2е + +
Кучевые и слоисто-кучевые, наблюдаемые одновременно 2ж + +
Высокослоистые (А) 2з + -
Слоисто-дождевые (№) 2и + -
Высококучевые (Ac) +
Кучевообразные (Ac cuf.) 2 к + -
Волнистообразные (Ac und.) 2л + -
Перистые (Ci) 2м + +
Перисто-слоистые (Cs) 2н + +
Перисто-кучевые (Cc) 2о + -
в табл. 1. На рис. 2 показаны фрагменты изображений облачности с уникальной текстурой при разрешении 250 м. Центр каждого фрагмента совпадает с метеостанцией, над которой наблюдалась облачность данного типа. В табл. 2 приведены названия метеостанций и время регистрации каждого фрагмента. Следует отметить, что текстура некоторых изображений облачности на рис. 2 соответствует ее морфологическому описанию (Герман, 1975): кучевые облака имеют зернистую текстуру — скопление светлых или темно-серых гранул (рис. 2а); слоистым облакам свойственна матовая текстура — однородная пелена различных оттенков серого цвета (рис. 2е); кучево-дождевые облака имеют "куполообразную" текстуру, большую яркость и размеры (рис. 2би рис. 2в), а слоисто-кучевые обладают хорошо выраженной структурой и чаще всего группируются в гряды и полосы, которые обычно ориентируются по направлению ветра (рис. 2г и рис. 2д).
ТЕКСТУРНЫЕ ПРИЗНАКИ ИЗОБРАЖЕНИЙ ОБЛАЧНОСТИ
Текстуру изображений различных типов облачности на снимках можно охарактеризовать количественно с помощью текстурных признаков (ТП). Для ее описания использовался статистиче-
ский подход Gray-Level Co-occurrences Matrix (GLCM), в основе которого лежит формирование матриц пространственной смежности яркости Р(а) по фрагменту изображения для четырех угловых направлений а = 0°, a2 = 45°, a3 = 90° и a 4 = 135° (Haralick, Bosley, 1973). С помощью этих матриц рассчитываются статистические характеристики второго порядка, называемые ТП (Haralick, Bosley, 1973; Потапов, 2005). Используется следующая система информативных ТП для разрешения 250 м (Астафуров, Скороходов, 2011): максимальная вероятность 73(a); первый начальный момент T4; вариация T5; контраст T8(a); дисперсия T9(a); суммарная дисперсия 713(а); дифференциальная дисперсия T14(a); дифференциальная энтропия T15(a).
Подробное описание и интерпретация используемых ТП приведено в работе (Колоднико-ва, 2004). Все признаки за исключением T4 и T5 рассчитываются для четыре
Для дальнейшего прочтения статьи необходимо приобрести полный текст. Статьи высылаются в формате PDF на указанную при оплате почту. Время доставки составляет менее 10 минут. Стоимость одной статьи — 150 рублей.