УДК 004.93'11

ФОРМИРОВАНИЕ СИСТЕМЫ ИНФОРМАТИВНЫХ КЛАССИФИКАЦИОННЫХ ХАРАКТЕРИСТИК ПРИ РЕШЕНИИ ЗАДАЧИ КЛАССИФИКАЦИИ ОБЛАЧНОСТИ ПО СПУТНИКОВЫМ ДАННЫМ MODIS

В.Г. Астафуров, А.В. Скороходов

Аннотация


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.

Ключевые слова


информативность; классификация; нейронная сеть; облачность; параллельные вычисления; текстурные признаки; усеченный перебор

Полный текст:

PDF

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.


Владимир Глебович Астафуров - д-р физ.-мат. наук, профессор кафедры автоматизированных систем управления, Томский государственный университет систем управления и радиоэлектроники (ТУСУР), старший научный сотрудник группы атмосферной акустики, Федеральное государственное бюджетное учреждение науки Институт оптики атмосферы им. В.Е. Зуева Сибирского отделения Российской академии наук (ИОА СО РАН).
Область научных интересов: разработка статистических методов анализа данных при решении задач классификации и распознавания образов.
Число научных публикаций: 125.

Адрес (E-mail): astafurov@iao.ru
Почтовый адрес: пл. Академика Зуева, 1, Томск, 634055
Телефон: +7(3822)49-22-56
Факс: +7(3822)49-20-86


Алексей Викторович Скороходов - к-т техн. наук, научный сотрудник группы атмосферной акустики, Федеральное государственное бюджетное учреждение науки Институт оптики атмосферы им. В.Е. Зуева Сибирского отделения Российской академии наук (ИОА СО РАН).
Область научных интересов: разработка алгоритмов интеллектуальной обработки данных дистанционного зондирования Земли из космоса с использованием технологии искусственных нейронных сетей, методов нечеткой логики и кластерного анализа.
Число научных публикаций: 45.

Адрес (E-mail): vazime@yandex.ru
Почтовый адрес: пл. Академика Зуева, 1, Томск, 634055
Телефон: +7(3822)49-22-56
Факс: +7(3822)49-20-86




DOI: http://dx.doi.org/10.15622/sp.53.6