Консалтинговая группа "Текарт" - центр компетенции "Робототехника".

Подробнее...
Основное меню
Категории новостей
Логотип

Нейронные сети на службе у метеорологов

Для наблюдения за погодой и климатом существует сеть наземных станций, которые производят регулярные замеры параметров атмосферы и поверхности Земли. Однако сеть таких станций, например, в районах Сибири и Дальнего Востока, мала и распределена неравномерно, при этом сбор и обобщение данных для их дальнейшего анализа занимает много времени.

И здесь на помощь приходят спутники, с помощью которых можно произвести съемку практически любой территории с различной периодичностью.

Основная проблема, с которой приходится сталкиваться при съемке Земли из космоса - это облака. Еще большую проблему представляет съемка заснеженных территорий под облаками, так как и снег, и облачность могут выглядеть очень похожими друг на друга. И хотя проблему частично удается решить путем сопоставления снимков видимого и инфракрасного диапазонов, вопрос эффективного разделения облачности и снега до сих пор остается открытым.

Для классификации объектов на спутниковом изображении могут использоваться различные алгоритмы, производящие спектральный анализ каждого пиксела. В зависимости от полученного значения, эти алгоритмы принимают решение о том, к какому классу его отнести: это может быть снег, водная поверхность, облачность и т.д. Однако сделать универсальный алгоритм, который смог бы эффективно классифицировать снег и облачность не получается. Причина тому – критерий, по которому происходит разделение, сильно зависящий от территории и подверженный сезонности, что приводит к значительным ошибкам при классификации. Поэтому приходится настраивать алгоритм либо для каждой территории отдельно и переключать его между сезонами, либо искать другое решение…

Основная идея нового подхода заключается в использовании новейших технологий компьютерного зрения и глубокого машинного обучения – сверточных нейронных сетей (CNN). Сегодня CNN показывают впечатляющие результаты при распознавании образов и даже при генерации новых фотореалистичных изображений.

В Дальневосточном центре НИЦ «Планета» для реализации алгоритма, способного классифицировать снег, применили CNN, обученную на текстурах. Текстуры представляют собой небольшие изображения с примерами снега, облачности, земли и т.д., которым присваивается определенная метка класса, к которому она относится.

Для обучения классификатора была собрана выборка, состоящая из более 120 тысяч примеров текстур, выделенных на изображениях отечественного спутника «Метеор-М» №2. Далее, в результате предобработки этот набор был увеличен до 3,5 млн. текстур, что позволило достичь максимальной точности, хотя сам процесс обучения нейронной сети занимает при этом достаточно много времени и значительных вычислительных ресурсов. Исходя из этого расчеты были произведены на вычислительных мощностях Центра коллективного пользования «Центр данных ДВО РАН». Для вычислений был использован гибридный кластер с графическими ускорителями NVIDIA Tesla P100, который установлен в ВЦ ДВО РАН. Решение рассматриваемой задачи исключительно на центральном процессоре заняло бы в 54 раза больше времени. В основе применённой нейронной сети лежат такие известные модели, как AlexNet, GoogLeNet Inception и ResNet, в которых используются различные архитектурные решения. Взяв за основу «строительные блоки» из других архитектур, была создана сеть, наилучшим образом подходящая для задачи классификации снега.

Полученная модель была протестирована в сравнении с другими методиками и показала высокую точность классификации, в том числе при сопоставлении с результатами ручного выделения на спутниковых изображениях снежного покрова, проведённого опытным специалистом-дешифровщиком. Помимо повышения качества классификации, также удалось решить упомянутую выше проблему с территориальной привязанностью и сезонностью алгоритмов. При помощи CNN оказалось возможным обобщить обучающие данные, что было не под силу другим алгоритмам классификации.

Таким образом, в Дальневосточном центре НИЦ «Планета» имеется возможность производить оперативный мониторинг снежного покрова и получать маски облачности для всей территории России, а при необходимости и за её пределами. Эта информация крайне важна специалистам в периоды становления и схода снежного покрова, а также для анализа многолетних климатических изменений в виду того, что снег и облака, дающие осадки, являются одним из основных факторов, вызывающих наводнения.

Применение нейросетевых технологий в сфере спутникового мониторинга не ограничивается одними лишь масками снега и облачности. В настоящее время в Дальневосточном центре НИЦ «Планета» ведется разработка новых моделей, одна из которых способна классифицировать типы облачности, а другая – генерировать карты осадков на краткосрочный период, что в конечном итоге позволит повысить качество и оперативность метеорологических прогнозов.

Комментарии

(0) Добавить комментарий

Ищите команду разработчиков? Не можете найти робота для своих нужд? Пишите нам!

Для обратной связи укажите ваш E-mail, он будет доступен только администратору. Так вы сможете оперативно узнать, когда ответ на ваш вопрос будет опубликован



Новые комментарии

Магнитные гусеничные роботы для очистки корпуса судна от продуктов биообрастания
Гость Николай Николаевич
29.12.2023
10:23:08
Очень нравится. Как возможно задействовать в наших водах Азов и Черное море