2022 рік

Permanent URI for this community

https://dspace.snu.edu.ua/handle/123456789/3

Browse

Browsing 2022 рік by Author "Biloborodova, T. O."

Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    Дослідження методів обробки та аналізу геопросторових зображень для віддаленого моніторингу поверхневих вод.
    (СНУ ім. В. Даля, 2022) Критська, Я. О.; Білобородова, Т. О.; Krytska, Y. O.; Biloborodova, T. O.
    Поверхневі води є важливими природнім ресурсом та відіграють важливу роль в багатьох аспектах людського життя, таких як питна вода, сільське господарство, виробництво електроенергії, транспорт та промисловість. Зміни поверхневих вод впливають на інші природні ресурси та навколишнє середовище. Це обумовлює важливість якісного визначення обсягу поверхневих вод і відстеження їх динаміки. Останнім часом дедалі більшої популярності набувають методи аналізу поверхневих вод на основі супутникових зображень. В роботі досліджені можливості і перспективи використання методів обробки та аналізу геопросторових зображень для віддаленого моніторингу поверхневих вод. Визначено та формалізовано етапи моніторингу поверхневих вод на основі геопросторових зображень. Визначено класифікацію методів виділення даних водної поверхні з геопросторових зображень, що включає методи на основі спектральних діапазонів, методи контрольованої класифікація на основі методів машинного навчання та методи неконтрольованої класифікації на основі індексів води. Розглянуто особливості просторово-часового аналізу поверхневих вод та критеріїв оцінки його точності.Ключовим критерієм оцінки точності є загальна точність класифікації зображень, однак, доцільно використовувати декілька специфічних критеріїв оцінки, таких як коефіцієнт узгодженості MICE, точність виробника, точність користувача, для отримання надійнішої оцінки. Проведено дослідження можливостей аналізу поверхневих вод на основі водного індексу на прикладі озера Піщане Луганської області в період водопілля 2018-2019 років. Дослідження можливостей аналізу поверхневих вод на основі водного індексу з застосуванням нормованого диференційованого індексу вологості території озера Піщане дозволило виявити певну невизначеність при підборі порогових значень для ефективного диференціювання. Також, виявлено суттєву залежність методу від факторів атмосферних умов, таких як хмарність, туман, задимленість або температурна інверсія на момент зйомки геопросторового зображення, що обумовлює необхідність атмосферної корекції супутникових даних до рівня обробки L2A.
  • 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%.