K004184 Дипломная работа Программное обеспечение классификации типов облачности по данным MODIS высокого разрешения
Оглавление
Введение 13
Глава 1. Классификация облачности 15
1.1. Метеорологическая классификация облачности 15
1.2. Развитие автоматизации классификации облачности по спутниковым снимкам 17
Глава 2. Проектирование программного обеспечения классификации типов облачности 22
2.1. Формирование эталонных образцов облачности 22
2.2. Текстурный подход к описанию изображений облачности 25
2.3. Сокращение размерности массива, описываемого изображения облачности. 31
2.4. Применение нейронных сетей для кластеризации 35
Глава 3. Программная реализация системы 41
3.1. Расчет матриц смежности по методу GLCM 41
3.2. Сокращение размерности массива с помощью метода главных компонент 43
3.3. Кластеризация данных с помощью самоорганизующейся карты Кохонена 45
3.4. Реализация алгоритма классификации облачности по данным MODIS. 47
Глава 4. Оценка результатов классификации облачности 50
4.1. Влияние числа уровней квантования яркости на результаты классификации 50
4.2. Оценка достоверности результатов классификации 51
Глава 5. Финансовый менеджмент, ресурсоэффективность и ресурсосбережение. 54
5.1. Предпроектный анализ 54
5.2. Инициация проекта 61
5.3. Планирование управления научно-техническим проектом 63
5.4. Определение ресурсной (ресурсосберегающей), финансовой, бюджетной, социальной и экономической эффективности исследования 74
Глава 6. Социальная ответственность 81
6.1. Техногенная безопасность 82
6.2. Региональная безопасность 90
6.3. Организационные мероприятия обеспечения безопасности 92
6.4. Пожарная безопасность 93
Заключение 96
Список публикаций 98
Список использованных источников 99
Приложение А. Cluster analysis 104
Приложение Б. Морфологическая классификация облачности 122
Приложение B. Реестр рисков 125
Приложение Г. Итоговая матрица SWOT-анализа 126
Приложение Д. План эвакуации 127
Введение
Существует множество научных и практических задач в лесном и сельском хозяйствах, в области метеорологии, экологии и авиации, которым необходима информация о типах облачности над определенными участками земли. Решение задачи классификации облачности предоставляет специалистам возможность отслеживать пространственно-временную изменчивость облачных образований, что является мощным инструментом исследования процессов, протекающих в атмосфере.
Снимки облачности, получаемые со спутников, дают целостную картину распределения облаков над обширными территориями. Это позволяет изучать неоднородности облачного покрова различного масштаба. В процессе обработки спутниковых снимков облачности выявляются облачные образования, находящиеся на различных стадиях развития и состоящие из облаков разных форм, видов и разновидностей, что дает возможность использовать космические снимки для уточнения и конкретизации облачной обстановки, полученной по данным наземной сети наблюдений. [1]
Необходимость автоматизации процедуры классификации облачности по спутниковым снимкам является следствием того, что классификация облачности специалистами-метеорологами является трудоемкой задачей и требует значительных временных затрат.
Целью работы является разработка и реализация алгоритма для классификации изображений облачности по спутниковым данным на основе текстурных характеристик.
Для достижения цели были поставлены следующие задачи:
1. Анализ существующих методов для задачи автоматической классификации облачности на основе спутниковых снимках.
2. Расчет матриц смежности яркости пикселей для изображений облачности из выборки по методу GLCM.
3. Сокращение размерности полученных характеристик с помощью метода главных компонент.
4. Нахождение эталонных изображений, характеризующих каждый тип облачности с помощью карты Кохонена.
5. Разработка программного продукта для автоматической классификации облачности на основе матриц смежности яркости.
6. Оценка качества классификации облачности на основе тестовой выборки.
Объектом исследования является анализ спутниковых снимков облачности. Предмет исследования – классификация облачности по данным MODIS высокого разрешения.
При выполнении работы использовались методы обработки изображений и данных дистанционного зондирования Земли из космоса, а также нейросетевые технологии. При реализации программной системы применялись методы компьютерной графики и принципы объектно-ориентированного программирования.
Разработанная программная система для классификации облачности по спутниковым данным может быть использована для анализа климатических явлений и прогнозирования погоды.
Результаты работы были представлены на трех конференциях: XXII Международная научно-практическая конференция студентов, аспирантов и молодых учёных «Молодежь и современные информационные технологии» (Томск, 2014); XXIII Международная научно-практическая конференция студентов, аспирантов и молодых учёных «Молодежь и современные информационные технологии» (Томск, 2015), XIII Всероссийская научно-практическая конференция студентов, аспирантов, молодых ученых «Технологии Microsoft в теории и практике программирования» (Томск, 2016).
Глава 1. Классификация облачности
1.1. Метеорологическая классификация облачности
Облака представляют собой системы взвешенных в атмосфере продуктов конденсации водяного пара, которые при укрупнении выпадают в виде осадков [2]. Причинами образования облаков являются сложные и разнообразные физические процессы, происходящие в атмосфере. Именно они обуславливают огромное многообразие, присущее облакам.
Существует несколько классификаций облаков в зависимости от основных их признаков:
• Морфологическая классификация, в которой облака определяют по внешнему виду;
• Генетическая классификация, в которой облака определяют по происхождению, т. е. по характеру процесса их образования;
• Классификация по микрофизическому строению, т. е. классификация по агрегатному состоянию, виду и размерам облачных частиц, а также по их распределению внутри облака.[2]
Наиболее интересна морфологическая классификация, которая, используется в практических метеорологических наблюдениях. Форма облачности — это не объективная характеристика, которую может определить какой-нибудь специальный прибор. Ни один прибор, каким бы современным и совершенным он ни был, не может с этой задачей справиться. Форму определить можно только на глаз. Определение формы облаков (как и доли облачности в небе) — задача сугубо метеорологического наблюдателя. Поэтому возможны разногласия в определении типа облачности. Помимо этого существует ряд переходных форм, облака могут менять свою форму. Очень многое порой зависит от освещения, которое может дать ложную картину.
Классификация облачности, существующая в настоящий момент времени, возникла не сразу, а совершенствовалась на протяжении нескольких столетий. В 1803 году Говард впервые предложил различать главные «модификации» облаков — перистые, перисто-кучевые, кучевые и слоистые, а также промежуточные формы — кучево-слоистые, перисто-слоистые, кучево-перисто-слоистые (дождевые) [3]. Также Говард предложил латинские названия и их сокращения, применяемые до сих пор.
В основу классификации взяты латинские слова, характеризующие их внешний вид: stratus — слой, cumulus — куча, cirrus — перо, altus — высокий, opakus — плотный, nimbus — дождь, translucidus — просвечивающий, fractus — разорванный, humilis — низкий.
В 1887 году Гильдебрандсон и Эберкромби предложили проект классификации, приближенной к современной, согласно которой выделяются 10 типов облаков. Однако высококучевые облака они назвали кучево-перистыми, а высокослоистые облака слоисто-перистыми. В 1896 году был выпущен первый Международный атлас облаков с 30 цветными рисунками. В отличие от современной классификации перисто-кучевые облака были отнесены не к верхнему ярусу, а к среднему, а слоистые обозначены как «приподнятый туман». С этого момента классификация облачных полей стала единой по всему миру.
При установлении формы облаков отличительными признаками служат их внешний вид и структура. Они отличаются по строению – однородные или волокнистые, по нижней поверхности – ровная или расчлененная, а также они могут быть дислоцированы в виде отдельных масс или сплошного покрова. Кроме того, облака могут быть плотными или прозрачными, сквозь которые просвечивает небо, луна и солнце. По всем этим признака можно судить о внешнем строении облаков. [4].
Облака делятся на три яруса по их ВНГО – верхний, средний и нижний. В зависимости от их относят к одному из трех ярусов — верхнему, среднему или нижнему. В отдельную группу входят облака вертикального развития — отдельные облачные массы, значительно простирающиеся по вертикали вверх. Основание таких облаков обычно находится в нижнем ярусе, а вершина может достигать среднего или даже верхнего яруса.
Современная морфологическая классификация облаков включает в себя 27 (по 9 для каждого яруса) типов, включая подтипы и некоторые сочетания (Приложение B).[3]
1.2. Развитие автоматизации классификации облачности по спутниковым снимкам
Задача классификации облачности по спутниковым снимкам появилась с запуском первых космических аппаратов дистанционного зондирования Земли. Первая работа [5] по этой теме появилась в 1962 году, в которой по изображениям со спутника TIROS проводилась оценка таких характеристик облачности, как текстура, структура и яркость облачности.
После запуска Nimbus-2 в 1966 году, появилась возможность извлечения признаков облачности с помощью мультиспектральных методов. После этого сформировалось два подхода к описанию облачности по данным аппаратов дистанционного зондирования Земли: текстурный и спектральный. В некоторых работах используется их сочетание. Спектральный метод основан на определении энергетической яркости пикселей облачности в различных диапазонах длин волн сканирующей аппаратуры. Недостатком этого метода является то, что изображение не может быть охарактеризовано, как единое целое, так как описывается попиксельно. Также в работах [6,7] доказано, что для классификации облачности больше информации несет текстурный подход.
В 1992 году Bankert представляет свой алгоритм [8], который классифицирует облачность по девяти основным типам. Для описания облачности использовались спектральный и текстурный подходы (GLDV, SADH, длины серий), а также характеристики, восстановленные по спутниковым данным. В ходе исследований было рассмотрено 203 признака, из которых были выбраны 12 наиболее значимых для описания облачности в задачи классификации. Эти признаки в виде векторов являлись входными данными для вероятностной нейронной сети, которая служила классификатором облачности в данном алгоритме.
Вероятностные нейронные сети (PNN-сети) – тип нейронных сетей, в которых плотность вероятности принадлежности классам оценивается посредством ядерной аппроксимации. Вероятностные нейронные сети имеют слоистую структуру, и минимально имеют три слоя: входной, радиальный и выходной. Выходы сети интерпретируются как оценки вероятности того, что элемент принадлежит некоторому классу, и сеть фактически учится оценивать функцию плотности вероятности. [9]
Вероятностная нейронная сеть несомненно имеет преимущества, такие как устойчивость к шуму, способность извлекать ключевые характеристики, а также она фактически не требует обучения, так как исследуемый образец относится к классу на основании вычисленных оценок с помощью энергетических преобразований. Однако для обучения вероятностной нейронной сети необходимо большое количество примеров для хорошего приближения к истинной плотности вероятности.
В 1966 году Uddstorm представил алгоритм, представленный в работе [10], в котором для классификации облачности выбран байесовский подход, основанный на принципе максимума апостериорной вероятности. Байесовский подход основан на теореме, утверждающей, что если плотности распределения каждого из классов известны, то искомый алгоритм можно выписать в явном аналитическом виде. На практике плотности распределения классов, как правило, не известны. Их приходится оценивать (восстанавливать) по обучающей выборке. В результате байесовский алгоритм перестаёт быть оптимальным, так как восстановить плотность по выборке можно только с некоторой погрешностью.[11] Классификатор для данной разработки оказался не эффективным и усредненная вероятность правильной классификации составила лишь 70%.
В декабре 1999 года был запущен спектрорадиометр MODIS (Moderate Resolution Imaging Spectroradiometer — сканирующий спектрорадиометр среднего разрешения), который на сегодняшний день занимает лидирующую позицию среди современных космических систем.
Причиной широкого использования данных MODIS является их доступность, так как данные распространяются свободно на сервере Goddard Space Flight Center (http://ladsweb.nascom.nasa.gov). Кроме этого на сервере бесплатно можно скачать несколько десятков тематических продуктов, получаемых с помощью данных MODIS.
Спекторорадиометр MODIS предназначен для получения спектральных изображений отражений с дневной части земной поверхности и дневного/ночного излучения в каждой точке поверхности Земли, как минимум, каждые два дня. В инструменте применена концепция отображающего радиометра. Сенсор сканирует земную поверхность в 36 спектральных диапазонах с разрешением 250, 500 и 1000 м. Спутники Terra и Aqua, на борту которых установлен MODIS, совершают полный пролет вокруг Земли за 1−2 дня. Ширина полосы съемки составляет 2330 км. Основными объектами исследования в атмосфере при помощи MODIS являются облачный покров, взвешенные частицы (аэрозоли), а также водяной пар, как важные климатообразующие факторы. [12].
В 2000-х годах, по данным MODIS ведутся исследования по анализу спектральных характеристик облаков, так как данные предыдущего аппарата дистанционного зондирования Земли не могли дать такой информации.
В работах [13, 14] представлены алгоритмы, которые классифицируют облачность по 10 типам на основе данных систем Imager (GOES) и AVHRR (NOAA) с пространственным разрешением 1000 м. В качестве классификатора используется алгоритм ближайших соседей, который имеет преимущество над вероятностной нейронной сетью в оперативности обработки спутниковых снимков.
Основной идеей метода ближайших соседей является то, что классифицируемый образец относится к тому классу, число обучающих образцов которого больше в пределах некоторой области. Алгоритм прост в реализации, устойчив к зашумленной или искаженной информации, но проблема этого классификатора в том, модель невозможно «отделить» от данных, так как классификации исследуемого образца необходимо использовать всю обучающую выборку.
В отечественных работах на данную тему можно выделить работы Е.В. Волковой и А.Б. Успенского. Они сформировали 13 классов облачности. Их алгоритм основан на спектральных и восстановленных на их основе параметрах облачности, а классификация происходит с помощью порогового классификатора. Следует отметить, что при достаточно простой реализации, пороговый классификатор имеет низкую эффективность при большом количестве признаков, а также он чувствителен к шуму.
В апреле 2016 года ученые Института оптики атмосферы (ИОА СО РАН, Томск) представили программный продукт для автоматической классификации различных облаков, который распознает 25 различных текстур облачности. Программа использует алгоритмы, позволяющие определять количество ярусов облаков и классифицировать их по текстуре в каждом из этих ярусов.[15]
Для описания облачности в данном программном продукте используется статистический подход GLCM, в основе которого лежит вычисление матриц пространственной смежности яркости пикселей. Для решения задачи классификации облачности используется нейронная сеть – многослойный персептрон. Эта архитектура сети была предложена работы Rumelhart, McClelland (1986). Каждый элемент такой нейронной сети строит взвешенную сумму своих входов с поправкой в виде слагаемого и таким образом получается выходное значение этого элемента. Многослойный персептрон, как классификатор имеет следующие преимущества: устойчивость к шуму, компактная структура, способность к обобщению, возможность моделировать решающее правило любой сложности, способность извлекать ключевые характеристики. Однако наличие нескольких слоев у персептрона увеличивает количество производимых математических операции, а соответственно и время, при выполнении процедуры классификации. К тому же фактически многослойный персептрон представляет собой «черный ящик», поскольку известны только входные и выходные сигналы сети, а внутренние значения весовых коэффициентов практически невозможно интерпретировать при большом количестве связей.




Заказывала дипломную, прочитав отзывы vip-study.ru Сделали хорошо на 80% оригинальности. Но преподаватель, несмотря на методичку, сказал, что нужно аж 85%! А это нереально, так как были подсвечены только сноски и список литературы с фамилиями и названиями учебников. На https://vip-study.ru сказали, что фамилии авторов и названия учебников отрерайтить не возможно. Не будут же они менять Александра Пушкина на Сашко Гарматного))). Пришлось заказывать повышение на этом сайте. Мне добавили 5%, но я даже не поняла как. По тексту, сноскам, литературе ничего не поменялось, даже А.С. Пушкин остался на месте! Преподаватель проверил в ворде, но не поверил в 85%, так как тоже ничего не заметил сверхнового в литературе и перевел в PDF. В ПДФ тоже вышло 85%, и только после этого допустили к защите. Выражаю огромную благодарность сайтам vip-study ru и 5555455.ru за помощи и поддержку. Отдельное спасибо девочкам за прошлогодние отзывы, которые мне помогли дойти до защиты!
Превосходная работа! Нашел этот сайт именно по отзывам о повышении в PDF формате. Действительно все работает. Делают то, что никто не умеет. Я отправил работу в ворде для повышения %, указав в заказе - повысить для пдф. Мне вернули также в ворде. Я перевел в ПДФ и случилось чудо! Как и обещали 75% на самой жесткой проверке Антиплагиат.ВУЗ!
Благодарю за работу. Качественно повысили до 87% даже в таком редком формате, как PDF. Преподаватель ничего не заметил. Цена оптимальна, по сравнению с дешевыми неработающими вариантами.
Спасибо за проделанную работу! Помогли повысить Антиплагиат вуз ВКР Вуз Антиплагиат показал около 80% и 5% цитирования. До корректировки было около 40% и 15% соответственно. Интересно, что практически не видно изменений, все укладывается в рамки нормоконтроля, а процент при этом в 2 раза выш, чем был изначально. Работу писала сама. Хорошо, что есть такие сервисы, с помощью которых есть гарантия успешной защиты, а так бы весь труд пошел насмарку.
Спасибо за повышение для личного кабинета! Это реально первый сервис, который помог с повышением для личного кабинета. Прошел на 78%!
Спасибо огромное!! Очень выручили)) Рекомендую!
Нужен был безумный % по оригинальности - 90%. Что только не делала, хотя первоначальный вариант имел уже хороший уровень-70%. И вот, я правила ручками (подбирая синонимы) - не помогло, "Антиплагиат" эту писанину просто не пропустил. Затем заказала повышение % в одной фирме через интернет, у них получился перекошенный текст, на который платный антиплагиат вообще выдал ошибку и предупреждающую рамку. Потом случилось чудо, я случайным образом нашла ваши контакты и буквально за несколько часов был сделан идеально проходящий антиплагиат текст. Я дождалась результатов официальных, все просто замечательно, антиплагиат пройден и он составил 97%. Не реклама, я реальный заказчик!
Спасибо получилось 81,34%
Огромное еще раз спасибо...до связи......Михаил
Большое спасибо за помощь, за считанные часы помогли обработать текст, Оригинальность более 74 %. Всем советую!
Клевая компания! Я мучилась с антиплагиатом почти 2 недели и все бестолку. % почти не менялся. Помогли повысить за 1 день до 77%. Огромное спасибо!