О значимости пространственных и спектральных признаков в задаче распознавания облаков на спутниковых изображениях

Гиперспектральные изображения представляют собой наборы данных, обычно получаемых со спутников, способных фиксировать световые спектры в многочисленных узких диапазонах, что повышает информативность в сравнении со стандартными цветными изображениями. Для анализа гиперспектральных изображений, в частности, в задаче распознавания облаков, широко применяются модели на основе нейросетей и машинного обучения. Несмотря на высокую точность классификации, многие из этих моделей достаточно сложны в интерпретации. В большинстве случаев это затрудняет анализ результатов их применения, что делает актуальным создание алгоритмов отбора значимых признаков с использованием объяснимых моделей машинного обучения.

Большой объем исходных данных в гиперспектральных изображениях сочетается с корреляциями по соседним спектральным линиям, что делает необходимым проведение подбора наиболее информативных признаков. В данной работе предложен метод отбора признаков на основе алгоритма классификации в сочетании с существующей разметкой исходных спутниковых изображений, полученных с сенсора HYPERION. Оценка значимости выделенных признаков производилась с точки зрения качества распознавания облаков для выбранных категорий снимков с использованием алгоритма итерационного исключения групп признаков с высокой корреляцией. Обучение итогового классификатора проводилось по значимым спектральным каналам и производным признакам для трех типов поверхностей (океан, растительность, урбанизированная территория). Для распознавания сплошной и частичной облачности по выбранным спектральным каналам предложена модель на основе нейронной сети, работа которой проанализирована с учётом влияния пространственных признаков на результат распознавания облаков.