Пошук академічних текстів

Інформація × Реєстраційний номер 2124U009261, Матеріали видань та локальних репозитаріїв Категорія Опубліковано, Стаття Назва роботи МАШИННЕ НАВЧАННЯ ДЛЯ АВТОМАТИЧНОГО ВИДІЛЕННЯ ВОДНИХ ОБ’ЄКТІВ ЗА ЗНІМКАМИ SENTINEL-2 Автор Каштан В. Ю.Гнатушенко В. В.Kashtan V. Yu.Hnatushenko V. V. Дата публікації 02-04-2024 Постачальник інформації Журнал "Радіоелектроніка, інформатика, управління" (Національний університет "Запорізька політехніка") Першоджерело https://ric.zp.edu.ua/article/view/300981 Видання National University "Zaporizhzhia Polytechnic" Опис Актуальність. Враховуючи загострення екологічних та водних проблем, виникає необхідність у вдосконаленні автоматизованих методів визначення та моніторингу водних об’єктів у міських екосистемах. З врахуванням великого обсягу даних, отриманих від супутникових систем, проблема ефективного та автоматизованого вилучення водних об’єктів стає актуальною. Об’єктом дослідження є водні об’єкти, які автоматично виділяються з оптичних космічних знімків Sentinel-2 за допомогою методів машинного навчання. Мета роботи – підвищення ефективності процесу виділення границь водних об’єктів на цифрових оптичних космічних знімках за допомогою використання методів машинного навчання. Метод. Запропоновано автоматизовану інформаційну технологію виділення границь водних об’єктів на цифрових оптичних супутникових знімках Sentinel-2. Процес включає вісім етапів, починаючи з завантаження даних та використання топографічних карт для отримання базової інформації про предметну область. Після цього відбувається попередня обробка даних, включаючи калібрування зображень, видалення атмосферного шуму та підвищення контрастності. Далі застосовується архітектура EfficientNet-B0 для ідентифікації водних об’єктів, сприяючи оптимальному масштабуванню ширини мережі, глибини та роздільної здатності зображення. Використані ResNet блоки для стиснення та розширення каналів, що дозволяє оптимальне з’єднання великомасштабних та багатоканальних зв’язків у шарах. Після цього Regional Proposal Network визначає області інтересу (ROI), а ROI alignment забезпечує однорідність даних. Застосування Fully connected layer допомагає в сегментації областей, а Fully connected network створює бінарні маски для точної ідентифікації водних об’єктів. Заключним етапом методу є аналіз просторових та часових змін на зображеннях для виявлення різниць, змін та тенденцій, що можуть свідчити про конкретні явища чи події. Такий підхід дозволяє автоматизувати та точно визначати водні об’єкти на супутникових знімках з використанням машинного навчання. Результати. Розроблено програмне забезпечення мовою Python, що реалізує запропонований підхід. Оцінка точності технології, проведена шляхом порівняльного аналізу з існуючими методами, такими як водні індекси та K-means, підтверджує високий рівень точності в період з 2017 по 2023 роки (досягає 98%). Коефіцієнт Каппа, який враховує ступінь узгодженості між реальною та передбачуваною класифікацією, підтверджує стабільність та достовірність нашого підходу, досягаючи значення 0.96. Висновки. Проведені експерименти підтверджують ефективність запропонованої автоматизованої інформаційної технології та дозволяють рекомендувати її для використання в дослідженнях змін на прибережних територіях, прийняття рішень у сфері управління прибережними ресурсами та земельним використанням. Перспективи подальших досліджень можуть включати створення нових методів, які враховують сезонні зміни та забезпечують робастність при виділенні та картографуванні водних поверхонь. Додано в НРАТ 2026-02-26 Закрити