Autorzy

• Szymon Kopeć
• Grzegorz Duniec
• Bogdan Bochenek
• Mariusz Figurski

Opis

Klasyfikacja chmur jest kluczowym zadaniem w meteorologii, z zastosowaniami w prognozowaniu pogody, modelowaniu klimatu i monitorowaniu środowiska. Tradycyjnie obserwacje chmur są wykonywane wizualnie przez doświadczonych obserwatorów, co może wprowadzać błędy ludzkie i niespójności. Celem tego badania jest opracowanie dokładnych modeli głębokiego uczenia do automatycznej klasyfikacji chmur na podstawie obrazów wykonanych z powierzchni ziemi. Zebrano zbiór danych składający się z ponad 200 000 fotografii chmur wykonanych przez profesjonalnych obserwatorów w stacjach meteorologicznych Instytutu Meteorologii i Gospodarki Wodnej – Państwowego Instytutu Badawczego. Obrazy zostały wstępnie przetworzone i oznaczone etykietami typów chmur. Do ekstrakcji cech zastosowano konwolucyjne sieci neuronowe oraz modele transformer, połączone z wielowarstwowymi perceptronami do klasyfikacji. Zbadano różne architektury, w tym ResNet, EfficientNet, Vision Transformers i ich warianty. Aby poprawić uogólnienie modeli, zastosowano strojenie hiperparametrów oraz techniki augmentacji danych, takie jak RandAugment. Najlepszy model osiągnął 97,4% dokładności w klasyfikacji czterech popularnych rodzajów chmur: cirrus, cumulus, stratus oraz bezchmurnego nieba. Dodatkowe eksperymenty obejmowały klasyfikację do 11 rodzajów chmur, przy czym dokładność spadała wraz ze wzrostem złożoności, co było spowodowane ograniczeniami w zbiorze danych. Analiza błędów wykazała, że zamieszania występowały między wizualnie podobnymi klasami. Mimo obiecujących wyników istnieją ograniczenia wynikające z użycia częściowych widoków chmur zamiast obrazów całego nieba. Badanie zaczyna się od czterech klas, a kończy na 11 klasach, co stopniowo ukazuje kolejne błędy w procesie klasyfikacji rodzajów chmur – zjawisko, które nie było wcześniej prezentowane w innych publikacjach. Przyszłe prace będą obejmowały zebranie bardziej zrównoważonego zbioru danych przy użyciu ustandaryzowanych procedur. Integracja kamer obejmujących całe niebo mogłaby pomóc w rozwiązaniu obecnych ograniczeń. Badania te pokazują możliwości wykorzystania głębokiego uczenia do automatycznej obserwacji chmur, z perspektywami rozwoju zastosowań meteorologicznych poprzez dalsze doskonalenie metodologii.

Finansowanie

Pliki

Warunki korzystania

Jest to artykuł o otwartym dostępie na warunkach licencji Creative Commons Attribution, która zezwala na używanie, dystrybucję i reprodukcję w dowolnym medium, pod warunkiem, że oryginalne dzieło zostanie odpowiednio zacytowane.