Przedstawiono automatyczny system klasyfikacji, ktry rozrżnia rżne typy jednowarstwowych chmur przy użyciu analizy glwnych komponentw (PCA) ze zwiększoną dokladnością i zapewnia dużą szybkośc przetwarzania w porwnaniu z innymi technikami. System jest najpierw szkolony na podstawie obrazw w chmurze. W fazie szkolenia system odczytuje glwne glwne cechy rżnych obrazw chmur w celu utworzenia przestrzeni obrazu. Na etapie testowania nowy obraz chmury można sklasyfikowac, porwnując go z określoną przestrzenią obrazu za pomocą algorytmu PCA. Aplikacje prognozujące pogodę wykorzystują rżne techniki rozpoznawania wzorcw do analizy informacji o chmurach i innych parametrw meteorologicznych. Sieci neuronowe to często stosowana metodologia przetwarzania obrazu. Niektre metodologie statystyczne, takie jak FDA, RBFNN i SVM, są rwnież 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 opadw.