Определение балла и формы облачности на основе векторов признаков

Размещено на http://www.allbest.ru/

Математическая морфология.

Электронный математический и медико-биологический журнал.

Том 9. Вып. 2. 2010.

ОПРЕДЕЛЕНИЕ БАЛЛА И ФОРМЫ ОБЛАЧНОСТИ НА ОСНОВЕ ВЕКТОРОВ ПРИЗНАКОВ

Артюхов А. В., Третьяков Н. Д., Якименко И. В.

Аннотация

облачность излучение поле автоматизированный

В данной работе изложен способ определения балла и формы различных форм облачности на основе данных о собственном излучении облачных полей в диапазоне 8-13 мкм, полученных с помощью автоматизированной система для объективной параметризации форм и балла облачности. Предлагаемый способ распознавания форм облачности основан на вычислении ряда признаков, их сравнении со средними значениями классов и выборе наиболее вероятного варианта. Определение балла облачности основано на сравнении всех ячеек кадра с определенным пороговым значением.

Ключевые слова: собственное излучение облачности, аппаратное определение балла облачности, определение формы облачности

Annotation

Determination of magnitude and cloud types BASED ON feature vectors

Artuhov A. V., Tretyakov N. D., Jakimenko I. V.

In this abstract is stated the way to determine the magnitude and shape of various cloud types on the basis of data on cloud fields self-radiation in the range of 8-13 microns, obtained using an automated system for the objective parameterization of cloud shapes and magnitude. The proposed method of recognition of cloud types based on the calculation of a number of features, comparing them with the classes averages and selecting the most likely option. Determination of cloud amount based on a comparison of all the frame cells with a certain threshold.

Keywords: own radiation of overcast, hardware definition of a point of overcast, definition of the form of overcast

Основная часть

В статье представлены предварительные результаты автоматического определения формы и балла облачности, на основе данных, полученных с помощью системы [1]. Метод классификации основан подсчете вектора признаков каждого кадра и его сравнении со средними векторами признаков выбранных классов облачности. Набор признаков отражает баланс информации между высотой (верхняя граница, многоярусность), формой (направление, распределение) и излучения. В то же время, каждый признак имеет очевидный физический смысл. Среди выбранных признаков: процент облаков на различных уровнях, индекс многоярусности, индексы связности, общая направленность облаков.

В качестве первой характеристики класса облачности используется коэффициент покрытия облаками CF или балл облачности. Методом определения балла облачности являлось сравнение всех ячеек кадра (участков небосвода) с неким пороговым значением энергетической яркости, разделяющим облака и безоблачное небо. Величина порогового значения определялась на основе минимального значения энергетической яркости кадра, предела изменения яркости безоблачного неба, поправки на зенитный угол. Полученные результаты автоматического определения балла облачности в большинстве случаев весьма хорошо согласуются с синоптическими данными.

На рис. 1 представлен пример определения балла облачности во времени (по кадрам). Представлены три линии: значение балла облачности, определяемое штатным метеорологом в начале каждого часа; балл облачности, вычисленный с использованием значения нижнего порога; значение, определенное на основе верхнего порога.

Помимо характеристики общей характеристики количества облаков CF, для классификации также вычислялись значения величин LO, MI, HI - количество облаков соответствующих нижнему, среднему и верхнему ярусу соответственно. Принадлежность ячейки тому или иному уровню определялась на основании принадлежности значения ячейки определенному интервалу значений энергетической яркости. Границы этих интервалов также определялись эмпирическим путем. Очевидно, что четыре описанные характеристики связаны соотношением CF = LO + MI + HI, поэтому для задачи классификации использовались только три из них.

Индекс многоярусности определяется как процент облачного поля, расположенного в пределах определенного интервала энергетической яркости от нижней границы облаков. Величина этого интервала определялась эмпирическим путем.

Признаки связности вычисляются по черно-белым (бинарным) изображениям, поученным на основе характеристики коэффициента покрытия. Ячейки одного цвета, связанные по горизонтали или вертикали, принадлежат одному облаку, или просвету, в противном случае - к разным. Таким образом, мы получаем количество облаков NC и количество просветов NB. Затем определяется распределение размера облаков и размера просветов.

Рис. 1 Определение балла облачности 16.09.09 10.00 - 16.30

Связность облаков наиболее значима при разделении кучевых и слоисто-кучевых облаков. Значение параметра СС меньше для кучевых облаков (сильно разрозненные элементы), и выше для слоисто-кучевых облаков (связаны в более крупные структуры). Для слоистых облаков связность близка к единице. Признак связности просветов BC является хорошим определителем ячеистых структур и структур с просветами.

Двумерный спектр мощности излучения является наиболее значимым для получения дополнительной информации об облачном поле, такой как доминирующие длины волн и их ориентация [2, 3]. В [4] представлены примеры двумерного спектра мощности для облачных областей. Используя аналогичную запись, получим следующее Фурье-преобразование:

,

где К и L - пространственные измерения. Мощность спектра определяется как сумма квадратов целой и мнимой частей преобразования Фурье.

Такой спектр симметричен относительно начала координат. Очевидно, что направленные структуры имеют направленные спектры мощности, и, наоборот, для полигональных структур все доминирующие компоненты спектра обычно расположены в пределах концентрических окружностей. В случаях безоблачного неба и неба, полностью закрытого облаками, вся энергия спектра обычно сосредоточена около начала координат. Исходя из этого, можно определить признак направленности ST следующим образом:

а) Определяется максимальное значение спектра мощности по всему кадру

б) Отбрасываются все значения спектра ниже 20% от максимального значения. Это исключает влияние высокочастотных компонент, которые не влияют на глобальную структуру облачности.

в) По полученному спектру определяется абсолютное значение коэффициента корреляции, взвешенного PS(u, v), как мера направленности:

Где

, ,

Методология классификации и результаты

Пусть вектор x это вектор признаков и с это количество классов. Если предположить что для каждого класса признаки имеют нормальные распределения, то можно записать классифицирующую функцию:

,

где Е - оператор среднего значения, X_i - ансамбль кадров принадлежащих классу i; d - количество признаков или размерность, м_i - это вектор средних значений размерности d, и это симметричная матрица ковариаций размера dЧd. Правило выбора класса i для вектора x есть максимизация значения вероятности p_i(x).

В качестве проверки работы такого классификатора из всего массива кадров было создано два набора кадров. Первый набор предназначался для вычисления средних значений признаков каждого класса, а второй - для оценки успешности полученных значений. Каждый набор содержал 500 экземпляров, разбитых на 9 классов, представляющих собой различные формы облачности, в том числе и несколько смешанных форм. В среднем каждому классу соответствовало 60 различных кадров. Для каждого класса выбирались кадры, снятые в различные дни, и с разным баллом облачности.

В таблице 1 представлены результаты классификации. По вертикали показаны эталонные классы, по горизонтали - определенные методом. На пересечении указано количество кадров. Таким образом, по диагонали таблицы показано количество правильно распознанных кадров.

Таблица 1

Результаты классификации

Например, для кучевых (Cu) облаков: 42 кадра классифицировано правильно, 1 кадр классифицирован как CcCi, 4 - как Сi, 11 - как CuSc, 2 - как Ac. Наилучший результат получен для St - все 100 кадров классифицированы правильно. Общее количество правильно распознанных кадров составило 70.4% (352 кадра из 500). Из 29.6% ошибок классификации 11.8% (59 кадров) составляют случаи классификации смешанной формы облачности как одной из форм, входящих в нее, либо определения однородной формы, как смешанной. Если ограничиться только чистыми формами облачности, то количество правильно классифицированных кадров составит 85.4%.

Литература

1. Устройство распознавания форм облачности: Патент на изобретение №2331853 Россия, G01J 3/06 / М.И. Алленов, В.Н. Иванов, Н.Д. Третьяков. - Опубл. 20.08.2008, бюлл. №23.

2. Bunting, J. T., and R. F. Fournier, 1980: Tests of spectral cloud classification using DMSP fine mode satellite data. Environmental Research Papers, No. 704, Air Force Geophys. Lab., AFGL-TR-80-0181, 42 pp.

3. Logan, T.L., J. R. Huning and D.L. Glackin, 1983: Cloud cover typing from environmental satellite imagery; discriminating cloud structure with fast Fourier transforms. Jet Propulsion Lab. publication 84-17, 55 pp.

4. Garand, L., and J. A. Weinman, 1986: A structural-stochastic model for the analysis and synthesis of cloud images. J. Climate Appl. Meteor., 25, 1052-1068.

Размещено на Allbest.ru