Факультети

Permanent URI for this community

https://dspace.snu.edu.ua/handle/123456789/99

Browse

Browsing Факультети by Author "Biloborodova, T. O."

Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    Методологія ідентифікації шламонакопичувачів з використанням методів машинного навчання на геопросторових зображеннях.
    (СНУ ім. В. Даля, 2022) Критська, Я. О.; Хмельницький, Д. Б.; Білобородова, Т. О.; Krytska, Y. O.; Khmelnytskyi, D. B.; Biloborodova, T. O.
    В останні роки спостерігається зростання випадків де формації промислових шламонакопичувачів, результатом якої у багатьох випадках є руйнівний вплив на навколишнє середовище та екосистему. Моніторинг шламонакопичу вачів має вирішальне значення для запобігання руйнівним наслідкам деформації. Традиційні методи моніторингу вимагають великих ресурсів та також малоефективні для раннього виявлення потенційної деформації. Віддале ний моніторинг на основі геопросторових зображень є перспективним напрямком для моніторингу шламонако пичувачів з метою раннього виявлення потенційної дефо рмації. В роботі представлено формалізацію етапів та визначення методології моніторингу шламонакопичувачів на основі геопросторових зображень з використанням методів машинного навчання: визначено засоби моніто рингу, формалізовано етапи, розроблено технічну блок схему процесу. Визначена методологія включає наступні етапи: (1) формування вибірки та передобробка зобра жень, (2) класифікація з використанням алгоритмів ма шинного навчання, (3) валідація результатів класифікації та визначення моделі з найвищою точністю. Методологія заснована на використанні Google Earth Engine (GЕЕ). За соби платформи включають інтерактивний сервер дода тків, що працює з відкритим каталогом даних, обчислю вальне інтегроване середовище розробки, геопросторовий API (клієнтські бібліотеки надають оболонки Python і JavaScript для вебAPI в архітектурі REST. Практичну ре алізацію та оцінку якості запропонованої методології проведено на основі даних зображень шламонакопичувача содового виробництва ВАТ «Лисичанська сода». Проведе но попередню обробку зображень: 1) відбір зображень без хмар, для покращення результатів подальшого аналізу, 2) об’єднання шарів зображень ДДЗ, 3) анотація об’єктів, 4) розділення даних на тестовий та тренувальний набори даних пікселів. Класифікацію реалізовано з використан ням алгоритмів CART, RF та SVM Ефективність моделей визначено на основі точності ідентифікації. Найвища точність на тестових даних досягнута з використанням SVM, що становила 98,05%.