Методи машинного навчання для моніторингу навколишнього середовища
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 ко...
Gespeichert in:
| Veröffentlicht in: | Проблеми керування та інформатики |
|---|---|
| Datum: | 2024 |
| Hauptverfasser: | , |
| Format: | Artikel |
| Sprache: | Ukrainisch |
| Veröffentlicht: |
Інститут кібернетики ім. В.М. Глушкова НАН України
2024
|
| Schlagworte: | |
| Online Zugang: | https://nasplib.isofts.kiev.ua/handle/123456789/211153 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Zitieren: | 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. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1862748893379297280 |
|---|---|
| author | Мікава, П.В. Яйлимов, Б.Я. |
| author_facet | Мікава, П.В. Яйлимов, Б.Я. |
| citation_txt | 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. |
| collection | DSpace DC |
| container_title | Проблеми керування та інформатики |
| description | 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.
|
| first_indexed | 2026-04-17T19:56:17Z |
| format | Article |
| fulltext | |
| id | nasplib_isofts_kiev_ua-123456789-211153 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 0572-2691 |
| language | Ukrainian |
| last_indexed | 2026-04-17T19:56:17Z |
| publishDate | 2024 |
| publisher | Інститут кібернетики ім. В.М. Глушкова НАН України |
| record_format | dspace |
| spelling | Мікава, П.В. Яйлимов, Б.Я. 2025-12-24T21:48:46Z 2024 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. 0572-2691 https://nasplib.isofts.kiev.ua/handle/123456789/211153 004.93 10.34229/1028-0979-2024-2-9 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. uk Інститут кібернетики ім. В.М. Глушкова НАН України Проблеми керування та інформатики Роботи та системи штучного інтелекту Методи машинного навчання для моніторингу навколишнього середовища Machine Learning Methods for Environmental Monitoring Article published earlier |
| spellingShingle | Методи машинного навчання для моніторингу навколишнього середовища Мікава, П.В. Яйлимов, Б.Я. Роботи та системи штучного інтелекту |
| title | Методи машинного навчання для моніторингу навколишнього середовища |
| title_alt | Machine Learning Methods for Environmental Monitoring |
| title_full | Методи машинного навчання для моніторингу навколишнього середовища |
| title_fullStr | Методи машинного навчання для моніторингу навколишнього середовища |
| title_full_unstemmed | Методи машинного навчання для моніторингу навколишнього середовища |
| title_short | Методи машинного навчання для моніторингу навколишнього середовища |
| title_sort | методи машинного навчання для моніторингу навколишнього середовища |
| topic | Роботи та системи штучного інтелекту |
| topic_facet | Роботи та системи штучного інтелекту |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/211153 |
| work_keys_str_mv | AT míkavapv metodimašinnogonavčannâdlâmonítoringunavkolišnʹogoseredoviŝa AT âilimovbâ metodimašinnogonavčannâdlâmonítoringunavkolišnʹogoseredoviŝa AT míkavapv machinelearningmethodsforenvironmentalmonitoring AT âilimovbâ machinelearningmethodsforenvironmentalmonitoring |