Одним из главных принципов уникальной «системы Физтеха», заложенной в основу образования в МФТИ, является тщательный отбор одаренных и склонных к творческой работе представителей молодежи. Абитуриентами Физтеха становятся самые талантливые и высокообразованные выпускники школ всей России и десятков стран мира.

Студенческая жизнь в МФТИ насыщенна и разнообразна. Студенты активно совмещают учебную деятельность с занятиями спортом, участием в культурно-массовых мероприятиях, а также их организации. Администрация института всячески поддерживает инициативу и заботится о благополучии студентов. Так, ведется непрерывная работа по расширению студенческого городка и улучшению быта студентов.

Адрес e-mail:

Применение нейронной сети для маскирования облаков на космических снимках земли со спутников NOAA

С. С. Плеханов, М.В. Минченков,  Д.В.Юрин

Московский физико-технический институт

Отд.ФГУП ОПТЭКС

 

Искусственные нейронные сети предствляют собой перспективное средство обработки векторных данных. В настоящей работе нейронная сеть применялась для классификации изображений, получаемых с метеорологических спутников серии NOAA [1], в частности, для выделения облаков и водных объектов. Известно, что нейронные сети способны осуществлять разбиение пространства признаков гиперповерхностями на классы и находить сложные взаимосвязи [2]. Общепринятый в настоящее время способ маскирования облачности [3], основанный на физическом подходе, приводит к логически сложным алгоритмам, требующим большого количества дополнительной информации (в отличие от человека) о подстилающей поверхности  и обрабатывающим раздельно отдельные известные ситуации.

Реализованная нейросеть представляет собой прямую полносвязанную сеть с одним скрытым слоем и сигмоидальными передаточными функциями [2]. Обучение осуществляется с учителем методом обратного распространения ошибки (back propagation). В качестве входных данных сети использовались пять спектральных каналов прибора AVHRR спутников серии NOAA, данные были откалиброваны и скорректированы с учетом зенитного угла Солнца и сезонного изменения расстояния между Землей и Солнцем. В качестве альтернативы рассматривались также некоторые известные комбинации данных AVHRR, имеющие ясный физический смысл.

,

где NDVI и PWI- индексы вегетации и осажденной воды, - альбедо и  радиационные температуры в соответствующих спектральных каналах соответственно.

Обучающая выборка формировалась по большому количеству разновременных снимков, полученных с различных аппаратов серии, причем из каждого снимка была задействована в обучающей выборке лишь часть информации, при ручной классификации которой не возникало сомнений. В качестве тестовой выборки использовались как те же снимки, так и снимки не представленные в обучающей выборке. Нейросеть настраивалась по следующему алгоритму: все множество обучающих изображений было разделено на две выборки – обучающую и тестовую. На первой в случайном порядке выбиралась классифицированная точка изображения, и производилась корректировка весов по методу обратного распространения ошибки. После настройки сети вышеописанным образом на всех точках обучающей выборки производилась оценка эффективности работы обученной сети на тестовой выборке. В случае если результат работы был неудовлетворительный, и синаптический веса не стабилизировались, обучение продолжалось. Качество классификации контролировалось также визуально путем анализа результатов обработки обученной нейросетью всей площади изображений.

Литература

G. Goodrum, K.B. Kidwell, W. Winston. NOAA KLM Users Guide - May 1999. А. И. Галушкин, ”Теория нейронных сетей. Книга 1” – М.: ИПРЖР, 2000. -416с.: ил. (Нейрокомпьютеры и их применение). B.A. Baum et al. Imager Clear-Sky Determination and Cloud Detection. CERES ATBD subsystem 4.1 –Cloud Mask. Goddard Space Flight Center, DAAC.
Если вы заметили в тексте ошибку, выделите её и нажмите Ctrl+Enter.

© 2001-2016 Московский физико-технический институт
(государственный университет)

Техподдержка сайта

МФТИ в социальных сетях

soc-vk soc-fb soc-tw soc-li soc-li
Яндекс.Метрика