Klasyfikacja obrazów typów chmur jednowarstwowych

Przedstawiono automatyczny system klasyfikacji, który rozró¿nia ró¿ne typy jednowarstwowych chmur przy u¿yciu analizy g¿ównych komponentów (PCA) ze zwi¿kszon¿ dok¿adno¿ci¿ i zapewnia du¿¿ szybko¿¿ przetwarzania w porównaniu z innymi technikami. System jest najpierw szkolony na podstawie obrazów w chmurze. W fazie szkolenia system odczytuje g¿ówne g¿ówne cechy ró¿nych obrazów chmur w celu utworzenia przestrzeni obrazu. Na etapie testowania nowy obraz chmury mo¿na sklasyfikowä, porównuj¿c go z okre¿lon¿ przestrzeni¿ obrazu za pomoc¿ algorytmu PCA. Aplikacje prognozuj¿ce pogod¿ wykorzystuj¿ ró¿ne techniki rozpoznawania wzorców do analizy informacji o chmurach i innych parametrów meteorologicznych. Sieci neuronowe to cz¿sto stosowana metodologia przetwarzania obrazu. Niektóre metodologie statystyczne, takie jak FDA, RBFNN i SVM, s¿ równie¿ wykorzystywane do analizy obrazu. Te metodologie wymagaj¿ wi¿cej czasu na szkolenie i maj¿ ograniczon¿ dok¿adno¿¿ wynosz¿c¿ oko¿o 70%. Ten poziom dok¿adno¿ci cz¿sto pogarsza klasyfikacj¿ chmur, a tym samym dok¿adno¿¿ prognoz deszczu i innych prognoz pogody jest ograniczona. Algorytm PCA zapewnia dok¿adniejsz¿ klasyfikacj¿ chmur, co daje lepsze i zwi¿z¿e prognozowanie opadów.