Главная – Журналы – Оптика атмосферы и океана 2026 номер 2

В настоящей статье задача распознавания облаков на гиперспектральных спутниковых изображениях решается путем построения интерпретируемого нейросетевого классификатора для частичной облачности. Для эффективного решения данной задачи делается предварительный отбор спектральных каналов и производных признаков с помощью деревьев решений, обучаемых на размеченных спутниковых снимках сенсора HYPERION, с целью дальнейшего построения сверточной нейронной сети на основе модифицированной сети Unet. Модификации исходного варианта сети Unet позволяют упростить структуру сети, избежать переобучения, оценить значимость пространственных и спектральных признаков, проанализировать результаты классификации и причины принятия решений. Отбор входных признаков и оценка их значимости являются важными этапами разработки адекватных моделей машинного и глубокого обучения в сочетании с анализом их обобщающей способности. Предложенный метод отбора признаков основан на итерационном обучении деревьев решений с целью выделения значимых признаков с точки зрения точности классификации. Интерпретация работы сверточной нейронной сети и оценка значимости пространственных и спектральных признаков проводятся на основе вычисления векторов Шепли. Приведены результаты тестирования нейронной сети по снимкам HYPERION, сделанным над тремя типами поверхности (океан, растительность, урбанизированная территория). Оценены общая точность, а также ошибки ложного распознавания и ложного пропускания облаков. Показано, что нейронная сеть позволяет проводить семантическую сегментацию снимков с частичной облачностью с точностью свыше 95% на выделенном наборе каналов и пространственных признаков. Проанализирована значимость входных признаков, обусловленная их распределением по спектральным каналам, а также взаимным расположением пикселей на изображении в задаче распознавания плотных и разреженных облаков на гиперспектральных спутниковых снимках. Представленная нейросетевая модель ориентирована на работу с данными ограниченного объема с возможностью применения аугментации и может быть использована для оценки значимости выделенных спектральных каналов и пространственных признаков.