ИСТИНА

Использование оптических данных для научных исследований всегда осложнялось необходимостью предварительного выбора интересных событий, что требует значительных затрат времени и квалификации. Данные последних лет ~15 лет камер всего неба ПГИ имеются в цифровом формате, что позволяет проводить их автоматическую классификацию с использованием искусственных нейронных сетей (ИНС). В работе рассмотрена классификация кадров ночного неба камеры всего неба в Апатитах, размещенных на сервере ПГИ (http://aurora.pgia.ru/keogram/obs_list.php?cameraname=allsky). Кадры идут через 10 с, имеется несколько зимних сезонов регистрации с 2011 по 2020 гг. Для работы с ИНС были из которых размечены ~2500 разных кадров для мультиклассовой классификации. Число классов взято с некоторым запасом, т. к. впоследствии часть из них могут быть объединены. Классы: arc, aurora, clear_sky, clouds, diffuse, drops, fog, full_clouds, moon, pulsing, ray, town_backlight. За основу ИНС взята сверточная сеть с многозначной мультиклассовой классификацией на выходе. В конечном варианте оставлены 2 основных класса, необходимых для прикладной задачи — определение наличия авроры и наличия облачности. Кадр может принадлежать (или не принадлежать) обоим классам. По этим классам набор данных примерно сбалансирован. После обучения сеть опознает наличие на кадре полярных сияний и облачности в ~96% случаев на тестовом работе. Обученная сеть реализована для классификации квик-луков на сайте aurora.pgia.ru, т. е. выделения интервалов наблюдения полярных сияний и наличия облачности, графики добавлены к часовым и суточным кеограммам. Выявляются интервалы явлений с ошибочной классификацией для добавления в тренировочный набор.