Автоматическое распознавание атмосферных частиц
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].
Этот раздел статьи ещё не написан. Согласно замыслу одного из участников Циклопедии, на этом месте должен располагаться специальный раздел.
Вы можете помочь проекту, написав этот раздел. |
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].
Этот раздел статьи ещё не написан. Согласно замыслу одного из участников Циклопедии, на этом месте должен располагаться специальный раздел.
Вы можете помочь проекту, написав этот раздел. |
Источники[править]
- ↑ Przybylo et al., 2022, Introduction
- ↑ Pruppacher, Klett, 2004, Shape, Dimensions, Bulk Density and Number Concentration of Snow Crystals
- ↑ Singh, 2011, Snow Crystal Structure
- ↑ Pruppacher, Klett, 2004, Shape, Dimensions, Bulk Density and Number Concentration of Snow Crystals
- ↑ Голубев, 2013, с. 53
- ↑ Singh, 2011, Ice
- ↑ Magono, Lee, 1966, с. 322
- ↑ Заморский, 1955, Глава V. Морфология снежинок
- ↑ Kikuchi et al., 2013, Abstract
- ↑ 10,0 10,1 Zhang et al., 2023, Introduction
- ↑ Lawson et al., 2019, Abstract
- ↑ Przybylo et al., 2022, Data collection
- ↑ Holroyd, 1987, с. 498
- ↑ Lindqvist et al., 2012, Classification Methods
- ↑ 15,0 15,1 Lindqvist et al., 2012, Classification Methods
- ↑ Praz, Ding, McFarquhar, Berne, 2018, Classes Definition
- ↑ 17,0 17,1 Rahman, Jacquot, Quincy, Stewart, 1981, Abstract
- ↑ 18,0 18,1 Rahman, Jacquot, Quincy, Stewart, 1981, Probability estimation by discrete adaptive Kalman filtering
- ↑ 19,0 19,1 Praz, Ding, McFarquhar, Berne, 2018, Image Processing and Feature Extraction
- ↑ Lindqvist et al., 2012, Abstract
- ↑ Grulich et al., 2021, Spherical filtering
- ↑ 22,0 22,1 Hunter, Dyer, Glass, 1984, Design of machine classifiers
- ↑ Praz, Ding, McFarquhar, Berne, 2018, Classification Performance Assessment
- ↑ Baker, Lawson, 2006, Results
- ↑ Heymsfield, Parrish, 1978, Recompited particle size and sampling area
- ↑ Korolev, Sussman, 2000, Partial Images
- ↑ Zhang et al., 2023, Classification results for CNN-2DS
- ↑ Hunter, Dyer, Glass, 1984, Abstract
- ↑ Hunter, Dyer, Glass, 1984, Definition of classes
- ↑ Rahman, Jacquot, Quincy, Stewart, 1981, Results
- ↑ Hunter, Dyer, Glass, 1984, Construction of data vectors
- ↑ 33,0 33,1 Holroyd, 1987, Habit classification
- ↑ 34,0 34,1 Holroyd, 1987, Notations and rejections
- ↑ Holroyd, 1987, Technique Imperfections
- ↑ Holroyd, 1987, Applications
- ↑ Korolev, Kuznetsov, Makarov, Novikov, 1991, Theoretical study of spherical particle shadows
- ↑ Korolev, Kuznetsov, Makarov, Novikov, 1991, Sample area
- ↑ Baumgardner, Korolev, 1997, Correction algorithm derivation
- ↑ Korolev, Strapp, Isaac, 1998, Size retrieval of individual images
- ↑ Korolev, Isaac, 2003, Accuracy of roundness and aspect ratio
- ↑ Duroure, Larsen, Isaka, Personne, 1994, с. 195
- ↑ 43,0 43,1 Korolev, Strapp, Isaac, 1998, Retrieval of ensembles of images
- ↑ Korolev, Isaac, Hallett, 2000, с. 2873
- ↑ Korolev, Sussman, 2000, с. 1048
- ↑ Schmitt, Heymsfield, 2005, с. 467
- ↑ 47,0 47,1 Korolev, Sussman, 2000, Basics of the algorithm
- ↑ Korolev, Sussman, 2000, Basics of the algorithm
- ↑ Korolev, Sussman, 2000, Discussion
- ↑ Korolev, Isaac, Hallett, 2000, Number of habit categories for particle classification
- ↑ 51,0 51,1 Duroure, 1982, с. 71
- ↑ Kuhn, Grishin, Sloan, 2012, с. 1811
- ↑ 53,0 53,1 Um et al., 2018, Technique to identify element frozen droplets
- ↑ Moss, Johnson, 1994, с. 1—25
- ↑ Hunter, Dyer, Glass, 1984, Construction of data vectors
- ↑ Kuhn, Grishin, Sloan, 2012, с. 1812
- ↑ Moss, Johnson, 1994, Shape classification
- ↑ Um et al., 2018, Three dimensional representations of FDAs and comparison with black carbon aggregates
- ↑ Praz, Ding, McFarquhar, Berne, 2018, Conclusions
- ↑ Lindqvist et al., 2012, Classification Methods
- ↑ Lindqvist et al., 2012, Classification Methods
- ↑ Praz, Ding, McFarquhar, Berne, 2018, Feature Trasnformation
- ↑ Praz, Roulet, Berne, 2017, Classes Definition
- ↑ Praz, Roulet, Berne, 2017, Riming degree
- ↑ Touloupas et al., 2020, с. 2219
- ↑ Hicks, Notaroš, 2019, Introduction
- ↑ 67,0 67,1 Przybylo et al., 2022, Abstract
- ↑ Wu et al., 2020, Convolutional Neural Network and Transfer Learning
- ↑ 69,0 69,1 Xiao et al., 2019, Materials and Methods
- ↑ 70,0 70,1 Przybylo et al., 2022, Classification models
- ↑ Touloupas et al., 2020, Network architecture
- ↑ Hicks, Notaroš, 2019, Software Implementation
- ↑ Przybylo et al., 2022, Classification models
- ↑ Jaffeux et al., 2022, Training evaluation: results on test sets
- ↑ Przybylo et al., 2022, Performance assessment
- ↑ Przybylo et al., 2022, Performance assessment
- ↑ Touloupas et al., 2020, Appendix A: Neural networks
- ↑ Touloupas et al., 2020, Data augmentation
- ↑ Hicks, Notaroš, 2019, Riming Degree Estimation
- ↑ Praz, Roulet, Berne, 2017, Classification method
Литература[править]
- 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).
- Заморский, Александр Дмитриевич Атмосферный лёд, иней, гололёд, снег и град / С. П. Хромов. — М. — Л. : Из-во Академии Наук СССР, 1955.
- 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.
- 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.
- 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.
- Duroure, C.; Larsen, H.R.; Isaka, H. [и др.]. 2D image population analysis : [англ.] // Atmospheric Research : журн. — 1994. — Т. 34. — С. 195–205.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- Encyclopedia of Snow, Ice and Glaciers : [англ.] / V. P. Singh, P. Singh, U. K. Haritashya. — Springer, 2011. — ISBN 78-90-481-2641-5.
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:
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?». |