Аналіз часових рядів супутникових даних для моніторингу стану лісів за допомогою нейронних мереж з тривимірними згортками
Статтю присвячено розв’язанню важливої прикладної задачі класифікації зображень на невеликій кількості розмічених даних з використанням методів машинного навчання для обробки супутникових даних високого просторового розрізнення. Порівняно роботу двох нейромереж: перша класифікує послідовність зображ...
Збережено в:
| Дата: | 2024 |
|---|---|
| Автори: | , |
| Формат: | Стаття |
| Мова: | Ukrainian |
| Опубліковано: |
V.M. Glushkov Institute of Cybernetics of NAS of Ukraine
2024
|
| Теми: | |
| Онлайн доступ: | https://jais.net.ua/index.php/files/article/view/248 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Problems of Control and Informatics |
Репозитарії
Problems of Control and Informatics| id |
oai:ojs2.jais.net.ua:article-248 |
|---|---|
| record_format |
ojs |
| institution |
Problems of Control and Informatics |
| baseUrl_str |
|
| datestamp_date |
2025-03-11T15:10:28Z |
| collection |
OJS |
| language |
Ukrainian |
| topic |
спектральні канали аналіз супутникових даних інтелектуальні технології сенсорного моніторингу навколишнього середовища виявлення змін у стані лісів тривимірні згортки моделі машинного навчання |
| spellingShingle |
спектральні канали аналіз супутникових даних інтелектуальні технології сенсорного моніторингу навколишнього середовища виявлення змін у стані лісів тривимірні згортки моделі машинного навчання Shelestov, Andrii Bukhanevych, Rodion Аналіз часових рядів супутникових даних для моніторингу стану лісів за допомогою нейронних мереж з тривимірними згортками |
| topic_facet |
спектральные каналы анализ спутниковых данных интеллектуальные технологии сенсорного мониторинга окружающей среды выявление изменений в состоянии лесов трехмерные свертки модели машинного обучения спектральні канали аналіз супутникових даних інтелектуальні технології сенсорного моніторингу навколишнього середовища виявлення змін у стані лісів тривимірні згортки моделі машинного навчання spectral channels analysis of satellite data intelligent technologies for sensor monitoring of the environment detection of changes in the state of forests three-dimensional convolutions machine learning models |
| format |
Article |
| author |
Shelestov, Andrii Bukhanevych, Rodion |
| author_facet |
Shelestov, Andrii Bukhanevych, Rodion |
| author_sort |
Shelestov, Andrii |
| title |
Аналіз часових рядів супутникових даних для моніторингу стану лісів за допомогою нейронних мереж з тривимірними згортками |
| title_short |
Аналіз часових рядів супутникових даних для моніторингу стану лісів за допомогою нейронних мереж з тривимірними згортками |
| title_full |
Аналіз часових рядів супутникових даних для моніторингу стану лісів за допомогою нейронних мереж з тривимірними згортками |
| title_fullStr |
Аналіз часових рядів супутникових даних для моніторингу стану лісів за допомогою нейронних мереж з тривимірними згортками |
| title_full_unstemmed |
Аналіз часових рядів супутникових даних для моніторингу стану лісів за допомогою нейронних мереж з тривимірними згортками |
| title_sort |
аналіз часових рядів супутникових даних для моніторингу стану лісів за допомогою нейронних мереж з тривимірними згортками |
| title_alt |
Analysis of satellite data time series for forest monitoring using neural networks based on three-dimensional convolutions Анализ временных рядов спутниковых данных для мониторинга состояния лесов с помощью нейронных сетей с трехмерными свертками |
| description |
Статтю присвячено розв’язанню важливої прикладної задачі класифікації зображень на невеликій кількості розмічених даних з використанням методів машинного навчання для обробки супутникових даних високого просторового розрізнення. Порівняно роботу двох нейромереж: перша класифікує послідовність зображень (часовий ряд) з урахуванням темпоральної складової, друга застосовується для класифікації окремих зображень. Сформовано дослідницький набір даних по території Франції у вигляді часового ряду супутникових знімків. Отриманий набір груп супутникових знімків поділено навпіл на два класи зображень: з хворим лісом та зі здоровим. За допомогою механізму крос-валідації, яка необхідна для коректної інтерпретації результатів дослідження, зібрані часові ряди розділено на три групи. Новизна репрезентованого рішення полягає у побудові моделі, яка враховує як просторову, так і часову складові супутникових знімків для більш точної класифікації. Основна мета дослідження — порівняння роботи моделей, їхньої точності та з’ясування, чи містить даний датасет темпоральну складову, яка властива будь-якому часовому ряду. Експериментальна перевірка на тестових даних продемонструвала, що модель, побудована на тривимірних згортках, показує трохи вищу точність при обробці п’яти та семи зображень у часовому ряді порівняно з моделлю на основі двовимірних згорток. Валідація виявила, що запропонований алгоритм машинного навчання на основі темпоральної складової часового ряду дозволяє досягти порівняної точності на меншій кількості розмічених даних. |
| publisher |
V.M. Glushkov Institute of Cybernetics of NAS of Ukraine |
| publishDate |
2024 |
| url |
https://jais.net.ua/index.php/files/article/view/248 |
| work_keys_str_mv |
AT shelestovandrii analízčasovihrâdívsuputnikovihdanihdlâmonítoringustanulísívzadopomogoûnejronnihmerežztrivimírnimizgortkami AT bukhanevychrodion analízčasovihrâdívsuputnikovihdanihdlâmonítoringustanulísívzadopomogoûnejronnihmerežztrivimírnimizgortkami AT shelestovandrii analysisofsatellitedatatimeseriesforforestmonitoringusingneuralnetworksbasedonthreedimensionalconvolutions AT bukhanevychrodion analysisofsatellitedatatimeseriesforforestmonitoringusingneuralnetworksbasedonthreedimensionalconvolutions AT shelestovandrii analizvremennyhrâdovsputnikovyhdannyhdlâmonitoringasostoâniâlesovspomoŝʹûnejronnyhsetejstrehmernymisvertkami AT bukhanevychrodion analizvremennyhrâdovsputnikovyhdannyhdlâmonitoringasostoâniâlesovspomoŝʹûnejronnyhsetejstrehmernymisvertkami |
| first_indexed |
2025-10-30T02:48:51Z |
| last_indexed |
2025-10-30T02:48:51Z |
| _version_ |
1847373365861416960 |
| spelling |
oai:ojs2.jais.net.ua:article-2482025-03-11T15:10:28Z Аналіз часових рядів супутникових даних для моніторингу стану лісів за допомогою нейронних мереж з тривимірними згортками Analysis of satellite data time series for forest monitoring using neural networks based on three-dimensional convolutions Анализ временных рядов спутниковых данных для мониторинга состояния лесов с помощью нейронных сетей с трехмерными свертками Shelestov, Andrii Bukhanevych, Rodion спектральные каналы анализ спутниковых данных интеллектуальные технологии сенсорного мониторинга окружающей среды выявление изменений в состоянии лесов трехмерные свертки модели машинного обучения спектральні канали аналіз супутникових даних інтелектуальні технології сенсорного моніторингу навколишнього середовища виявлення змін у стані лісів тривимірні згортки моделі машинного навчання spectral channels analysis of satellite data intelligent technologies for sensor monitoring of the environment detection of changes in the state of forests three-dimensional convolutions machine learning models Статтю присвячено розв’язанню важливої прикладної задачі класифікації зображень на невеликій кількості розмічених даних з використанням методів машинного навчання для обробки супутникових даних високого просторового розрізнення. Порівняно роботу двох нейромереж: перша класифікує послідовність зображень (часовий ряд) з урахуванням темпоральної складової, друга застосовується для класифікації окремих зображень. Сформовано дослідницький набір даних по території Франції у вигляді часового ряду супутникових знімків. Отриманий набір груп супутникових знімків поділено навпіл на два класи зображень: з хворим лісом та зі здоровим. За допомогою механізму крос-валідації, яка необхідна для коректної інтерпретації результатів дослідження, зібрані часові ряди розділено на три групи. Новизна репрезентованого рішення полягає у побудові моделі, яка враховує як просторову, так і часову складові супутникових знімків для більш точної класифікації. Основна мета дослідження — порівняння роботи моделей, їхньої точності та з’ясування, чи містить даний датасет темпоральну складову, яка властива будь-якому часовому ряду. Експериментальна перевірка на тестових даних продемонструвала, що модель, побудована на тривимірних згортках, показує трохи вищу точність при обробці п’яти та семи зображень у часовому ряді порівняно з моделлю на основі двовимірних згорток. Валідація виявила, що запропонований алгоритм машинного навчання на основі темпоральної складової часового ряду дозволяє досягти порівняної точності на меншій кількості розмічених даних. The article is dedicated to addressing an important applied problem of image classification with a small amount of labeled data using machine learning methods and high spatial resolution satellite data. This work involves a comparison of the performance of two neural networks. The first network classifies a sequence of images, taking into account the temporal component, while the second network classifies individual images. A research dataset was formed for the territory of France in the form of a time series of satellite snapshots. The images were grouped according to the time interval, location, and type of land cover, including coniferous and deciduous forests. The resulting set of grouped satellite images was divided into two classes: images with diseased forests and images with healthy forests. The collected time series were divided into three groups using the cross-validation mechanism, which is necessary for the correct interpretation of the research results. The novelty of the presented solution lies in the construction of a model that takes into account both the spatial and temporal components of satellite images for more accurate classification. The main goal of the work is to compare the performance of the models, their accuracy, and to determine whether the dataset contains a temporal component inherent to any time series. Experimental testing on test data demonstrated that the model based on three-dimensional convolutions showed slightly higher accuracy compared to the model based on two-dimensional convolutions when processing 5 and 7 images in the time series. Validation showed that the proposed machine learning algorithm based on the temporal component of the time series allows achieving comparable accuracy with a smaller amount of labeled data. This emphasizes the importance of using time series for the classification of high spatial resolution satellite images. Статья посвящена решению важной прикладной задачи классификации изображений на небольшом количестве размеченных данных с использованием методов машинного обучения для обработки спутниковых данных высокого пространственного разрешения. Сравнительно работа двух нейросетей: первая классифицирует последовательность изображений (временной ряд) с учетом темпоральной составляющей, вторая применяется для классификации отдельных изображений. Сформирован исследовательский набор данных по территории Франции в виде временного ряда спутниковых снимков. Полученный набор групп спутниковых снимков разделен пополам на два класса изображений: с больным лесом и здоровым. С помощью механизма кросс-валидации, необходимой для корректной интерпретации результатов исследования, собранные временные ряды разделены на три группы. Новизна представленного решения состоит в построении модели, учитывающей как пространственную, так и временную составляющие спутниковых снимков для более точной классификации. Основная цель исследования — сравнение работы моделей, их точность и выяснение, содержит ли датасет темпоральную составляющую, которая присуща любому временному ряду. Экспериментальная проверка на тестовых данных продемонстрировала, что модель, построенная на трехмерных свертках, показывает более высокую точность при обработке пяти и семи изображений во временном ряду по сравнению с моделью на основе двумерных сверток. Валидация обнаружила, что предложенный алгоритм машинного обучения на основе темпоральной составляющей временного ряда позволяет добиться сравнительной точности на меньшем количестве размеченных данных. V.M. Glushkov Institute of Cybernetics of NAS of Ukraine 2024-08-31 Article Article application/pdf https://jais.net.ua/index.php/files/article/view/248 10.34229/1028-0979-2024-4-5 Міжнародний науково-технічний журнал "Проблеми керування та інформатики"; Том 69 № 4 (2024): Міжнародний науково-технічний журнал "Проблеми керування та інформатики"; 73-82 International Scientific Technical Journal "Problems of Control and Informatics; Том 69 № 4 (2024): International Scientific Technical Journal "PROBLEMS OF CONTROL AND INFORMATICS"; 73-82 International Scientific Technical Journal "Problems of Control and Informatics"; Vol. 69 No. 4 (2024): International Scientific Technical Journal "PROBLEMS OF CONTROL AND INFORMATICS"; 73-82 2786-6505 2786-6491 uk https://jais.net.ua/index.php/files/article/view/248/327 Copyright (c) 2024 Andrii Shelestov, Rodion Bukhanevych https://creativecommons.org/licenses/by-nc-nd/4.0 |