Том 39, номер 11, статья № 9
Скопировать ссылку в буфер обмена
Аннотация:
Автоматическая классификация облачности по изображениям всего неба (all-sky) играет ключевую роль в метеорологическом мониторинге. Однако большинство исследований фокусируется на поиске оптимальной архитектуры нейросети, игнорируя качество исходных данных. В данной работе исследуется влияние семантической неоднозначности эталонной разметки на эффективность методов глубокого обучения. Тестирование 23 архитектур сверточных сетей на наборе данных TJNU GRSCD (Tianjin Ground based Remote Sensing Cloud Database) показало, что независимо от топологии сетей достигается фундаментальный предел точности в 85–88%. Анализ ошибок выявил их концентрацию на визуально неразличимых классах (смешанный, высококучевая, перистая). Это подтверждает, что обучающая выборка содержит логические противоречия и оптические наложения, при которых облака разных типов физически невозможно разделить на снимке. Сделан вывод о необходимости перехода к подходу, ориентированному на качество данных, что требует строгой экспертной верификации обучающих выборок с учетом мультимодальных метеоданных перед масштабированием алгоритмов. Результаты работы закладывают основу для автоматизированной обработки неразмеченного архива из ~ 2 млн all-sky изображений с двух действующих станций мониторинга.
Ключевые слова:
all-sky камера, классификация облаков, сверточные нейронные сети, сравнительное тестирование архитектур, семантическая неоднозначность, качество данных
Иллюстрации:
Список литературы:
1. Urquhart B., Kurtz B., Dahlin E., Ghonima M., Shields J.E., Kleiss J. Development of a sky imaging system for short-term solar power forecasting // Atmos. Meas. Tech. 2015. V. 8, N 2. P. 875–890. DOI: 10.5194/amt-8-875-2015.
2. Bauer V. Design and Evaluation of an Affordable Open-Source All-Sky Camera for Measuring Diffuse Sky Radiance: Diploma Thesis. Wien: Technische Universität Wien, 2025. 115 p. DOI: 10.34726/hss.2025.120149.
3. Galileiskii V.P., Elizarov A.I., Kokarev D.V., Matvienko G.G., Morozov A.M. Software and hardware system for monitoring and control of the optical-physical state of the atmosphere: Part 1: Panoramic optical station // Proc. SPIE. 2021. V. 11916. P. 1798–1801. DOI: 10.1117/12.2603231.
4. Абрамова И.А., Демчев Д.М., Харюткина Е.В., Савенкова Е.Н., Судаков И.А. Применение сверточной нейронной сети U-Net и ее модификаций для сегментации тундровых озер на спутниковых оптических изображениях // Оптика атмосф. и океана. 2024. Т. 37, № 1. С. 48–53. DOI: 10.15372/AOO20240106; Abramova I.A., Demchev D.M., Kharyutkina E.V., Savenkova E.N., Sudakow I.A. Utilization of the U-Net convolutional neural network and its modifications for segmentation of Tundra Lakes in satellite optical images // Atmos. Ocean. Opt. 2024. V. 37, N 2. P. 205–210.
5. Блощинский В.Д., Крамарева Л.С., Шамилова Ю.А. Детектирование облачного покрова с использованием нейронной сети по данным прибора МСУ-ГС космического аппарата «Арктика-М» № 1 // Оптика атмосф. и океана. 2024. Т. 37, № 2. С. 99–104. DOI: 10.15372/AOO20240202; Bloshchinskiy V.D., Kramareva L.S., Shamilova Yu.A. Cloud cover detection using a neural network based on MSU-GS instrument data of Arktika-M No. 1 satellite // Atmos. Ocean. Opt. 2024. V. 37, N 3. P. 394–399.
6. Luo J., Pan Y., Su D., Zhong J., Wu L., Zhao W., Hu X., Qi Z., Lu D., Wang Y. Innovative cloud quantification: deep learning classification and finite-sector clustering for ground-based all-sky imaging // Atmos. Meas. Tech. 2024. V. 17, N 12. P. 3765–3781. DOI: 10.5194/amt-17-3765-2024.
7. Tian Y., Ye Q., Doermann D. Yolov12: Attention-centric real-time object detectors // arXiv. 2025. URL: https://arxiv.org/abs/2502.12524. DOI: 10.48550/ arXiv.2502.12524.
8. He K., Zhang X., Ren S., Sun J. Deep residual learning for image recognition // Proc. IEEE. 2016. P. 770–778. DOI: 10.1109/CVPR.2016.90.
9. Liu S., Duan L., Zhang Z., Cao X., Durrani T.S. Ground-based remote sensing cloud classification via context graph attention network // IEEE Trans. Geosci. Remote Sens. 2021. V. 60. P. 1–11. DOI: 10.1109/ TGRS.2021.3063255.
10. Longarela Fuente B., Román R., Buitrago F., González-Fernández D., Gatón J., Herrero Del Barrio C., Herrero-Anta S., González R., Mateos D., Doppler L., Barreto Á., Toledano C., Cachorro V.E. Cloud Cover Retrieval from All-sky Images Based on Neural Networks. 2026. P. 1–33. DOI: 10.2139/ssrn.6560840.
11. HuaYun-BJVT-MIP-Ground Based Cloud-Dataset. URL: https://github.com/SadaharuZL/HuaYun-BJUT- MIP-Cloud-Dataset (last access: 27.03.2026).
12. Cirrus Cumulus Stratus Nimbus (CCSN) Database. URL: https://www.kaggle.com/datasets/mmichelli/ cirrus-cumulus-stratus-nimbus-ccsn-database (last access: 27.03.2026).
13. Ground-based Cloud Images (SWIMCAT). URL: https: //data.mendeley.com/datasets/vwdd9grvdp/2 (last access: 27.03.2026).
14. Clouds-1000. URL: https:// data.mendeley.com/datasets/4pw8vfsnpx/2 (last access: 27.03.2026).
15. TJNU Ground-based Remote Sensing Cloud Database. URL: https://github.com/shuangliutjnu/TJNU-Ground- based-Remote-Sensing-Cloud-Database (last access: 27.03.2026).
16. Liu S., Li M., Zhang Z., Cao X., Durrani T.S. Ground-based cloud classification using task-based graph convolutional network // Geophys. Res. Lett. 2020. V. 47, N 5. P. 1–8. DOI: 10.1029/2020GL087338.
17. Zha D., Bhat Z.P., Lai K.H., Yang F., Jiang Z., Zhong S., Hu X. Data-centric artificial intelligence: A survey // ACM Comput. Surv. 2025. V. 57, N 5. P. 1–42. DOI: 10.1145/3711118.
18. Hamid O.H. From model-centric to data-centric AI: A paradigm shift or rather a complementary approach? // 8th International Conference on Information Technology Trends (ITT). 2022. P. 196–199. DOI: 10.1109/ ITT56123.2022.9863935.
19. Sambasivan N., Kapania S., Highfill H., Akrong D., Paritosh P., Lora M. “Everyone wants to do the model work, not the data work”: Data Cascades in High-Stakes AI // Proc. CHI Conference on Human Factors in Computing Systems. 2021. N 39. P. 1–15. DOI: 10.1145/3411764.3445518.
20. Liu Z., Lin Y., Cao Y., Hu H., Wei Y., Zhang Z., Lin S., Guo B. Swin Transformer: Hierarchical Vision Transformer using Shifted Windows // Proc. IEEE/CVF International Conference on Computer Vision (ICCV). 2021. P. 10012–10022.
21. Liu S., Yu Z., Zhang Z., Shi C., Xiao B. Hierarchical Fusion Transformer for Multimodal Ground-Based Cloud Type Classification // IEEE J. Sel. Top. Appl. Earth Observ. Remote Sens. 2025. V. 18. P. 25192–25203. DOI: 10.1109/JSTARS.2025.3614756.
22. Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition // arXiv. 2014. URL: https://arxiv.org/abs/1409.1556. DOI: 10.48550/arXiv.1409.1556.
23. Szegedy C., Vanhoucke V., Ioffe S., Shlens J., Wojna Z. Rethinking the inception architecture for computer vision // Proc. IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016. P. 2818–2826. DOI: 10.1109/CVPR.2016.308.
24. Howard A., Sandler M., Chu G., Chen L.-C., Chen B., Tan M., Wang W., Zhu Y., Pang R., Vasudevan V., Le Q.V., Adam H. Searching for MobileNetV3 // Proc. IEEE/CVF International Conference on Computer Vision (ICCV). 2019. P. 1314–1324. DOI: 10. 1109/ICCV.2019.00140.
25. Li S., Wang M., Sun S., Wu J., Zhuang Z. CloudDenseNet: Lightweight ground-based cloud classification method for large-scale datasets based on reconstructed DenseNet // Sensors. 2023. V. 23, N 18. P. 1–25. DOI: 10.3390/s23187957.
26. Hu F., Hou B., Zhu W., Zhu Y., Zhang Q. Cloudy-Net: A deep convolutional neural network architecture for joint segmentation and classification of ground-based cloud images // Atmosphere. 2023. V. 14, N 9. P. 1–17. DOI: 10.3390/atmos14091405.
27. Lv Q., Li Q., Chen K., Lu Y., Wang L. Classification of ground-based cloud images by contrastive self-supervised learning // Remote Sens. 2022. V. 14, N 22. P. 1–18. DOI: 10.3390/rs14225821.
28. Ultralytics DOCS. URL: https://docs.ultralytics.com/ (дата обращения: 31.05.2026).
29. Liu S., Li M., Zhang Z., Xiao B., Durrani T.S. Multi-evidence and multi-modal fusion network for ground-based cloud recognition // Remote Sens. 2020. V. 12, N 3. P. 1–20. DOI: 10.3390/rs12030464.
30. Multimodal-Ground-based-Cloud-Database. URL: https: //github.com/shuangliutjnu/Multimodal-Ground-based- Cloud-Database (last access: 27.03.2026).