Er wordt een automatisch classificatiesysteem gepresenteerd dat met behulp van Principal Component Analysis (PCA) de verschillende typen enkellaagse clouds onderscheidt met verbeterde nauwkeurigheid en een hoge verwerkingssnelheid biedt in vergelijking met andere technieken. Het systeem wordt eerst getraind door cloudafbeeldingen. In de trainingsfase leest het systeem de belangrijkste hoofdkenmerken van de verschillende cloudafbeeldingen om een ¿¿afbeeldingsruimte te produceren. In de testfase kan een nieuwe cloudafbeelding worden geclassificeerd door deze te vergelijken met de gespecificeerde afbeeldingsruimte met behulp van het PCA-algoritme. Toepassingen voor weersvoorspelling gebruiken verschillende patroonherkenningstechnieken om de informatie van wolken en andere meteorologische parameters te analyseren. Neurale netwerken is een veelgebruikte methode voor beeldverwerking. Sommige statistische methodologieën zoals FDA, RBFNN en SVM worden ook gebruikt voor beeldanalyse. Deze methodologieën vereisen meer trainingstijd en hebben een beperkte nauwkeurigheid van ongeveer 70%. Dit niveau van nauwkeurigheid verslechtert vaak de classificatie van wolken, en daarom wordt de nauwkeurigheid van regen- en andere weersvoorspellingen verminderd. Het PCA-algoritme biedt een nauwkeurigere wolkenclassificatie die betere en beknopte voorspellingen van regen oplevert.
Hinweis: Dieser Artikel kann nur an eine deutsche Lieferadresse ausgeliefert werden.
Hinweis: Dieser Artikel kann nur an eine deutsche Lieferadresse ausgeliefert werden.