Автоматическое распознавание атмосферных частиц

Материал из Циклопедии
Перейти к навигации Перейти к поиску
Изображения ледяных частиц, полученные с помощью бортового авиационного сенсора CIP (2015 год)
Изображения снежинок под микроскопом (1853 год)

Автоматическое распознавание атмосферных частиц — прикладная задача распознавания, идентификации и классификации атмосферных гидрометеоров по их изображениям, получаемым с помощью авиационных бортовых оптических приборов, таких как спектрометры с линейкой фотодиодов OAP, с CCD-камерой и т. п.

Описание проблемы[править]

Понимание процессов в атмосферной облачности актуально для решения задач глобальной и локальной климатологии, для построения моделей прогноза погоды, исследования атмосферной микрофизики и в целом ряде практических приложений. Перистая облачность состоит из ледяных кристаллических частиц и может покрывать вплоть до 40 % земной поверхности. Сложность, разнообразие и непредсказуемость образующихся в перистых облаках ледяных частиц сказывается на радиационных свойствах облачной среды, причём неопределённость изменений этих свойств может достигать около 30 %[1].

Экспериментальными исследованиями установлено, что конкретная геометрическая форма ледяных гидрометеоров, возникающих в атмосфере, диктуется состоянием окружающей среды, а прежде всего — температурой и влажностью атмосферного воздуха[2][3]. При этом, несмотря на всё многообразие наблюдаемых форм, практически все из них обладают гексагональной симметрией, характерной для кристаллической решётки ледяного кристалла[4].

Попытки составить целостную научную классификацию частиц, характерных для облаков различных типов, известны начиная с XX века, при этом в те времена вся исследовательская деятельность и сопутствующая техническая работа выполнялись преимущественно вручную. Например, русский исследователь И. Б. Шушкевич в 1910 году представил одну из первых российских классификаций выпадающих из атмосферы кристаллов льда с учётом сопутствующих этому метеоусловий. Через несколько десятилетий эта система была уточнена советским гляциологом Борисом Вейнбергом[5]. Следующей важной вехой стала система классификации ледяных кристаллов, созданная в первой половине XX века японским натуралистом Укисиро Накайей[6]. В дальнейшем она многократно подвергалась ревизии, а на её базе исследователями из Университета Хоккайдо была разработана более подробная классификация снежных частиц, которая получила широкое международное признание как классификация Магоно и Ли[7]. Примерно в одно время с Магоно и Ли в Советском Союзе наблюдением и классификацией выпадающих из облаков ледяных кристаллов занимался Александр Заморский[8].

Несмотря на очевидные достоинства классификации Магоно и Ли, в 2013 году была опубликована ещё более детальная классификация ледяных кристаллов, которая подразделила наблюдаемые ледяные кристаллы на 121 категорию, в то время как у Магоно-Ли их было только 80[9].

Постановка задачи[править]

Современные инструментальные средства экспериментального зондирования облаков включают в себя многочисленное семейство оптических спектрометров OAP, с помощью которых уже набран колоссальный объём данных по всем возможным типам облачности[10] (в ряде современных публикаций[11][12] упоминаются десятки полевых кампаний в ходе которых были сделаны миллионы изображений). Как правило, эти данные накапливаются в ходе научно-исследовательских вылетов специально оборудованной авиатехники. Полученная информация состоит из двумерных изображений атмосферных частиц, сохранённых в виде наборов компьютерных файлов стандартных графических форматов. К каждому такому набору изображений прилагается описание атмосферных условий и параметров эксперимента, во время которого проводилось их получение.

Многие объекты на собранных изображениях легко автоматически идентифицировать с помощью достаточно несложных алгоритмов, в частности — сферические микрокапли воды, как замёрзшие так и жидкие. Однако некоторые классы частиц, например — микрокристаллы льда не поддаются однозначной классификации существующими компьютерными методами ввиду своей крайне причудливой морфологии. Сложность обработки таких изображений усугубляется огромным количеством собранного материала и целым комплексом технических трудностей. В связи с этим высокую актуальность приобрели методы автоматической обработки изображений, специально спроектированные и оптимизированные под задачи распознавания атмосферных частиц, характерных для того или иного вида облачности.

Обзор используемых методик[править]

Попытки создания универсальных алгоритмов компьютерной обработки изображений таких ледяных частиц не останавливаются начиная с последней четверти XX века[13]. Методом проб и ошибок в течении этих лет был опробован широкий спектр различных математических приёмов и средств включая разнообразные нейронные сети, классификаторы, геометрические инварианты и дескрипторы форм.

Как правило, применение любого из современных математических методов начинается с предварительной обработки изображения, в рамках которой пиксельная матрица претерпевает нормализацию всех своих параметров. Затем на её основе проходит селекция и конструирование значимых признаков, которые служат для описания или артикуляции тех или иных интересующих свойств собранных изображений[14]. Основной проблемой данного этапа является подбор таких описательных характеристик изображений, которые бы хорошо соотносились с выбранной системой классификации частиц. Иными словами — выбранные параметры-описатели в идеале должны мало варьироваться внутри одного класса частиц и при этом — сильно изменяться для изображений разных классов[15]. Как следствие, подбор и интерпретация описателей не являются тривиальной задачей, так как, во-первых, отсутствует общепринятая классификации ледяных гидрометеоров в атмосфере, а во-вторых — отсутствует общепринятая схема классификации наблюдаемых изображений таких частиц[16].

В первых исследовательских работах для классификации частиц использовались вектора признаков крайне ограниченного объёма, например, в начале 1980-х у Рахмана в их качестве были взяты всего четыре моментных инварианта[17][18]. В наиболее эффективных современных методах количество выбранных признаков обычно варьируется от нескольких десятков до сотни, например, Линдквист в 2012 году задействовала в своём классификаторе 25 параметров, Праз в 2017 году использовал 72 параметра, а затем в 2018 году их количество у него возросло до 111[19].

После компоновки выбранных описателей в единый массив признаков-параметров его нередко подвергают редукции методом главных компонент для максимизации количества содержащейся в нём информации[20][15][21]. Это может стать причиной уменьшения его размерности. В работе Хантера этот этап проходит под рабочим названием трансформация признаков с помощью ортогональной эмпирической функции (англ. EOF)[22].

На последнем этапе редуцированный вектор-параметр информационно-значимых признаков отправляется на вход выбранного исследователем классификатора, в качестве которого может выступать регрессионная модель, нейронная сеть или что-либо ещё. Качество сделанной классификации обычно оценивается построением матрицы ошибок, либо расчётом балльных коэффициентов (англ. score index)[23].

Конечные результаты, содержащие классификацию частиц в соответствии с их геометрическими формами, могут найти своё применение в целом классе практических приложений. Например, Бейкер и Лоусон в 2006 году смогли применить стандартный алгоритм сегментации и распознавания для оценки площади, периметра, продольных и поперечных размеров ледяных кристаллов из экспериментального массива M90. Используя результаты обработки изображений были получены усовершенствованные параметрические зависимости между наблюдаемыми размерами частиц и их массой для 17 различных классов ледяных кристаллов[24].

Несколько особняком стоит проблема идентификации гидрометеоров, изображения которых прошли через поле зрения прибора только частично, не давая информации о всём силуэте гидрометеора целиком. Попытки обрабатывать такие фрагменты изображений оказались вполне успешными в случае сферических гидрометеоров, для которых были представлены несложные уравнения для получения полного диаметра частицы исходя из габаритов её видимого фрагмента[25][26]. Однако в случае несферических частиц границы поля зрения прибора могут отсечь от наблюдателя значимые элементы силуэта, что не позволит сделать надёжный вывод о геометрии всего объекта. В общем случае проблема классификации несферических гидрометеоров по их видимым фрагментам всё ещё остаётся не решённой. Во многих современных публикациях такие частицы просто детектируют, занося их в отдельную группу, а все измерения проводят по частицам, которые попали в поле зрения прибора полностью[27].

Как всё начиналось…[править]

Буквально в самых первых научных публикациях, посвящённых вопросу автоматизации распознавания и классификации ледяных частиц на фотоснимках, был сделан вывод о превосходстве машинных методов над работой вручную[28]. Основными преимуществами компьютерной обработки были названы не подверженность процесса распознавания факторам усталости и субъективности[29].

В 1981 году для классификации изображений, собранных с помощью 2D-зонда, в Университете Вайоминга[30] был сконструирован классификатор на основе статистической теоремы Байеса и фильтров Кальмана[31]. Он был использован для сортировки изображений на семь различных классов, соответствующих наиболее часто встречаемым видам гидрометеоров. Опорными признаками для классификации гидрометеоров были выбраны четыре моментных инварианта[17][18].

Несколько позднее был опубликован комбинированный метод сортировки изображений частиц на шесть классов, работающий на базе классификатора Фишера. Опорными признаками (англ. features) для классификации стали Фурье-дескрипторы внешней границы, максимальные размеры частицы и побитово перекодированные столбцы её изображения[32]. Для идентификации изображений для каждого из классов был разработан отдельный алгоритм, работающий по принципу максимизации отношения дисперсии между классами к дисперсии внутри класса. Вероятность принадлежности частицы к классу определялась методом максимального правдоподобия[22].

У Холройда при классификации ледяных гидрометеоров в перистой облачности, наблюдаемые объекты были разделены на 9 классов: сферические, гексагональные, линейно-вытянутые, иррегулярные, ориентированные, агрегаты, крупу, дендриты, и слишком маленькие для идентификации[33]. В качестве критерия использовалось дерево решений, где входными параметрами являются наглядные и очевидные характеристики таких изображений: их площадь, периметр, геометрические размеры, угол ориентации и т. п.[33] В самой работе присутствует оговорка о неспособности используемого метода обрабатывать изображения с прорехами вдоль и поперёк направления движения самолёта[34], а также — большой раздел о выявленных проблемах классификационного алгоритма[35]. Тем не менее, уже тогда принимались во внимание границы зоны фокусировки оптического зрачка при оценке концентрации частиц[34], а изображения, собранные Университетом Северной Дакоты в 1983 году, были пересчитаны после сортировки по формам частиц в оценки изменений интенсивности осадков[36].

В 1990-м году группа советских исследователей из Центральной аэрологической обсерватории опубликовала математическое объяснение всей физики формирования изображения на входном зрачке OAP для гидрометеора сферической формы. Задача светорассеяния была ими решена в дифракционном приближении Френеля, а её решение в виде аналитического выражения, позволило прояснить всю структуру поля в дифракционной зоне Френеля[37], оценить размеры зоны фокусировки[38], а в последующих публикациях — оценить величину счётного объёма[39] и увязать особенности наблюдаемой прибором дифракционной картины с размером гидрометеора, который её создаёт[40].

При исследовании двумерных изображений трёхмерных ледяных частиц нередко делались попытки решить задачу идентификации различных форм ограничившись минимумом максимально упрощённых описателей. Однако, на получаемых результатах сильно сказывались аберрации оптической системы и срабатывание прибора на частицы вне зоны фокусировки. Кроме этого, при расчёте округлости частицы (англ. roundness) и фактора её формы (англ. aspect ratio) был сделан вывод о сильном влиянии на эти параметры текущего разрешения оптического спектрометра, в качестве которого выступил CPI. Тем не менее, был сделан ряд важных заключений, например о том, что сферичность и фактор формы для фиксированного размера гидрометеоров мало меняются в зависимости от температуры, доля сферических частиц в наблюдаемых выборках быстро спадает с возрастанием их размеров и т. п.[41]

Статистический подход[править]

На начальных этапах некоторый интерес исследователей вызвали статистические методы распознавания частиц, основанные на работе со статистическими характеристиками больших ансамблей изображений[42][43][44][45][46].

Краеугольной идеей этого подхода стало предположение о том, что каждый класс частиц имеет уникальное среди всех остальных классов распределение своих геометрических безразмерных параметров (англ. ratios)[47]. Тогда полное распределение параметров для единицы объёма реальной облачной среды, состоящей из частиц различных классов, должно быть представимо в виде суперпозиции всех классов с определёнными весовыми коэффициентами, пропорциональными вкладу каждого класса. Таким образом, нахождение этих коэффициентов (идентификация вклада каждого отдельного класса) может быть математически сформулировано, как решение обратной задачи[47]. В качестве конечного продукта был опубликован матричный оператор, который с учётом вклада дифракции Френеля корректировал наблюдаемое распределение размеров регистрируемых изображений трансформируя его в соответствующее распределение размеров атмосферных частиц[43].

Апробация данного метода осуществлялась обработкой изображений, собранных в ходе нескольких экспериментальных кампаний, таких как англ. Canadian Freezing Drizzle Experiment I 1995 года, англ. Canadian Freezing Drizzle Experiment 3 1997—1998 годов и англ. FIRE.ACE 1998 года[48]. В качестве одного из основных выводов был выражен скепсис по поводу перспективности повышения классификационной детализации при сортировке частиц по их видам в силу неотличимости многих классов друг от друга из-за аппаратных ограничений при получении экспериментальных данных[49]. Таким образом, выбор исходной классификации становится нетривиальным компромиссом между требованиями задачи и возможностями экспериментальной аппаратуры (прежде всего — измерительной части OAP)[50].

Интегральные и иные преобразования[править]

Определённый интерес у исследователей вызывали и вызывают методы классификации частиц, основанные на геометрических свойствах их силуэта в поле зрения прибора, которые пропускаются через разного рода математическими преобразования (Хафа, Фурье и т. п.). Выбор того или иного преобразования диктуется условиями конкретной задачи, которую решает тот или иной исследователь[51][52][53][54].

Например, в ранних работах одним из наиболее популярных методов классификации гидрометеоров были Фурье-дескрипторы[51][55], которые вычислялись из точек внешнего контура частицы посредством одномерного преобразования Фурье. После нормализации полученное преобразование Фурье ввиду своих свойств обладает инвариантностью относительно начала координат, не зависит от абсолютного размера частицы, а его модуль не зависит от азимутального угла ориентации частицы в плоскости наблюдения. Таким образом, вычислив дескрипторы Фурье, удаётся исключить из рассмотрения размер частицы и её ориентацию на плоскости изображения, сохранив при этом всю информацию об особенностях её геометрической формы. На следующем этапе классификация частиц осуществляется сопоставлением Фурье-дескрипторов частицы с Фурье-дескрипторами эталонных объектов, хранящихся в базе данных[56]. В качестве эталонных объектов обычно выступает ограниченное количество базовых геометрических фигур (круг, шестиугольник, квадрат, прямоугольники с различным фактором формы и т. п.), что не позволяет надёжно использовать данный метода для описания иррегулярных или композитных ледяных частиц. Тем не менее, численные эксперименты с Фурье-дескрипторами позволили выделять в общем массиве изображений частицы с симметрией , а также — , которая, правда, встречалась крайне редко[57].

Преобразование Хафа получило признание атмосферных физиков в задачах идентификации на изображениях ледяных частиц смерзшихся сферических элементов внутри составных ледяных агрегатов, возникающих под влиянием процессов коагуляции частиц и общей электризации конвективных облаков[53]. Однако, всё ещё нерешённой является задача неоднозначности интерпретации по наблюдаемой на фотоснимке двумерной проекции, которая позволяет предположить, но не реконструировать трёхмерную геометрию составного агрегата, скомпонованного из целого массива квазисферических элементов[58].

Классификационные схемы[править]

Высокую эффективность продемонстрировали методы основанные на различных классификаторах, параметры которых подбираются под каждую конкретную задачу. Точность классификации наблюдаемых объектов с их помощью превышает 97 %[59].

В рамках этого подхода набор исходных признаков для распознавания (англ. features) финской исследовательницей Линдквист был дополнен значениями автокорреляционной функции периметра, которая описывает взаимное расположение точек периметра изображения друг относительно друга[60]. Причём периметр частицы в рамках данной модели трактуется Линдквист не как линейная величина, а как угловая, нормализованная к диапазону 360°. Расстояние между точками на таком периметре также трактуется не как линейный параметр, а как угловая величина, где, например, половине периметра соответствует угол в 180°[61]. В дальнейшем идея Линдквиста перекочевала в публикации Праца[19].

К недостаткам такого подхода можно отнести необходимость предварительной обработки классификационных признаков перед передачей их выбранному классификатору. В качестве примера такой предобработки можно привести задействование гауссового анаморфозиса у Праца для стабилизации процесса классификации с помощью многочленной логистической регрессии. По его мнению, этот этап крайне желателен во-первых — для уменьшения количества статистических выбросов и, во-вторых — для улучшения сходимости оптимизационной схемы, что в суммарном итоге значительно уточняет результаты классификации[62].

Весьма успешно классификационная схема Праца была применена для оценки степени обмерзания гидрометеоров, выпадающих из приземного слоя атмосферы в ходе проекта англ. MASCRAD (англ. Multi-Angle Snowflake Camera). Сортировка ледяных частиц по формам велась в рамках предложенной Працем системы из десяти эталонных типов частиц (столбчатые, пластинчатые, крупа и т. п.), полученных упрощением хрестоматийной классификации Магоно и Ли[63]. Помимо этого алгоритм достаточно успешно оценивал частицы на предмет их обледенения, присваивая каждой из них свой класс в диапазоне от одного до пяти[64].

Нейронные сети[править]

В настоящее время широкую популярность завоевали методы распознавания изображений, основанные на использовании нейронных сетей[65]. По заявлениям специалистов по атмосферной физике, нейронные сети, как способ распознавания и классификации атмосферных гидрометеоров, за последние несколько десятилетий своего совершенствования дали своим пользователям целый спектр новых возможностей. Во-первых, нейронные сети изначально разрабатываются и оптимизируются под задачи обработки и анализа изображений, что делает их с вычислительной точки зрения чрезвычайно эффективным средством. Во-вторых, такая разновидность нейронных сетей как свёрточные нейронные сети позволяет полностью автоматизировать и скрыть от пользователя процесс выбора (англ. feature extraction) классифицирующих признаков-описателей. В дальнейшем они могут быть перенесены алгоритмом сети для использования на новых данных независимо от параметров конкретного массива изображений или каких-либо особенностей экспериментальной аппаратуры, с помощью которой был получен этот массив[66]. Точность классификации наблюдаемых объектов с помощью алгоритмов, основанных на нейронных сетях, по оценкам пользователей превышает 97 %[67]. В настоящее время в задаче классификации гидрометеоров особую популярность получили системы классификации, основанные на хорошо отработанных схемах нейронных сетей AlexNet[68][69][70] и VGG (Visual Geometry Group)[71][69][70]. Для их обучения часто задействуется общедоступная онлайн-база аннотированных изображений ImageNet[72][73]. Иногда алгоритмы нейронных сетей и их параметры обучения оптимизируются под определённые виды экспериментальной аппаратуры получения снимков частиц (PIP, 2DS и т. п.)[74].

Сопоставление девяти различных алгоритмов свёрточных нейронных сетей показало, что при задействовании в обработке графических процессоров возникает возможность осуществлять автоматическую классификацию изображений в реальном времени. Тем не менее, геометрические параметры более половины изображений (около 57 %) свёрточным нейронным сетям классифицировать не удаётся из-за размытости фотоснимков или из-за крайне малого размера частиц. Около 19 % зарегистрированных изображений были классифицированы как жидкие капли. После удаления некачественных снимков и жидких капель из статистического ансамбля около 38 % частиц оказывались на фотоснимках только фрагментарно, оставаясь своей большей частью вне поля зрения прибора. Это не позволяло их надёжным образом измерить и классифицировать[67]. Что касается типов частиц, которые вызывали проблемы с классификацией, то самыми сложными для распознавания стали гидрометеоры класса англ. budding rossete, которые часто ошибочно принимались алгоритмом за компактные частицы нерегулярных форм или ледяные агрегаты. Те, в свою очередь, тоже часто вызывали сбои распознавания, когда нейронная сеть их путала друг с другом[75]. В дополнение к этому, значительные сложности вызывали ледяные пластинки, зафиксированные на фотоснимках со стороны своих призматических граней. Из-за этого алгоритм распознавания их нередко классифицировал как ледяные столбики[76].

По заключению исследовательского коллектива из Китайского метеорологического управления, преимуществом свёрточных нейронных сетей с глубоким обучением является отсутствие необходимости в предварительном этапе подбора значимых признаков (англ. feature extraction), когда входными данными нейронной сети становятся двумерные изображения частиц целиком, а не подобранные исследователем их математические описатели (англ. features)[10]. К аналогичному выводу пришла группа исследователей из Цюриха[77].

У некоторых авторов в процессе обучения сети применялось расширение данных (англ. data augmentation), которое было реализовано посредством дополнения тренировочных массивов изображений их преобразованными копиями. Набор используемых преобразований включал в себя отзеркаливание в горизонтальной или вертикальной плоскостях, вращение на 90° и смещение. Каждое из преобразований применялось с вероятностью в 50 % к каждой картинке в тренировочном массиве[78].

Применение свёрточных нейронных сетей в рамках проекта англ. MASCRAD (англ. Multi-Angle Snowflake Camera) (Грили, штат Колорадо) позволило оценить степень обледенения (англ. riming degree) выпадающих в приземном слое снежинок[79]. Степень обледенения гидрометеоров в данной работе задавалась в соответствии с методом, позаимствованным из работы Праца, который в своей модели при классификации частиц опирался на логистическую регрессию и метод максимального правдоподобия[80].

Источники[править]

  1. Przybylo et al., 2022, Introduction
  2. Pruppacher, Klett, 2004, Shape, Dimensions, Bulk Density and Number Concentration of Snow Crystals
  3. Singh, 2011, Snow Crystal Structure
  4. Pruppacher, Klett, 2004, Shape, Dimensions, Bulk Density and Number Concentration of Snow Crystals
  5. Голубев, 2013, с. 53
  6. Singh, 2011, Ice
  7. Magono, Lee, 1966, с. 322
  8. Заморский, 1955, Глава V. Морфология снежинок
  9. Kikuchi et al., 2013, Abstract
  10. 10,0 10,1 Zhang et al., 2023, Introduction
  11. Lawson et al., 2019, Abstract
  12. Przybylo et al., 2022, Data collection
  13. Holroyd, 1987, с. 498
  14. Lindqvist et al., 2012, Classification Methods
  15. 15,0 15,1 Lindqvist et al., 2012, Classification Methods
  16. Praz, Ding, McFarquhar, Berne, 2018, Classes Definition
  17. 17,0 17,1 Rahman, Jacquot, Quincy, Stewart, 1981, Abstract
  18. 18,0 18,1 Rahman, Jacquot, Quincy, Stewart, 1981, Probability estimation by discrete adaptive Kalman filtering
  19. 19,0 19,1 Praz, Ding, McFarquhar, Berne, 2018, Image Processing and Feature Extraction
  20. Lindqvist et al., 2012, Abstract
  21. Grulich et al., 2021, Spherical filtering
  22. 22,0 22,1 Hunter, Dyer, Glass, 1984, Design of machine classifiers
  23. Praz, Ding, McFarquhar, Berne, 2018, Classification Performance Assessment
  24. Baker, Lawson, 2006, Results
  25. Heymsfield, Parrish, 1978, Recompited particle size and sampling area
  26. Korolev, Sussman, 2000, Partial Images
  27. Zhang et al., 2023, Classification results for CNN-2DS
  28. Hunter, Dyer, Glass, 1984, Abstract
  29. Hunter, Dyer, Glass, 1984, Definition of classes
  30. Rahman, Jacquot, Quincy, Stewart, 1981, Results
  31. Hunter, Dyer, Glass, 1984, Construction of data vectors
  32. 33,0 33,1 Holroyd, 1987, Habit classification
  33. 34,0 34,1 Holroyd, 1987, Notations and rejections
  34. Holroyd, 1987, Technique Imperfections
  35. Holroyd, 1987, Applications
  36. Korolev, Kuznetsov, Makarov, Novikov, 1991, Theoretical study of spherical particle shadows
  37. Korolev, Kuznetsov, Makarov, Novikov, 1991, Sample area
  38. Baumgardner, Korolev, 1997, Correction algorithm derivation
  39. Korolev, Strapp, Isaac, 1998, Size retrieval of individual images
  40. Korolev, Isaac, 2003, Accuracy of roundness and aspect ratio
  41. Duroure, Larsen, Isaka, Personne, 1994, с. 195
  42. 43,0 43,1 Korolev, Strapp, Isaac, 1998, Retrieval of ensembles of images
  43. Korolev, Isaac, Hallett, 2000, с. 2873
  44. Korolev, Sussman, 2000, с. 1048
  45. Schmitt, Heymsfield, 2005, с. 467
  46. 47,0 47,1 Korolev, Sussman, 2000, Basics of the algorithm
  47. Korolev, Sussman, 2000, Basics of the algorithm
  48. Korolev, Sussman, 2000, Discussion
  49. Korolev, Isaac, Hallett, 2000, Number of habit categories for particle classification
  50. 51,0 51,1 Duroure, 1982, с. 71
  51. Kuhn, Grishin, Sloan, 2012, с. 1811
  52. 53,0 53,1 Um et al., 2018, Technique to identify element frozen droplets
  53. Moss, Johnson, 1994, с. 1—25
  54. Hunter, Dyer, Glass, 1984, Construction of data vectors
  55. Kuhn, Grishin, Sloan, 2012, с. 1812
  56. Moss, Johnson, 1994, Shape classification
  57. Um et al., 2018, Three dimensional representations of FDAs and comparison with black carbon aggregates
  58. Praz, Ding, McFarquhar, Berne, 2018, Conclusions
  59. Lindqvist et al., 2012, Classification Methods
  60. Lindqvist et al., 2012, Classification Methods
  61. Praz, Ding, McFarquhar, Berne, 2018, Feature Trasnformation
  62. Praz, Roulet, Berne, 2017, Classes Definition
  63. Praz, Roulet, Berne, 2017, Riming degree
  64. Touloupas et al., 2020, с. 2219
  65. Hicks, Notaroš, 2019, Introduction
  66. 67,0 67,1 Przybylo et al., 2022, Abstract
  67. Wu et al., 2020, Convolutional Neural Network and Transfer Learning
  68. 69,0 69,1 Xiao et al., 2019, Materials and Methods
  69. 70,0 70,1 Przybylo et al., 2022, Classification models
  70. Touloupas et al., 2020, Network architecture
  71. Hicks, Notaroš, 2019, Software Implementation
  72. Przybylo et al., 2022, Classification models
  73. Jaffeux et al., 2022, Training evaluation: results on test sets
  74. Przybylo et al., 2022, Performance assessment
  75. Przybylo et al., 2022, Performance assessment
  76. Touloupas et al., 2020, Appendix A: Neural networks
  77. Touloupas et al., 2020, Data augmentation
  78. Hicks, Notaroš, 2019, Riming Degree Estimation
  79. Praz, Roulet, Berne, 2017, Classification method

Литература[править]

  1. Голубев, В. Н. Зарождение и рост кристаллов льда в атмосфере // Лёд и снег : журн. — 2013. — № 1. — Т. 121. — С. 53—60. — УДК 551.343.74Ь551.322.548Ь551.322:548.5(G).
  2. Заморский, Александр Дмитриевич Атмосферный лёд, иней, гололёд, снег и град / С. П. Хромов. — М. — Л. : Из-во Академии Наук СССР, 1955.
  3. Baker, Brad; Lawson, R. Paul Improvement in Determination of Ice Water Content from Two-Dimensional Particle Imagery. Part I: Image-to-Mass Relationships : [англ.] // Journal of Applied Meteorology and Climatology. — 2006. — 01 сентября. — Vol. 45. — P. 1282–1290. — DOI:10.1175/JAM2398.1.
  4. Baumgardner, Darrel; Korolev, Alexei Airspeed Corrections for Optical Array Probe Sample Volumes : [англ.] // Journal of Atmospheric and Oceanic Technology. — 1997. — 1 октября. — P. 1224–1229. — DOI:10.1175/1520-0426(1997)014<1224:ACFOAP>2.0.CO;2.
  5. Duroure, C. Une nouvelle méthode de traitement des images d'hydrométéores données par les sondes bidimensionnelles : [фр.] // J. Rech. Atmos. — 1982. — Vol. 6, no. 1. — P. 71–84.
  6. Duroure, C.; Larsen, H.R.; Isaka, H. [и др.]. 2D image population analysis : [англ.] // Atmospheric Research : журн. — 1994. — Т. 34. — С. 195–205.
  7. Grulich, Lucas; Weigel, Ralf; Hildebrandt, Andreas [и др.]. Automatic shape detection of ice crystals : [англ.] // Journal of Computational Science. — 2021. — . — Vol. 54. — P. –. — DOI:10.1016/j.jocs.2021.101429.
  8. Jaffeux, Louis; Schwarzenböck, Alfons; Coutris, Pierre [и др.]. Ice crystal images from optical array probes: classification with convolutional neural networks : [англ.] // Atmospheric Measurement Techniques. — 2022. — Vol. 15, no. 17. — P. 5141–5157. — DOI:10.5194/amt-15-5141-2022.
  9. Heymsfield, Andrew J.; Parrish, Joanne L. A Computational Technique for Increasing the Effective Sampling Volume of the PMS Two-Dimensional Particle Size Spectrometer : [англ.] // Journal of Applied Meteorology and Climatology. — 1978. — 1 октября. — Vol. 17. — P. 1566–1572. — DOI:10.1175/1520-0450(1978)017<1566:ACTFIT>2.0.CO;2.
  10. Hicks, A.; Notaroš, B. M. Method for Classification of Snowflakes Based on Images by a Multi-Angle Snowflake Camera Using Convolutional Neural Networks : [англ.] // Journal of Atmospheric and Oceanic Technology. — 2019. — 1 декабря. — Vol. 36, no. 12. — P. 2267–2282. — DOI:10.1175/JTECH-D-19-0055.1.
  11. Holroyd, Edmond W. Some Techniques and Uses of 2D-C Habit Classification Software for Snow Particles : [англ.] // Journal of Atmospheric and Oceanic Technology. — 1987. — 1 сентября. — P. 498–511. — DOI:10.1175/1520-0426(1987)004<0498:STAUOC>2.0.CO;2.
  12. Hunter, Herbert E.; Dyer, Rosemary M.; Glass, Morton A Two-Dimensional Hydrometeor Machine Classifier Derived from Observed Data : [англ.] // Journal of Atmospheric and Oceanic Technology. — 1984. — 01 марта. — Vol. 1. — P. 28–36. — DOI:10.1175/1520-0426(1984)001<0028:ATDHMC>2.0.CO;2.
  13. Jaffeux, Louis; Schwarzenböck, Alfons; Coutris, Pierre [и др.]. Ice crystal images from optical array probes: classification with convolutional neural networks : [англ.] // Atmospheric Measurement Techniques. — 2022. — Vol. 15, no. 17. — P. 5141–5157. — DOI:10.5194/amt-15-5141-2022.
  14. Kikuchi, K.; Kameda, T.; Higuchi, K. [и др.]. A global classification of snow crystals, ice crystals, and solid precipitation based on observations from middle latitudes to polar regions : [англ.] // Atmospheric Research. — 2013. — Vol. 132—133. — P. 460–472. — DOI:10.1016/j.atmosres.2013.06.006.
  15. Korolev, Alexei V.; Kuznetsov, S. V.; Makarov, Yu. E. [и др.]. Evaluation of Measurements of Particle Size and Sample Area from Optical Array Probes : [англ.] // Journal of Atmospheric and Oceanic Technology. — 1991. — 1 августа. — P. 514–522. — DOI:10.1175/1520-0426(1991)008<0514:EOMOPS>2.0.CO;2.
  16. Korolev, Alexei V.; Strapp, J. W.; Isaac, G. A. Evaluation of the Accuracy of PMS Optical Array Probes : [англ.] // Journal of Atmospheric and Oceanic Technology. — 1998. — 1 июня. — Vol. 15. — P. 708–720. — DOI:10.1175/1520-0426(1998)015<0708:EOTAOP>2.0.CO;2.
  17. Korolev, Alexei; Sussman, B. A Technique for Habit Classification of Cloud Particles : [англ.] // Journal of Atmospheric and Oceanic Technology. — 2000. — 01 августа. — Vol. 17. — P. 1048–1057. — DOI:10.1175/1520-0426(2000)017<1048:ATFHCO>2.0.CO;2.
  18. Korolev, Alexei; Isaac, G. A.; Hallett, J. Ice Particle Habits in Stratiform Clouds : [англ.] // Quarterly Journal of the Royal Meteorological Society : журн. — 2000. — Vol. 126, no. 569. — С. 2873–2902.
  19. Korolev, Alexei; Isaac, George Roundness and Aspect Ratio of Particles in Ice Clouds : [англ.] // Journal of Atmospheric Sciences. — 2003. — 1 августа. — Vol. 60. — P. 1795–1808. — DOI:10.1175/1520-0469(2003)060<1795:RAAROP>2.0.CO;2.
  20. Kuhn, Thomas; Grishin, Igor; Sloan, J. J. Improved Imaging and Image Analysis System for Application to Measurement of Small Ice Crystals : [англ.] // Journal of Atmospheric and Oceanic Technology. — 2012. — Декабрь. — Vol. 29. — P. 1811–1824. — DOI:10.1175/JTECH-D-11-00199.1.
  21. Lawson, R. P.; Woods, S.; Jensen, E. [и др.]. A Review of Ice Particle Shapes in Cirrus formed In Situ and in Anvils : [англ.] // Journal of Geophysical Research: Atmospheres. — 2019. — 25 июля. — Vol. 124, no. 17—18. — P. 10049–10090. — DOI:10.1029/2018JD030122.
  22. Lindqvist, H.; Muinonen, K.; Nousiainen, T. [и др.]. Ice-cloud particle habit classification using principal components : [англ.] // Journal of Geophysical Research. — 2012. — 27 августа. — Vol. 117, no. D16. — P. –. — DOI:10.1029/2012JD017573.
  23. Magono, C.; Lee, C. W. Meteorological Classification of Natural Snow Crystals : [англ.] // Journal of the Faculty of Science, Hokkaido University, Japan. — 1966. — Vol. II, no. 4. — P. 321–335.
  24. Moss, S. J.; Johnson, D. W. Aircraft Measurements to Validate and Improve Numerical Model Parametrisations of ice to water rations in clouds : [англ.] // Atmospheric Research. — 1994. — Vol. 34. — P. 1–25.
  25. Praz, Christophe; Roulet, Yves-Alain; Berne, Alexis Solid hydrometeor classification and riming degree estimation from pictures collected with a Multi-Angle Snowflake Camera : [англ.] // Atmospheric Measurement Techniques. — 2017. — 3 января. — Vol. 10, no. 4. — P. 1335–1357.
  26. Praz, Christophe; Ding, S.; McFarquhar, G. M. [и др.]. A Versatile Method for Ice Particle Habit Classification Using Airborne Imaging Probe Data : [англ.] // JGR: Atmospheres. — 2018. — 08 ноября. — Vol. 123, no. 23. — P. 13472–15495. — DOI:10.1029/2018JD029163.
  27. Pruppacher, Hans R.; Klett, James Microphysics of Clouds and Precipitation : [англ.]. — New York, Boston, Dordrecht, London, Moscow : Kluwer Academic Publishers, 2004. — ISBN 0-306-48100-6.
  28. Przybylo, Vanessa; Sulia, Kara; Schmitt, Carl G. [и др.]. Classification of Cloud Particle Imagery from Aircraft Platforms Using Convolutional Neural Networks : [англ.] // Journal of Atmospheric and Oceanic Technology. — 2022. — 1 апреля. — Vol. 39. — P. 405–424. — DOI:10.1175/JTECH-D-21-0094.1.
  29. Rahman, Mizanur M.; Jacquot, Raymond G.; Quincy, Edmund A. [и др.]. Two-Dimensional Hydrometeor Image Classification by Statistical Pattern Recognition Algorithms : [англ.] // Journal of Applied Meteorology. — 1981. — 1 мая. — Vol. 20. — P. 536–546. — DOI:10.1175/1520-0450(1981)020<0536:TDHICB>2.0.CO;2.
  30. Schmitt, C. G.; Heymsfield, A. J. Total Surface Area Estimates for Individual Ice Particles and Particle Populations : [англ.] // Journal of Applied Meteorology. — 2005. — Апрель. — Vol. 44, no. 4. — P. 467–474.
  31. Touloupas, Georgios; Lauber, Annika; Henneberger, Jan [и др.]. A convolutional neural network for classifying cloud particles recorded by imaging probes : [англ.] // Atmospheric Measurement Techniques. — 2020. — 08 мая. — Vol. 13. — P. 2219–2239. — DOI:10.5194/AMT-13-2219-2020.
  32. Um, Junshik; McFarquhar, Greg M.; Stith, Jeffrey L. [и др.]. Microphysical characteristics of frozen droplet aggregates from deep convective clouds : [англ.] // Atmospheric Chemistry and Physics. — 2018. — Vol. 18. — P. 16915–16930. — DOI:10.5194/acp-18-16915-2018.
  33. Wu, Zepei; Liu, Shuo; Zhao, Delong [и др.]. Neural Network Classification of Ice-Crystal Images Observed by an Airborne Cloud Imaging Probe : [англ.] // Atmosphere-Ocean. — 2020. — 16 августа. — Vol. 58, no. 5. — P. 303–315. — DOI:10.1080/07055900.2020.1843393.
  34. Xiao, Haixia; Zhang, Feng; He, Qianshan [и др.]. Classification of Ice Crystal Habits Observed From Airborne Cloud Particle Imager by Deep Transfer Learning : [англ.] // Earth and Space Science. — 2019. — 1 сентября. — Vol. 6, no. 10. — P. 1877–1886. — DOI:10.1029/2019EA000636.
  35. Zhang, Rong; Xiao, Haixia; Gao, Yang [и др.]. Shape Classification of Cloud Particles Recorded by the 2D-S Imaging Probe Using a Convolutional Neural Network : [англ.] // Journal of Meteorological Research. — 2023. — Август. — Vol. 37, no. 4. — P. 521–535. — DOI:10.1007/s13351-023-2146-2.
  36. Encyclopedia of Snow, Ice and Glaciers : [англ.] / V. P. Singh, P. Singh, U. K. Haritashya. — Springer, 2011. — ISBN 78-90-481-2641-5.
 
Осадки, выпадающие на земную поверхность
Осадки, образующиеся на поверхности

ГололедицаГололёдЗернистая изморозьИнейКристаллическая изморозьНалепьРоса

Туманы

ДымкаЛедяной туманПоземный туманПросвечивающий туманРадиационный туманСмогТуман

Метели

Низовая метельОбщая метельПозёмокПургаСнежная мгла

Литометеоры

Аэрозольная пыльМглаПыль (взвешенная в воздухе), пыльная мглаПыльная (песчаная) буряПыльный (песчаный) вихрьПыльный (песчаный) позёмок

Конвективные явления

ОблакопадСмерчШквал

Электрические явления

ГрозаЗарницаМолния (шаровая) • Огни ХессдаленаПолярное сияние

Оптические явления

ВенецГалоДиффузное излучение небаЗелёный лучКоронная вспышкаКрест КоролёваМетеор (болид) • Мираж (верхний, нижний, боковой)РадугаСумеречные лучи

Аномальная погода

Засуха в СССР (1946)Аномалия (2005−2006)Аномальная жара в России (2012)Аномальные морозы (2002—2003)Аномальные морозы (2010)Погода в Москве в 2010 году

Ураганы

АйринСмерч в Краснозаводске (2009)Смерч в Ефремове (2013)Торнадо в Башкирии (2024)Ураган в Алма-Ате (2011)Ураган в Белоруссии (2016)Ураган в Москве (2018)Ураган в Москве (20.06.2024)Ураган в Москве (5.07.2024)Ураганный ветер «Эберхард»

Местные ветры

АбазаАбрегоАрмавирский ветерВыгонГорнякКамикадзеКривецХамсинХару итибан

Разное

Автоматическое распознавание атмосферных частицАстроклиматБлокирующий антициклонВоенная метеорологияВолны РоссбиКислотные дождиКлиматическая аномалияМетеорологическая войнаМорозПарниковый эффектПервый снегПеТа излучениеСмог (в Москве) • Теория биотического насосаФорма дождевой капли

Руниверсалис

Одним из источников, использованных при создании данной статьи, является статья из википроекта «Руниверсалис» («Руни», руни.рф) под названием «Автоматическое распознавание атмосферных частиц», расположенная по адресу:

«https://руни.рф/index.php/Автоматическое_распознавание_атмосферных_частиц»

Материал указанной статьи полностью или частично использован в Циклопедии по лицензии CC BY-SA.

Всем участникам Руниверсалиса предлагается прочитать «Обращение к участникам Руниверсалиса» основателя Циклопедии и «Почему Циклопедия?».