Методи машинного навчання для моніторингу навколишнього середовища

• Опубліковано в: : Проблеми керування та інформатики
• Дата: 2024
• Автори: Мікава, П.В., Яйлимов, Б.Я.
• Формат: Стаття
• Мова: Українська
• Опубліковано: Інститут кібернетики ім. В.М. Глушкова НАН України 2024
• Теми: Роботи та системи штучного інтелекту
• Онлайн доступ: https://nasplib.isofts.kiev.ua/handle/123456789/211153
• Назва журналу: Digital Library of Periodicals of National Academy of Sciences of Ukraine
• Цитувати: Методи машинного навчання для моніторингу навколишнього середовища / П.В. Мікава, Б.Я. Яйлимов // Проблеми керування та інформатики. — 2024. — № 2. — С. 108–121. — Бібліогр.: 21 назва. — укр.

У роботі запропоновано комплексний підхід до виявлення звалищ, який має дві основні складові. Перша базується на класифікації часових рядів мультиспектральних супутникових даних з використанням ансамблю нейронних мереж. Друга використовує модифіковану архітектуру U-Net для семантичної сегментації космічних знімків з метою безпосереднього виділення звалищ. Новизна представленого рішення полягає у використанні комбінованої функції втрат при навчанні моделі U-Net, що поєднує бінарну крос-ентропію та коефіцієнт Dice. Ця комбінація дозволяє досягти балансу між точністю класифікації та чутливістю до малих об’єктів, що важливо для виявлення звалищ за супутниковими даними. The paper proposes a comprehensive approach to the detection of landfills, which includes two main components. The first is based on the classification of time series of multispectral satellite data using an ensemble of neural networks. The second one uses a modified U-Net architecture for semantic segmentation of space images in landfills highlighting process. The novelty of the proposed solution is the use of a combined loss function when training the U-Net model, which combines binary cross-entropy and the Dice coefficient. Binary cross-entropy provides reliable pixel-by-pixel classification, while the Dice coefficient optimizes segmentation by maximizing the intersection between predicted and true dump masks. This combination allows for a balance between classification accuracy and sensitivity to small objects, which is key for landfill detection from satellite data.