Введение
Глава 1. Анализ существующих программно-аппаратных решений для автоматических наблюдений за облачностью 14
1.1 Существующие аппаратные решения 14
1.2 Существующие методы оценки балла общей облачности по широкоугольным оптическим снимкам видимой полусферы неба 21
1.2.1 «Cloud Index» 21
1.2.2 «Sky Index» 25
1.2.3 «Brightness Index» 26
1.2.4 Сравнение алгоритмов «Cloud Index» и «Sky Index» 28
1.2.5 Многокомпонентный анализ снимков 31
1.3 Особенности описанных методов оценки балла общей облачности 32
1.3.1 Обработка диска Солнца на снимках 32
1.3.2 Зависимость оценки балла общей облачности от настроечных параметров алгоритмов 36
1.3.3 Низкая чувствительность к оптически тонкой облачности 43
1.4 Выводы 47
Глава 2. Программно-аппаратное решение SAIL cloud v.2 48
2.1. Система сбора данных «SAIL cloud v.2» 48
2.1.1 Общее устройство. 48
2.1.2 Камера блока регистрации. 51
2.1.3 Устройство определения положения блока регистрации (УОП) 53
2.1.4 Апробация установки «SAIL cloud v.2» 54
2.2 Программная часть установки «SAIL cloud v.2». Режим сбора данных 54
2.3. Методика сбора данных с применением установки «SAIL cloud v.2» 55
2.3.1. Требования руководящих документов 55
2.3.2. Описание методики сбора данных 60
2.4. Морские экспедиционные наблюдения 64
2.4.1. Общее описание 64
2.4.2. Феноменологическое описание полученного массива данных 70
2.4. Выводы 73
Глава 3. Аналитический алгоритм оценки балла общей облачности «GrIx SAIL» 75
3.1. Фильтрация и предобработка натурных данных 75
3.2. Индекс в задачах оценки пространственных характеристик облачности 77
3.3 Схема фильтрации фона чистого неба 81
3.4 Алгоритм определения положения диска Солнца на снимке 91
3.5 Оценка качества аналитической ветви алгоритмов «GrIx SAIL» 94
3.6 Выводы 96
Глава 4. Современные методы машинного обучения в задачах оценки балла общей облачности и определения состояния диска Солнца 97
4.1 Введение 97
4.1.1 Общие сведения о подходе машинного обучения 97
4.1.1.1 Общая постановка задачи обучения по прецедентам 99
4.1.1.2 Признаковое описание объектов в машинном обучении 101
4.1.1.3 Общая схема применения методов машинного обучения, борьба с переобучением и оптимизация гиперпараметров 102
4.1.2 Постановка задач оценки балла общей облачности и определения состояния диска Солнца в терминах машинного обучения 105
4.2 Применяемые методы машинного обучения 108
4.2.1 Линейный дискриминантный анализ (LDA) 108
4.2.2 Метод глубоких искусственных нейронных сетей (DANN) 111
4.2.3 Композиционные методы на решающих деревьях. Градиентный бустинг над решающими деревьями 120
4.2.4 Композиционные методы на решающих деревьях. Случайные леса 126
4.3 Применение методов машинного обучения для определения состояния диска Солнца 127
4.3.1 Исходные данные, фильтрация и предобработка 128
4.3.1.1 Исходные данные 128
4.3.1.2 Фильтрация данных 129
4.3.1.3 Предобработка данных 131
4.3.2 Обучение моделей машинного обучения в задаче определения состояния диска Солнца 131
4.3.2.1 Модели RF, GBT, LDA 132
4.3.2.2 Модель DANN 133
4.3.3 Результаты моделей машинного обучения в задаче определения состояния диска Солнца 137
4.3.4 Выводы к задаче определения состояния диска Солнца 139
4.4 Применение методов машинного обучения в задаче оценки балла общей облачности 140
4.4.1 Исходные данные, фильтрация и предобработка 140
4.4.1.1 Исходные данные 140
4.4.1.2 Фильтрация данных 141
4.4.1.3 Предобработка данных 142
4.4.1.4 Дополнительные вещественные признаки 143
4.4.2 Обучение моделей машинного обучения в задаче оценки балла общей облачности 143
4.4.3 Результаты модели типа DANN в задаче оценки балла общей облачности 146
4.4.4 Выводы к задаче оценки балла общей облачности 147
Заключение 150
Список литературы 153
Приложение 1. Программное обеспечение установки SAIL cloud v.2 160
