Estudios sobre clasificación de tipos de nubes en imágenes de satélites meteorológicos usando procesamiento de imágenes y técnicas de aprendizaje automatico

Abstract

Este trabajo consiste en el estudio de las características espectrales distintivas de los diversos tipos de nube, a partir de las imágenes obtenidas por el radiómetro multiespectral ABI a bordo del satélite GOES-16. Como parte de esta caracterización se reprodujo el algoritmo de Microfísica de Día, que provee una imagen RGB en distintos tonos de acuerdo al tipo de nube, el algoritmo de Color Real con fines de verificación y se realizó una clasificación tradicional mediante umbrales. Además, como objetivo principal del trabajo, se entrenó un clasificador de forma supervisada mediante redes neuronales artificiales con el fin de que sea capaz de elaborar mapas temáticos de los tipos de nubes, teniendo como entrada las imágenes multiespectrales de GOES-16. Para ello fue necesario elaborar un conjunto de datos etiquetado adecuado, para lo cual se utilizaron productos provistos por el radar a bordo del satélite CloudSat, técnica basada en trabajos anteriores (Gorooh A. et al. 2020), de forma que seleccionandolos adecuadamente se obtienen las etiquetas para asociar a cada píxel de las imágenes de GOES-16. Se obtuvieron buenos resultados con ambos clasificadores para las nubes de convección profunda. El clasificador entrenado por redes neuronales las distingue con una precisión del 68%. Además, este último se desempeña muy bien distinguiendo áreas con nubes de otras que no las poseen. Las nubes tipo Cirrus y Altocúmulus muchas veces son sobreestimadas por el clasificador.

This work consists of the study of the distinctive spectral characteristics of the various types of cloud, from the images obtained by the ABI multispectral radiometer on board the GOES- 16 satellite. For this characterization, the Day Microphysics algorithm was reproduced, which generates an RGB image in different tones according to the cloud type, along with the True Color algorithm for verification purposes, and a traditional classification using thresholds was performed. As the main goal of this work, a classifier was trained through supervised learning using artificial neural networks so that it can be able to produce thematic maps of cloud types, taking as input the GOES-16 multispectral images with their matching tags. In order to accomplish this, it was necessary to create a labeled dataset. To this end, products provided by the radar on board the CloudSat satellite were used, a technique based on previous works (Gorooh A. et al.2020), so that by properly selecting them, the labels are obtained and associated with each pixel of an image provided by GOES-16. Good results were obtained with both classifiers for Deep Convection clouds. The classifier trained by neural networks distinguishes them with an accuracy of 68%. In addition, the latter performs very well distinguishing areas with clouds from others that do not have them. Cirrus and Altocumulus clouds are often overestimated by the classifier.