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...
Saved in:
| Date: | 2024 |
|---|---|
| Main Authors: | , |
| Format: | Article |
| Language: | Ukrainian |
| Published: |
V.M. Glushkov Institute of Cybernetics of NAS of Ukraine
2024
|
| Subjects: | |
| Online Access: | https://jais.net.ua/index.php/files/article/view/231 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Problems of Control and Informatics |
Institution
Problems of Control and Informatics| id |
oai:ojs2.jais.net.ua:article-231 |
|---|---|
| record_format |
ojs |
| institution |
Problems of Control and Informatics |
| baseUrl_str |
|
| datestamp_date |
2025-03-11T10:49:57Z |
| collection |
OJS |
| language |
Ukrainian |
| topic |
методи машинного навчання супутникові дані методи глибокого навчання злиття даних U-Net CNN функція активації попіксельні методи класифікації |
| spellingShingle |
методи машинного навчання супутникові дані методи глибокого навчання злиття даних U-Net CNN функція активації попіксельні методи класифікації Mikava, Polina Yailymov, Bohdan Методи машинного навчання для моніторингу навколишнього середовища |
| topic_facet |
методи машинного навчання супутникові дані методи глибокого навчання злиття даних U-Net CNN функція активації попіксельні методи класифікації machine learning methods satellite data deep learning methods data fusion U-Net CNN activation function pixel-by-pixel methods classifications методы машинного обучения спутниковые данные методы глубокого обучения слияния данных U-Net CNN функция активации попиксельные методы классификации |
| format |
Article |
| author |
Mikava, Polina Yailymov, Bohdan |
| author_facet |
Mikava, Polina Yailymov, Bohdan |
| author_sort |
Mikava, Polina |
| title |
Методи машинного навчання для моніторингу навколишнього середовища |
| title_short |
Методи машинного навчання для моніторингу навколишнього середовища |
| 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_sort |
методи машинного навчання для моніторингу навколишнього середовища |
| title_alt |
Machine learning methods for environmental monitoring Методы машинного обучения для мониторинга окружающей среды |
| 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. Бінарна крос-ентропія забезпечує надійну попіксельну класифікацію, тоді як коефіцієнт Dice оптимізує сегментацію шляхом максимізації перетину між прогнозованими та істинними масками звалищ. Ця комбінація дозволяє досягти балансу між точністю класифікації та чутливістю до малих об’єктів, що важливо для виявлення звалищ за супутниковими даними. Запропоновано інтегрувати результати двох підходів на рівні прийняття рішень за допомогою ймовірнісного злиття з використанням ймовірностей кожної моделі. Такий гібридний метод дозволяє компенсувати недоліки кожного методу та підвищити загальну точність ідентифікації звалищ. Експериментальна перевірка на тестових даних продемонструвала ефективність розглянутого підходу. Загальна точність класифікації земного покриву склала 97,4 %, а точність визначення звалищ — 86,4 %. Розроблений метод застосовано для картографування звалищ на території Донецької області. Результати верифіковано експертами на місцевості. Отримані дані можуть бути використані місцевою владою для оперативного реагування та прийняття управлінських рішень. |
| publisher |
V.M. Glushkov Institute of Cybernetics of NAS of Ukraine |
| publishDate |
2024 |
| url |
https://jais.net.ua/index.php/files/article/view/231 |
| work_keys_str_mv |
AT mikavapolina metodimašinnogonavčannâdlâmonítoringunavkolišnʹogoseredoviŝa AT yailymovbohdan metodimašinnogonavčannâdlâmonítoringunavkolišnʹogoseredoviŝa AT mikavapolina machinelearningmethodsforenvironmentalmonitoring AT yailymovbohdan machinelearningmethodsforenvironmentalmonitoring AT mikavapolina metodymašinnogoobučeniâdlâmonitoringaokružaûŝejsredy AT yailymovbohdan metodymašinnogoobučeniâdlâmonitoringaokružaûŝejsredy |
| first_indexed |
2025-10-30T02:48:50Z |
| last_indexed |
2025-10-30T02:48:50Z |
| _version_ |
1847373364500365312 |
| spelling |
oai:ojs2.jais.net.ua:article-2312025-03-11T10:49:57Z Методи машинного навчання для моніторингу навколишнього середовища Machine learning methods for environmental monitoring Методы машинного обучения для мониторинга окружающей среды Mikava, Polina Yailymov, Bohdan методи машинного навчання супутникові дані методи глибокого навчання злиття даних U-Net CNN функція активації попіксельні методи класифікації machine learning methods satellite data deep learning methods data fusion U-Net CNN activation function pixel-by-pixel methods classifications методы машинного обучения спутниковые данные методы глубокого обучения слияния данных U-Net CNN функция активации попиксельные методы классификации 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. Бінарна крос-ентропія забезпечує надійну попіксельну класифікацію, тоді як коефіцієнт Dice оптимізує сегментацію шляхом максимізації перетину між прогнозованими та істинними масками звалищ. Ця комбінація дозволяє досягти балансу між точністю класифікації та чутливістю до малих об’єктів, що важливо для виявлення звалищ за супутниковими даними. Запропоновано інтегрувати результати двох підходів на рівні прийняття рішень за допомогою ймовірнісного злиття з використанням ймовірностей кожної моделі. Такий гібридний метод дозволяє компенсувати недоліки кожного методу та підвищити загальну точність ідентифікації звалищ. Експериментальна перевірка на тестових даних продемонструвала ефективність розглянутого підходу. Загальна точність класифікації земного покриву склала 97,4 %, а точність визначення звалищ — 86,4 %. Розроблений метод застосовано для картографування звалищ на території Донецької області. Результати верифіковано експертами на місцевості. Отримані дані можуть бути використані місцевою владою для оперативного реагування та прийняття управлінських рішень. 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. It is proposed to integrate the results of the two approaches at the decision-making level using probabilistic fusion using the probabilities of each model. Such a hybrid method makes it possible to compensate for the shortcomings of each method and increase the overall accuracy of landfill identification. Experimental verification on test data demonstrated the effectiveness of the proposed approach. The overall accuracy of land cover classification was 97,4%, and the accuracy of determining landfills was 86,4 %. The developed method is applied to the mapping of landfills in the territory of Donetsk region. The results were verified by experts on the ground. The obtained data can be used by local authorities for prompt response and management decisions. В работе предложен комплексный подход к выявлению свалок, который имеет две основные составляющие. Первая базируется на классификации временных рядов мультиспектральных спутниковых данных с использованием ансамбля нейронных сетей. Вторая использует модифицированную архитектуру U-Net для семантической сегментации космических снимков с целью непосредственного выделения свалок. Новизна представленного решения заключается в использовании комбинированной функции потерь при обучении модели U-Net, сочетающей бинарную кросс-энтропию и коэффициент Dice. Бинарная кросс-энтропия обеспечивает надежную попиксельную классификацию, в то время как коэффициент Dice оптимизирует сегментацию путем максимизации пересечения между прогнозируемыми и истинными масками свалок. Эта комбинация позволяет достичь баланса между точностью классификации и чувствительностью к малым объектам, что важно для обнаружения свалок по спутниковым данным. Предложено интегрировать результаты двух подходов на уровне принятия решений посредством вероятностного слияния с использованием вероятностей каждой модели. Такой гибридный метод позволяет восполнить недостатки каждого метода и повысить общую точность идентификации свалок. Экспериментальная проверка на тестовых данных показала эффективность рассматриваемого подхода. Общая точность классификации земного покрова составила 97,4%, а точность определения свалок – 86,4%. Разработанный метод применен для картографирования свалок на территории Донецкой области. Результаты верифицированы экспертами на местности. Полученные данные могут быть использованы местными властями для оперативного реагирования и принятия управленческих решений. V.M. Glushkov Institute of Cybernetics of NAS of Ukraine 2024-03-14 Article Article application/pdf https://jais.net.ua/index.php/files/article/view/231 10.34229/1028-0979-2024-2-9 Міжнародний науково-технічний журнал "Проблеми керування та інформатики"; Том 69 № 2 (2024): Міжнародний науково-технічний журнал "Проблеми керування та інформатики"; 108-122 International Scientific Technical Journal "Problems of Control and Informatics; Том 69 № 2 (2024): International Scientific Technical Journal "PROBLEMS OF CONTROL AND INFORMATICS"; 108-122 International Scientific Technical Journal "Problems of Control and Informatics"; Vol. 69 No. 2 (2024): International Scientific Technical Journal "PROBLEMS OF CONTROL AND INFORMATICS"; 108-122 2786-6505 2786-6491 10.34229/1028-0979-2024-2 uk https://jais.net.ua/index.php/files/article/view/231/314 Copyright (c) 2024 Polina Mikava, Bohdan Yailymov https://creativecommons.org/licenses/by-nc-nd/4.0 |