Розпізнавання та моніторинг водних об’єктів на оптичних супутникових зображеннях із використанням машинного навчання
| dc.contributor.author | Каштан, Віта | uk_UA |
| dc.contributor.author | Гнатушенко, Володимир Володимирович | uk_UA |
| dc.contributor.author | Удовик, Ірина | uk_UA |
| dc.contributor.author | Шевцова, Ольга | uk_UA |
| dc.date.accessioned | 2024-09-27T09:51:36Z | |
| dc.date.available | 2024-09-27T09:51:36Z | |
| dc.date.issued | 2023 | |
| dc.description | В. Каштан: ORCID 0000-0002-0395-5895; Вол. Гнатушенко: ORCID 0000-0003-3140-3788; І. Удовик: ORCID 0000-0002-5190-841X; О. Шевцова: ORCID 0000-0002-0148-5877 | uk_UA |
| dc.description.abstract | 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. | uk_UA |
| dc.description.abstract | ENG: Rivers, lakes, and open water objects are important components of environmental development, especially in urban ecosystems. Accurate maps of urban surface water objects based on satellite data are an essential prerequisite for better and faster decision-making in monitoring urban ecosystems, the impact of urban heat islands, and climate change adaptation. The paper introduces an information technology for recognition and monitoring of water objects on optical satellite images using machine learning. The developed technology consists of eight steps: downloading primary data; georeferencing of raster images; data preprocessing; data segmentation to determine the boundaries between land and water; digitizing the coastline; creating a binary mask; mapping the contours of water bodies using a topographic map; and analyzing spatial and temporal changes. Machine learning is used for image segmentation, and support vector machine (SVM) is used for water body contour mapping. The result is sub-pixel accuracy, providing relevant information for further research and decision-making. The experiments were conducted on Sentinel-2 data for monitoring water bodies with a spatial resolution of 10 meters. The subject area was the coastline of the Odesa region – the Tuzly Estuaries National Nature Park. Comparative quantitative analysis with existing methods, such as water indices and K-means, confirms the high accuracy of the developed technology during 2016-2023 (accuracy from 96.96% to 97%). The Kappa coefficient, representing the degree of consistency between the actual and predicted classification, confirms the high stability and reliability of the approach (0.94). The water objects monitoring technology on optical satellite images using machine learning has the potential to be used to study changes in coastal areas and to make decisions in the field of coastal resource and land use management. | en |
| dc.description.sponsorship | Національний технічний університет «Дніпровська політехніка», Дніпро | uk_UA |
| dc.identifier.citation | Каштан В., Гнатушенко В., Удовик І., Шевцова О. Розпізнавання та моніторинг водних об’єктів на оптичних супутникових зображеннях із використанням машинного навчання. Information Technology: Computer Science, Software Engineering and Cyber Security. 2023. № 3. С. 32–42. DOI: https://doi.org/10.32782/IT/2023-3-4. | uk_UA |
| dc.identifier.doi | https://doi.org/10.32782/IT/2023-3-4 | en |
| dc.identifier.issn | 2786-507X (Print) | |
| dc.identifier.issn | 2786-5088 (Online) | |
| dc.identifier.uri | https://journals.politehnica.dp.ua/index.php/it/article/view/502 | en |
| dc.identifier.uri | https://crust.ust.edu.ua/handle/123456789/19054 | en |
| dc.language.iso | uk | |
| dc.publisher | Видавничий дім «Гельветика» | uk_UA |
| dc.subject | машинне навчання | uk_UA |
| dc.subject | сегментація зображень | uk_UA |
| dc.subject | картографування | uk_UA |
| dc.subject | оцифрування берегової лінії | uk_UA |
| dc.subject | опорні вектори | uk_UA |
| dc.subject | machine learning | en |
| dc.subject | image segmentation | en |
| dc.subject | mapping | en |
| dc.subject | coastline digitization | en |
| dc.subject | support vectors | en |
| dc.subject.classification | TECHNOLOGY::Information technology::Image analysis | en |
| dc.title | Розпізнавання та моніторинг водних об’єктів на оптичних супутникових зображеннях із використанням машинного навчання | uk_UA |
| dc.title.alternative | Recognition and Monitoring of Water Objects on Optical Satellite Images Using Machine Learning | en |
| dc.type | Article | en |