Publisher's Synopsis
Un système de classification automatique est présenté, qui discrimine les différents types de nuages monocouches à l'aide de l'analyse en composantes principales (ACP) avec une précision améliorée et offre une vitesse de traitement rapide par rapport à d'autres techniques. Le système est d'abord formé par des images cloud. En phase de formation, le système lit les principales caractéristiques principales des différentes images cloud pour produire un espace image. En phase de test, une nouvelle image de nuage peut être classée en la comparant à l'espace image spécifié à l'aide de l'algorithme PCA. Les applications de prévision météorologique utilisent diverses techniques de reconnaissance de formes pour analyser les informations des nuages et d'autres paramètres météorologiques. Neural Networks est une méthodologie souvent utilisée pour le traitement d'images. Certaines méthodologies statistiques telles que FDA, RBFNN et SVM sont également utilisées pour l'analyse d'images. Ces méthodologies nécessitent plus de temps de formation et ont une précision limitée d'environ 70%. Ce niveau de précision dégrade souvent la classification des nuages et, par conséquent, la précision de la pluie et d'autres prévisions météorologiques est réduite. L'algorithme PCA fournit une classification des nuages plus précise qui donne des prévisions de pluie meilleures et concises.
