Browsing by Author "Каштан, Віта"

Now showing 1 - 4 of 4

Геоінформаційна технологія нейромережевої сегментації для картографування земного покриву
(Національний технічний університет «Дніпровська політехніка», Дніпро, 2024) Каштан, Віта; Гнатушенко, Володимир Володимирович; Лактіонов, Іван; Дяченко, Григорій
UKR: Актуальність розвитку сучасних технологій для сегментації земельного покриву зростає у зв’язку з підвищеними вимогами до точного моніторингу та управління земельними ресурсами, в тому числі, сільськогосподарського призначення. Традиційні методи сегментації часто не забезпечують достатню точність у класифікації складних класів, таких як сільськогосподарські культури, дерева, будівлі та дороги. Мета роботи полягає в розробці геоінформаційної технології для виділення множинних ознак із супутникових знімків Sentinel-2 та їх використання для сегментації земного покриття за допомогою нейронної мережі ResNet. Методологія. У цьому дослідженні використовуються знімки Sentinel-2 для аналізу земного покриття. Спочатку зображення проходять попередню обробку, яка включає атмосферну корекцію, геометричне та радіометричне калібрування. Потім дані нормалізуються для підвищення стабільності навчання нейронної мережі. На наступному етапі зображення обробляються для виділення спектральних, морфологічних і текстурних ознак, які є вхідними даними для моделі ResNet. Модель застосовує конволюційні шари і функцію активації ReLU для автоматичного виділення ознак. Для класифікації використовується повнозв’язний шар з функціями Softmax та Cross-Entropy. Після навчання модель класифікує кожен піксель, створюючи сегментоване зображення, яке відображає різні класи земного покриття, зокрема сільськогосподарські угіддя, будівлі, дерева та дороги. Наукова новизна дослідження полягає в розробці новітньої методології обробки супутникових зображень Sentinel-2, що включає інтеграцію комплексної попередньої обробки, нормалізацію даних, мультимодальне виділення ознак та використання глибоких нейронних мереж для автоматичного виділення та класифікації ознак. Впровадження нових підходів до атмосферної, геометричної та радіометричної корекції, а також застосування ResNet з функціями активації ReLU та повнозв’язних шарів з функціями Softmax і Cross-Entropy, забезпечує підвищення точності класифікації та деталізації сегментації земного покриття. Висновки. Дослідження показало, що запропонована технологія забезпечує суттєве покращення точності і якості класифікації в порівнянні з традиційними методами, такими як IsoData, K-means, SVM, Minimum Distance, Maximum Likelihood та Parallelepiped. Результати демонструють, що технологія на основі ResNet досягає високої точності в сегментації основних класів земного покриву: сільськогосподарські культури, дерева, будівлі та дороги, що є важливим для ефективного моніторингу та управління земельними ресурсами.
Методологія цифрового картографування виникнення можливих затоплень територій із застосуванням напівкерованого машинного навчання
(Хмельницький національний університет, Хмельницький, 2024) Іванов, Денис; Каштан, Віта; Гнатушенко, Володимир Володимирович
UKR: В роботі запропоновано методологію цифрового картографування виникнення можливих затоплень територій, що поєднує напівкероване машинне навчання з геоінформаційною системою QGIS. Методологія включає етапи збору даних, їх попередньої обробки, а також створення моделей, які дозволяють ідентифікувати потенційно небезпечні зони. Використання напівкерованого навчання дозволяє ефективно використовувати як розмічені, так і нерозмічені дані, що значно покращує якість прогнозування та точність картографування виникнення можливих затоплень територій. Окрему увагу приділено інтеграції даних з різних джерел, таких як супутникові зображення, метеорологічні дані та географічні інформаційні системи. Практична значущість методології полягає у підвищенні точності оцінки виникнення можливих затоплень територій та покращенні планування і управління ризиками в умовах змін клімату та урбанізації. Запропоновані методи можуть бути застосовані для моніторингу та управління ризиками затоплень у різних регіонах, що дозволяє зменшити потенційні негативні наслідки для населення та інфраструктури.
Нейромережеве розпізнавання об’єктів забудови на аерофотознімках
(Видавничий дім «Гельветика», 2023) Каштан, Віта; Гнатушенко, Володимир Володимирович; Удовик, Ірина; Шевцова, Ольга
UKR: Автоматизоване розпізнавання об’єктів забудови на аерофотознімках є однією з найбільш складних проблем у комп'ютерному зорі. Це пов'язано як з варіаціями зовнішнього вигляду будівель, так і з їх семантичною характеристикою в міських районах. У даній роботі запропоновано метод автоматизованого розпізнавання об’єктів забудови на цифрових аерофотознімках на основі 2D-CNN. Спочатку завантажуються та обробляються знімки високого просторового розрізнення, отримані з безпілотних літальних апаратів. Потім проводиться класифікація та сегментація зображення на основі архітектури нейронної мережі 2D-CNN з функцією softmax для вихідного шару та використовується випрямлений лінійний блок (ReLu) для решти шарів. Згорткові шари застосовують фільтри до всіх пікселів вхідного зображення, щоб отримати набір абстрактних особливостей високого рівня. Далі, для класифікації кожного пікселя зображення з БПЛА, була проведена сегментація даних, де поле сприйняття (fov) для кожного зображення вважається ковзним вікном розміру 3×3 вхідних даних. Це дозволяє визначати приналежність об’єкту до певного класу. Завершальним етапом є створення бінарної маски розпізнавання об’єктів забудови на основі функції втрат перехресної ентропії. Тренування мережі проводилося на рівні пікселів, що дозволило підвищити точність ідентифікації об'єктів забудови та зменшити кількість неправильно класифікованих зон. Експериментальні результати показали значне покращення точності розпізнавання будівель у загальнодоступному наборі даних. Зокрема, метрики OA, AA та K покращилися на 2,6%, 5,6% та 3,2% відповідно для навчального набору даних і на 1,2%, 1,8% та 1,5% для тестового набору даних.
Розпізнавання та моніторинг водних об’єктів на оптичних супутникових зображеннях із використанням машинного навчання
(Видавничий дім «Гельветика», 2023) Каштан, Віта; Гнатушенко, Володимир Володимирович; Удовик, Ірина; Шевцова, Ольга
UKR: Річки, озера та відкриті водойми є ключовими компонентами для розвитку навколишнього середовища, особливо в міських екосистемах. Точні карти міських поверхневих водних об’єктів на основі супутникових даних є важливою передумовою для кращого та швидшого прийняття рішень щодо моніторингу міських екосистем, впливу міських теплових островів та адаптації до зміни клімату. В роботі запропоновано інформаційну технологію розпізнавання та моніторингу водних об’єктів на оптичних супутникових зображеннях з використанням машинного навчання. Розроблена технологія складається з восьми етапів: завантаження первинних даних; геоприв’язка растрових зображень; попередня обробка даних; сегментація даних для визначення границь водних об’єктів та ділянки землі; оцифрування берегової лінії; створення бінарної маски; картографування контурів водних об’єктів з використанням топографічної карти та аналіз просторово-часових змін. Машинне навчання використовується для сегментації зображень, а метод опорних векторів (SVM) використовується для картографування контурів водних об’єктів. Це дозволяє отримати результати з субпіксельною точністю, забезпечуючи важливу інформацію для подальших досліджень та прийняття рішень. Експерименти проведено на супутникових даних Sentinel-2 для моніторингу водних об’єктів з просторовим розрізненням 10 метрів. Областю дослідження стала берегова лінії Одеської області – Національний природний парк "Тузлівські лимани". Порівняльний кількісний аналіз з існуючими методами, такими як водні індекси та K-means, підтверджує високу точність розробленої технології протягом 2016–2023 років (точність від 96.96% до 97%). Коефіцієнт Каппа, який враховує ступінь узгодженості між реальною та передбачуваною класифікацією, підтверджує високу стабільність та достовірність підходу (0.94). Технологія моніторингу водних об’єктів на оптичних супутникових зображеннях з використанням машинного навчання може бути використана для дослідження змін на прибережних територіях, прийняття рішень в галузі управління прибережними ресурсами та земельним використанням.