Przedstawiono automatyczny system klasyfikacji, który rozróżnia różne typy jednowarstwowych chmur przy użyciu analizy glównych komponentów (PCA) ze zwiększoną dokladnością i zapewnia dużą szybkośc przetwarzania w porównaniu z innymi technikami. System jest najpierw szkolony na podstawie obrazów w chmurze. W fazie szkolenia system odczytuje glówne glówne cechy różnych obrazów chmur w celu utworzenia przestrzeni obrazu. Na etapie testowania nowy obraz chmury można sklasyfikowac, porównując go z określoną przestrzenią obrazu za pomocą algorytmu PCA. Aplikacje prognozujące pogodę wykorzystują różne techniki rozpoznawania wzorców do analizy informacji o chmurach i innych parametrów meteorologicznych. Sieci neuronowe to często stosowana metodologia przetwarzania obrazu. Niektóre metodologie statystyczne, takie jak FDA, RBFNN i SVM, są również wykorzystywane do analizy obrazu. Te metodologie wymagają więcej czasu na szkolenie i mają ograniczoną dokladnośc wynoszącą okolo 70%. Ten poziom dokladności często pogarsza klasyfikację chmur, a tym samym dokladnośc prognoz deszczu i innych prognoz pogody jest ograniczona. Algorytm PCA zapewnia dokladniejszą klasyfikację chmur, co daje lepsze i zwięzle prognozowanie opadów.
