Publisher's Synopsis
Przedstawiono automatyczny system klasyfikacji, który rozróznia rózne typy jednowarstwowych chmur przy uzyciu analizy glównych komponentów (PCA) ze zwiekszona dokladnoscia i zapewnia duza szybkosc przetwarzania w porównaniu z innymi technikami. System jest najpierw szkolony na podstawie obrazów w chmurze. W fazie szkolenia system odczytuje glówne glówne cechy róznych obrazów chmur w celu utworzenia przestrzeni obrazu. Na etapie testowania nowy obraz chmury mozna sklasyfikowac, porównujac go z okreslona przestrzenia obrazu za pomoca algorytmu PCA. Aplikacje prognozujace pogode wykorzystuja rózne techniki rozpoznawania wzorców do analizy informacji o chmurach i innych parametrów meteorologicznych. Sieci neuronowe to czesto stosowana metodologia przetwarzania obrazu. Niektóre metodologie statystyczne, takie jak FDA, RBFNN i SVM, sa równiez wykorzystywane do analizy obrazu. Te metodologie wymagaja wiecej czasu na szkolenie i maja ograniczona dokladnosc wynoszaca okolo 70%. Ten poziom dokladnosci czesto pogarsza klasyfikacje chmur, a tym samym dokladnosc prognoz deszczu i innych prognoz pogody jest ograniczona. Algorytm PCA zapewnia dokladniejsza klasyfikacje chmur, co daje lepsze i zwiezle prognozowanie opadów.
