Пошук академічних текстів

Інформація × Реєстраційний номер 2125U001511, Матеріали видань та локальних репозитаріїв Категорія Бакалаврська робота Назва роботи Порівняння методів машинного навчання для класифікації сільськогосподарських культур за супутниковими знімками Автор Дата публікації 01-01-2025 Постачальник інформації Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» Першоджерело https://ela.kpi.ua/handle/123456789/74259 Видання Київ Опис Кваліфікаційна робота містить: 109 сторінок, 19 рисунків, 18 таблиць, 30 джерел. Сільське господарство відіграє ключову роль у забезпеченні глобальної продовольчої безпеки та підтримці економічної стабільності. Ефективний моніторинг сільськогосподарських угідь є важливим для оптимізації врожайності, управління ресурсами та прийняття обґрунтованих політичних рішень у цьому секторі. У сучасному сільському господарстві зростає важливість точної та своєчасної класифікації сільськогосподарських культур. Точна інформація про типи культур та їх просторовий розподіл є необхідною для оцінки врожайності, управління ресурсами та прийняття обґрунтованих політичних рішень в аграрному секторі. Метою є порівняти ефективність різних моделей машинного навчання для задачі класифікації типів сільськогосподарських культур за супутниковими знімками і оцінити вплив вегетаційних показників на їхню точність. Об’єктом дослідження є процес автоматизованої класифікації типів сільськогосподарських культур за супутниковими знімками Sentinel-2. Предметом дослідження є методи машинного навчання, що застосовуються для аналізу супутникових знімків та класифікації типів сільськогосподарських культур. У даному аналізі порівнювалася точність та продуктивність методів машинного навчання, використовуючи два датасети – з вегетаційними індексами та без них, щоб визначити їх вплив на результати. З порівняльного аналізу випливає, що найкращий результат за точністю мав SVM, але був найповільнішим і був зі зменшеною вибіркою. Найкращим по відношенні часу і точності був XGBoost (з вегетаційними індексами та без точність виявилася однаковою). Додано в НРАТ 2025-08-18 Закрити