Διδακτορική Διατριβή ΜΕΔΟΔΟΙ ΕΞΑΓΩΓΗΣ ΚΑΙ ΨΗΦΙΑΚΗΣ ΕΠΕΞΕΡΓΑΣΙΑΣ ΠΕΡΙΒΑΛΛΟΝΤΙΚΩΝ ΣΗΜΑΤΩΝ ΚΑΙ ΕΙΚΟΝΩΝ ΕΦΑΡΜΟΓΗ ΣΤΗΝ ΑΥΤΟΜΑΤΗ ΤΑΞΙΝΟΜΗΣΗ ΧΑΡΤΩΝ ΚΑΙΡΟΥ

Transcript

1 ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΤΜΗΜΑ ΦΥΣΙΚΗΣ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΗΝ ΗΛΕΚΤΡΟΝΙΚΗ ΚΑΙ ΕΠΕΞΕΡΓΑΣΙΑ ΤΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΕΡΓΑΣΤΗΡΙΑ ΦΥΣΙΚΗΣ ΤΗΣ ΑΤΜΟΣΦΑΙΡΑΣ - ΗΛΕΚΤΡΟΝΙΚΗΣ & ΥΠΟΛΟΓΙΣΤΩΝ Διδακτορική Διατριβή ΜΕΔΟΔΟΙ ΕΞΑΓΩΓΗΣ ΚΑΙ ΨΗΦΙΑΚΗΣ ΕΠΕΞΕΡΓΑΣΙΑΣ ΠΕΡΙΒΑΛΛΟΝΤΙΚΩΝ ΣΗΜΑΤΩΝ ΚΑΙ ΕΙΚΟΝΩΝ ΕΦΑΡΜΟΓΗ ΣΤΗΝ ΑΥΤΟΜΑΤΗ ΤΑΞΙΝΟΜΗΣΗ ΧΑΡΤΩΝ ΚΑΙΡΟΥ Αθανάσιος Ζάγουρας - Πάτρα, 23 Ιουλίου 2012

2 2 Η διδακτορική διατριβή χρηματοδοτήθηκε από την Επιτροπή Ερευνών του Πανεπιστημίου Πατρών υπό το Πρόγραμμα Βασικής Έρευνας Κ. Καραθεοδωρή 2009, με τον Τίτλο Έργου: Μέθοδοι Εξαγωγής και Ψηφιακής Επεξεργασίας Περιβαλλοντικών Σημάτων και Εικόνων Εφαρμογή στην Αυτόματη Ταξινόμηση Χαρτών Καιρού, και Κωδικό Έργου: C 907 Τριμελής Συμβουλευτική Επιτροπή Αθανάσιος Α. Αργυρίου, Αναπλ. Καθηγητής Πανεπιστημίου Πατρών (Επιβλέπων) Γεώργιος Οικονόμου, Καθηγητής Πανεπιστημίου Πατρών Σπυρίδων Φωτόπουλος, Καθηγητής Πανεπιστημίου Πατρών

3 Διάρθρωση παρουσίασης 3 Στόχος και αντικείμενο διατριβής Εισαγωγή Ταξινόμηση πλεγματικών χαρτών καιρού Ταξινόμηση προτύπων εικόνων χαρτών καιρού Ανάλυση συστάδων σε δορυφορικά δεδομένα εκτίμησης νέφωσης Συμπεράσματα

4 Στόχος και αντικείμενο διατριβής 4 Yλοποίηση αλγορίθμων εξαγωγής χαρακτηριστικών και επεξεργασίας περιβαλλοντικών σημάτων και εικόνων Δημιουργία έμπειρων συστημάτων συνοπτικής ταξινόμησης συστημάτων καιρού Μέθοδος προσδιορισμού επίγειων τοποθεσιών για μετρήσεις ηλιακής ακτινοβολίας του Ελληνικού Δικτύου Ηλιακής Ενέργειας

5 Εισαγωγή 5 Συνοπτική Κλιματολογία Μελέτη του κλίματος από τη σκοπιά της ατμοσφαιρικής κυκλοφορίας Συνολική θεώρηση του κλιματικού συστήματος Ταξινόμηση της ατμοσφαιρικής κυκλοφορίας δομή, τάξη και απλότητα στο περίπλοκο σύστημα της ατμόσφαιρας αναγνώριση των σημαντικών χαρακτηριστικών της ατμοσφαιρικής κυκλοφορίας συνοπτική περιγραφή σύνθετων χαρακτηριστικών της ατμοσφαιρικής κυκλοφορίας

6 Χάρτες καιρού (850 hpa) 6 Εικόνες Gridded data

7 7 Εμπειρική ταξινόμηση (Kassomenos et al, 1998) Συνοπτικοί χάρτες (850hPa) a) Νοτιοδυτική ροή (SW), b) Βορειοδυτική ροή (NW), c) Αυλώνας μεγάλου μήκους κύματος (LW), d) Κλειστό χαμηλό (CL), e) Ζωνική ροή (ZONAL), f) Ανοιχτός αντικυκλώνας (ΟΑ), g) Κλειστός αντικυκλώνας (CA), h) Συνδυασμός υψηλού - χαμηλού (HL).

8 Μέρος 1 8 Ταξινόμηση πλεγματικών χαρτών καιρού

9 Δράση COST Ευρωπαϊκή Δράση COST 733 «Εναρμόνιση των ταξινομήσεων τύπων καιρού για τις Ευρωπαϊκές περιοχές» 27 διαφορετικές μέθοδοι ταξινόμησης τύπων καιρού 12 τομείς σε ολόκληρη την Ευρώπη 73 κατάλογους ταξινόμησης για διάφορες παραμέτρους, αριθμούς τύπων καιρού και χωρικών τομέων

10 Χαρακτηριστικά μεθόδων COST K-means τυχαία επιλογή αρχικών κέντρων χειρισμός κλάσεων διαφορετικού μεγέθους, πυκνότητας ή δομής δεδομένων με απομακρυσμένα σημεία (outliers) SANDRA προσομοιωμένη ανόπτηση (simulated annealing) ανάλυσης συστάδων για 1000 επαναλήψεις επιλογή της Ευκλείδειας απόστασης ως μετρικής SOM απαιτούν εκπαίδευση υπολογιστικά απαιτητικοί missing data

11 Προτεινόμενη Μέθοδος 11 Διανυσματική αναπαράσταση και μείωση διαστάσεων (PCA) Στάδια μεθόδου Επιλογή πρωτοτύπων και κατασκευή πίνακα διαμέρισης μέσω μιας διαδικασίας ασαφούς λογικής (FCM) Δημιουργία πίνακα συνεκτικότητας μεταξύ των επιλεγμένων πρωτοτύπων Υπολογισμός γράφου συνεκτικότητας Αλγόριθμος κυρίαρχων συνόλων (Dominant Sets) εξάγει διαδοχικά συναφείς κλάσεις

12 Επιλογή πρωτοτύπων 12 Έστω σύνολο δεδομένων Χ = {x 1, x 2,..., x n } m<<n κέντρα, Pr = {p 1, p 2,..., p m } Πίνακας διαμέρισης U(X) μέσω FCM u ij δηλώνουν το βαθμό συμμετοχής του στοιχείου x j στην κλάση c i mn m m n n m n m ij u u u u u u u u u U U U u X U ] [ ) (

13 Πίνακας συνεκτικότητας 13 Υπολογισμός m m συμμετρικού πίνακα συνεκτικότητας ευθέως προερχόμενος από τον U CM [ U U T ] n k κάθε στοιχείο του CM αντιστοιχεί στο πόσο μοιάζουν τα πρωτότυπα i και j Ο τροποποιημένος πίνακας συνεκτικότητας : mod CM [ c ij ] mxm [ UU uij uij ( uij ) με θ να είναι η συνάρτηση μοναδιαίου βήματος T 1 ] u ik u jk n k 1 u u ik jk

14 Γράφος 14 Γραφική αντιπροσώπευση των συνδέσεων ενός συνόλου αντικειμένων (κορυφές γράφου) Βαθμός γειτνίασης δηλώνεται από σταθμισμένες ακμές όπως προκύπτουν από έναν πίνακα γειτνίασης Μοντέλο σκελετού που περιέχει την πληροφορία από τη δομή τοπολογίας μεταξύ των πρωτοτύπων

15 Γράφος συνεκτικότητας 15 Ο γράφος συνεκτικότητας που προκύπτει εκφράζεται ως: G = G (Pr, Ε, α) Pr, το σύνολο των πρωτοτύπων που χρησιμεύουν ως κορυφές του γράφου G, Ε το σύνολο άκμων α, η συνάρτηση βάρους Άμεσα υπολογίσιμος από τον τροποποιημένο πίνακα συνεκτικότητας modcm, σχηματίζοντας ένα συμμετρικό σταθμισμένο πίνακα ομοιότητας S [ ] c ij, ij 0, if i j otherwise ij mm

16 Μέθοδος κυρίαρχων συνόλων 16 Η συνοχή ενός κυρίαρχου συνόλου, εκτιμάται μέσω της μεγιστοποίησης της τετραγωνικής μορφής (Pavan και Pelillo, 2007) m m J x) i 1 j 1 ( x i x Μια προσέγγιση τοπικής λύσης του προβλήματος σε τετραγωνική μορφή της εξίσωσης J(x) δίνεται από τη λεγόμενη δυναμική αντιγραφέων (replicator dynamics) (Weibull, 1995) ( t) m ( t) ( t1) ( t) xi k ik x 1 k xi xi m m ( t) ( t) xk kjx j k1 j1 ij j

17 Βάση πλεγματικών δεδομένων 17 Ανατολική λεκάνη της Μεσογείου ( Ε και Ν) 99 πλεγματικά σημεία για ημερήσια δεδομένα γεωδυναμικού ύψους στα 850 hpa, με ανάλυση πλέγματος 2.5 x 2.5 Περίοδος Η διάσταση του αρχικού συνόλου δεδομένων μειώθηκε μέσω της PCA σε 2 διαστάσεις

18 Μέτρα αξιολόγησης ομαδοποίησης 18 Δείκτης Davies-Bouldin (DB) (Davies και Bouldin, 1979) Δείκτης Dunn (Dunn, 1974) με Στατιστική παράμετρος pseudo-f (pf) (Calinski και Harabasz, 1974) ), ( max 1 1, 1,..., j i j i n i j i n i c c d d d n DB ) ( max ), ( min min 1,..., 1,..., 1,..., k n k j i n i j n i c diam c c d Dunn )}, ( { min ), (, y x d c c d j i c y c x j i 1 n n N S S pf w b

19 Συγκριτικά αποτελέσματα DB 19 Μέθοδοι Αριθμός κλάσεων DB value Lower Limit Upper Limit Προτεινόμενη μέθοδος RAC DKM HCL PCT SAN KRZ

20 Συγκριτικά αποτελέσματα Dunn 20 Μέθοδοι Αριθμός κλάσεων Dunn value Lower Limit Upper Limit Προτεινόμενη μέθοδος RAC DKM HCL PCT SAN KRZ

21 Συγκριτικά αποτελέσματα CH (pf) 21 Μέθοδοι Αριθμός κλάσεων CH value Lower Limit Upper Limit Προτεινόμενη μέθοδος RAC DKM HCL PCT SAN KRZ

22 22 Αντιπροσωπευτικά πρότυπα κέντρων κλάσεων 1/3 Αντιπροσωπευτικό κέντρο κάθε κλάσης αντίστοιχος διανυσματικός διάμεσος (Vector Median -VM) VM : παρέχει το ελάχιστο άθροισμα Ευκλείδειων αποστάσεων προς όλα τα άλλα διανύσματα του συνόλου N N v i1 VM vi 2 i 1 v j v i 2

23 23 Αντιπροσωπευτικά πρότυπα κέντρων κλάσεων 2/3 Οκτώ (8) αντιπροσωπευτικά πρότυπα κέντρων κλάσεων με ταξινόμηση από την μέθοδο κυρίαρχων συνόλων

24 24 Αντιπροσωπευτικά πρότυπα κέντρων κλάσεων 3/3 Δεκαπέντε (15) αντιπροσωπευτικά πρότυπα κέντρων κλάσεων με ταξινόμηση από την μέθοδο κυρίαρχων συνόλων

25 8 κλάσεις Πίνακες σύγχυσης (8-10) 25 ανά κλάση σύγχυση των αποτελεσμάτων μιας ταξινόμησης Α προς μια άλλη ταξινόμηση Β 10 κλάσεις Κατά πλειοψηφία 1-προς-1 αντιστοίχιση

26 8 κλάσεις Πίνακες σύγχυσης (8-15) 26 Περισσότερες υπο-κλάσεις Απώλεια σαφούς 1-προς-1 αντιστοίχισης 15 κλάσεις

27 Συμπεράσματα 27 Νέα μέθοδος ταξινόμησης πλεγματικών σημείων γεωδυναμικού ύψους στο ισοβαρικό επίπεδο των 850 hpa Αντιπροσωπευτική οργάνωση εσωτερικής γεωμετρικής δομής Αφαιρετική, αυτο-τερματιζόμενη διαδικασία ομαδοποίησης που εξάγει διαδοχικά κυρίαρχες κλάσεις Υψηλό επίπεδο απόδοσης ταξινόμησης Σύντομος υπολογιστικός χρόνος

28 Μέρος 2 28 Ταξινόμηση προτύπων εικόνων χαρτών καιρού

29 Μεθοδολογία 29 Βάση δεδομένων εικόνων Προεπεξεργασία εικόνας 2 περιγραφείς σχήματος Μέθοδοι ομοιότητας Πίνακες ανομοιότητας Μείωση διαστάσεων Ομαδοποίηση k-means

30 Βάση εικόνων χαρτών καιρού 30 Τομέας (354 x 286 εικονοστοιχεία) που καλύπτει την Ανατολική λεκάνη της Μεσογείου Περίοδος

31 Προεπεξεργασία εικόνας 31 Μετατροπή σε δυαδική εικόνα (ισοϋψείς, σημεία συμβόλων ανέμου και άλλα βοηθητικά στοιχεία) Flood-fill διεργασία στα εικονοστοιχεία των αντικείμενων της εικόνας εισόδου εντοπισμός αντικειμένων εικονοστοιχείων Κατώφλιο τιμής εμβαδού στα πλαίσιο που περικλείει κάθε αντικείμενο Μορφολογικό κλείσιμο (μια διαστολή (dilation) που ακολουθείται από συστολή (erosion)) Μορφολογική διεργασία λέπτυνσης Απομάκρυνση μεμονωμένων εικονοστοιχείων Ένωση δύο ακραίων εικονοστοιχείων μέσω μιας ευθείας γραμμής Συντεταγμένες ισοϋψών (υπό τον κανόνα: «έναρξη από την πάνω αριστερή κορυφή της κάθε γραμμής»)

32 Περιορισμός 32 Εξάγεται μια χαρακτηριστική (ανοικτή ή κλειστή) ισοϋψής κάθε συγκεκριμένης εικόνας a) b) χαρακτηριστικές ισοϋψείς για την περίπτωση τύπου καιρού a) βορειοδυτικής ροής NW και b) κλειστού χαμηλού CL

33 Ανακατασκευή χώρου φάσεων 33 Μια μονοδιάστατη ακολουθία δεδομένων οδηγείται σε ένα m-διάστατο χώρο και παρέχει ένα σύνολο πολυδιάστατων διανυσμάτων Έστω η χρονική ακολουθία x(n)={x 1, x 2,..., x i,..., x N } X ( p) { xp xp 1... xp( m1) }, p [1: P], P N ( m χρονική καθυστέρηση τ: ρυθμός δειγματοληψίας της αρχικής ακολουθίας x(n) διάσταση ενσωμάτωσης m: αριθμός των σημείων που αποτελούν ένα ενιαίο διάνυσμα στο χώρο των φάσεων 1)

34 Παράδειγμα (m=4, τ=2) 34 Έστω η ακολουθία x(n)={1, 2, 3, 4, 5, 6, 7, 8, 9, 10} p 1 =1: X(1)={ } p 2 =2: X(2)={ } p 3 =3: X(3)={ } p 4 =4: X(4)={ } X={X(1);X(2);...X(i),...X(P)}, όπου ο όρος X(i) είναι διάστασης m

35 Απεικόνιση στο 3-D 35 Αναπαράσταση χώρου φάσεων σε σύστημα συντεταγμένων 3- διαστάσεων (c), δύο διαφορετικών ισοϋψών γραμμών (a) & (b), χρησιμοποιώντας ένα σύνολο 3-διάστατων διανυσμάτων και τ=6

36 Προσέγγιση μήκους τόξου 36 (x i, y i ) συντεταγμένες Ν διαδοχικών σημείων δειγματοληψίας (Δ x, Δ y ) διαφορές των συντεταγμένων μεταξύ διαδοχικών (ανά δύο) σημείων difx=[δ(x 2 -x 1 ), Δ(x 3 -x 2 ),, Δ(x N -x N-1 )] dify=[δ(y 2 -y 1 ), Δ(y 3 -y 2 ),, Δ(y N -y N-1 )] X={X(1);X(2);...X(i),...X(P)} Υ={Υ(1);Υ(2);...Υ(j),...Υ(P)} PhSXY={X,Y}, ως ένα συνολικό πολυμεταβλητό χαρακτηριστικό

37 Κώδικας αλυσίδας 37 Κωδικοποίηση με βάση την κατευθυντικότητα γειτονικών εικονοστοιχείων περιγράμματος Αντιστοιχίζει έναν ακέραιο αριθμό k=0,1,,k-1 σε κάθε εικονοστοιχείο, όπου Κ είναι ο αριθμός του συνόλου των τρόπων κατευθυντικότητας του κώδικα αλυσίδας Ιστόγραμμα κώδικα αλυσίδας (CCH): ανεξάρτητο κλίμακας CCH ( k) nk n Ιστόγραμμα κώδικα αλυσίδας διπλής κατεύθυνσης (Double-Side Chain Code Ηistogram - DSCCΗ)

38 WW test 38 Δύο πολυδιάστατα σύνολα X={X(1);X(2);...X(i);...X(P 1 )} και Y={Y(1);Y(2);...Y(j);...Y(P 2 )} με αριθμό των σημείων P 1 και P 2 Tο συνολικό ελάχιστο ανοιγόμενο δένδρο (Minimal spanning tree) R, ο αριθμός των διαδοχικών σημείων στο δένδρο που μοιράζονται την ίδια ταυτότητα Παράμετρος W (R E[R]) Var[R] (μέτρο ομοιότητας) Πίνακας ανομοιότητας D: D( i, 0, j) abs( W ( i, j)), W ( i, j) 0 otherwise

39 MNPD και DTW 39 Αμοιβαία απόσταση κοντινότερου σημείου - Mutual Nearest Point Distance (MNPD) MNPD(X,Y) P 1 i1 d min {X(i),Y(j 1: P )} 2 P 1 P 2 j1 P 2 d min {Y(j), X(i 1: P 1 )} Δυναμική Χρονική Στρέβλωση - Dynamic Time Warping (DTW) Έστω πίνακας απόστασης D WP( i, j) min{ WP( i 1, j 1), WP( i 1, j), WP( i, j 1)} D( i, j)

40 Πειράματα 40 Αναπαράσταση χώρου φάσεων Αποστάσεις ανομοιότητας Μείωση διαστάσεων MDS και LE (3-20 διαστάσεις) Αλγόριθμος ομαδοποίησης k-means σε 8 κλάσεις Rand Index RI(Q,W) Κώδικας αλυσίδας a+b a+b+c+d Ευκλείδειες αποστάσεις ανομοιότητας των DSCCHs

41 41 Ποσοστά των μέγιστων τιμών RI σε σύγκριση με την διαμέριση αναφοράς ΑΝΑΠΑΡΑΣΤΑΣΗ ΧΩΡΟΥ ΦΑΣΕΩΝ DSCCH Μέτρα ομοιότητας DTW MNPD WW Ευκλείδεια απόσταση Αρχικός χώρος Μέθοδος Μείωσης Διαστάσεων MDS LE MDS LE MDS LE MDS LE PCA RI Παράμετροι [m,τ,embdim,knn] [3,3,9,-] [10,1,9,6] [5,5,8,-] [5,2,7,11] [1,4,17,-] [3,3,6,5] [-,-,20,-] [-,-,8,6] [-,-,4,-]

42 42 Πίνακας σύγχυσης 1 DTW+LE (RI 90.28%) Πραγματικές κλάσεις Προβλεπόμενες κλάσεις Εικόνες Ετικέτα κυρίαρχης κλάσης 1 (SW) (NW) (LW) (CL) (ZONAL) (OA) (CA) (HL)

43 43 Πίνακας σύγχυσης 2 DSCCH+PCA (RI 87.30%) Πραγματικές κλάσεις Προβλεπόμενες κλάσεις Εικόνες Ετικέτα κυρίαρχης κλάσης 1 (SW) (NW) (LW) (CL) (ZONAL) (OA) (CA) (HL)

44 44 Συγκριτικά μέγιστων ποσοστών πρόβλεψης 1

45 45 Τροποποίηση (κλειστές ισοϋψείς) DTW+LE+Clo (RI 91.01%) Μέτρο ομοιότητας DTW Μέθοδος Μείωσης Διαστάσεων LE RI Παράμετροι [m,τ,dimension_emb,knn] [3,3,8,5] Πραγματικές κλάσεις Προβλεπόμενες κλάσεις Ετικέτα κυρίαρχης κλάσης 1 (SW) (NW) (LW) (CL) (ZONAL) (OA) (CA) (HL)

46 46 Συγκριτικά μέγιστων ποσοστών πρόβλεψης 2

47 Αποτελέσματα τροποποίησης 47 Ακρίβεια πρόβλεψης CL και CA 100% Βελτίωση συνολικής σύγχυσης Υψηλή ακρίβεια ομαδοποίησης (93.3%) για 5 από τις 8 κλάσεις Βελτίωση συνολικής απόδοσης 91.01% Εξασφαλίζεται μια 1-προς-1 αντιστοίχιση

48 Σύνοψη - Συμπεράσματα 48 Μέθοδος ομαδοποίησης ατμοσφαιρικής κυκλοφορίας χαρτών καιρού κώδικας αλυσίδας (87.30% ) - αναπαράσταση χώρου φάσεων (91.01%) Επικύρωση ως προς την διαμέριση αναφοράς Βελτίωση μέσω κατανομών καθυστερήσεων Αλγόριθμοι ομοιότητας πολυδιάστατων κατανομών Καταλληλότερη μέθοδος μείωσης διαστατικότητας αρχικού χώρου LE k-means αλγόριθμος ομαδοποίησης

49 Μέρος 3 49 Ανάλυση συστάδων σε δορυφορικά δεδομένα εκτίμησης νέφωσης

50 Ροή ηλιακής ακτινοβολίας 50 Εκτίμηση της μεταβολής του ενεργειακού ισοζυγίου του κλιματικού συστήματος Σχεδιασμός συστημάτων ηλιακής ενέργειας Επίγειες μετρήσεις σταθμών Ανεπαρκής κάλυψη Ανάπτυξη μεθόδων για τον υπολογισμό της ροής ηλιακής ακτινοβολίας με τη χρήση δορυφόρων

51 Δορυφορικά δεδομένα 51 Παράγοντας επίδρασης νέφωσης στην ηλιακή ακτινοβολία (Cloud Modification Factor - CMF) CMF ορίζεται ως ο λόγος I cloudy / I clear I cloudy, η ολική ακτινοβολία που φθάνει στο έδαφος λαμβάνοντας υπόψη την ύπαρξη νεφών I clear, η ακτινοβολία για ουρανό χωρίς νέφωση ανέφελος ουρανός 1 έντονη νέφωση 0

52 Εποχιακές τιμές CMF 52 Οι εποχιακές μέσες τιμές του CMF πάνω από την ευρύτερη περιοχή της Ελλάδας a) άνοιξη, b) καλοκαίρι, c) φθινόπωρο, d) χειμώνας a) b) Σημαντικές διαφορές μεταξύ των βόρειων και νότιων περιοχών και μεταξύ της ηπειρωτικής χώρας και των νησιών ορεινές περιοχές (κορυφές άνω των 2 χιλιόμετρων) δύο θαλάσσιες περιοχές (2000 νησιά) CMF c) d)

53 Μεθοδολογία 53 Σύνολο πλεγματικών δεδομένων CMF υψηλής χωρικής ανάλυσης (0.05 ) 1030 UTC - Ελλάδα (34-42 Ν και E) Χρονικά διανύσματα (ανά εικονοστοιχείο) ενσωματώνει τη χρονική εξέλιξη της νεφοκάλυψης πάνω από μια συγκεκριμένη χωρική τοποθεσία Day (1st) vector i vector 1 vector pixels 160 pixels vector n days sequence (years ) database of temporal vectors μείωση διάστασης με PCA (98% αρχικής διακύμανσης 498 διαστάσεις) Σύνολο χρονικών διανυσμάτων x 498 Ομαδοποίηση με k-means (8-150 κλάσεις) ομάδες διανυσμάτων με παρόμοια χρονική εξέλιξη των τιμών CMF

54 Αποτελέσματα ομαδοποίησης 54 Γραφήματα αποτίμησης (DB και Dunn) Χωρική ομαδοποίηση

55 Μέθοδος - L 55 Ελαχιστοποίηση παράγοντα: c 1 b c RMSE c RMSE RMSE b 1 b 1 L c R c DB: 23 κλάσεις Dunn: 28 κλάσεις

56 Σύνοψη - Συμπεράσματα 56 Νέα μέθοδος για τον προσδιορισμό τοποθεσιών μετρήσεων της ροής ηλιακής ακτινοβολίας για το Ελληνικό Δίκτυο Ηλιακής Ενέργειας Σαφώς προσδιορισμένες χωρικές περιοχές με βάση χωροχρονική πληροφορία Επαρκής παρακολούθηση μεταβλητότητας της ηλιακής ακτινοβολίας λόγω νέφωσης σε όλη την Ελλάδα με τη εγκατάσταση επίγειων οργάνων

57 Γενικά συμπεράσματα 57 Ανάπτυξη εργαλείων για εξαγωγή χαρακτηριστικών από κάθε είδος βάσης δεδομένων συνοπτικών χαρτών Αποτελεσματική χρήση νέων τεχνικών (θεωρία γράφων, αναπαράσταση χώρου φάσεων) για την ταξινόμηση μετεωρολογικών παραμέτρων Έμπειρα συστήματα συνοπτικής ταξινόμησης Ανταγωνιστική απόδοση προτεινόμενων συστημάτων

58 Μελλοντικές κατευθύνσεις 58 Εφαρμογή σε άλλους γεωγραφικούς τομείς Ταξινόμηση άλλων περιβαλλοντικών παραμέτρων Ανάπτυξη τεχνικών πρόβλεψης (forecasting) δορυφορικών δεδομένων Δίκτυα καταγραφής άλλων δορυφορικών δεδομένων