Магістерські роботи (ММАД)
Постійне посилання зібрання
У зібранні розміщено магістерські дисертації на здобуття ступеня магістра.
Переглянути
Перегляд Магістерські роботи (ММАД) за Автор "Карабан, Артем Олексійович"
Зараз показуємо 1 - 1 з 1
Результатів на сторінці
Налаштування сортування
Документ Відкритий доступ Аналіз математичних моделей для аналізу змін земного покриву за допомогою машинного навчання(КПІ ім. Ігоря Сікорського, 2025) Карабан, Артем Олексійович; Яйлимова, Ганна ОлексіївнаМагістерська дисертація містить 61 сторінок, 7 ілюстрацій, 2 таблиці та 17 літературних джерела. Актуальність: Моніторинг змін земного покриву є критично важливим завданням у сучасних екологічних, сільськогосподарських і кліматичних дослідженнях. Завдяки розвитку супутникових технологій, зокрема місій Sentinel-2, з’явилась можливість отримувати регулярні мультиспектральні знімки з високою деталізацією. Однак попри наявність великої кількості необроблених супутникових даних, анотовані набори, необхідні для навчання більшості моделей, залишаються обмеженими — особливо для повільних природних змін. У зв’язку з цим актуальним є пошук рішень, які дозволяють ефективно навчати моделі за умов браку міток і обмеженого обсягу даних. Мета даної роботи: провести експеримент та дослідити ефективність використання фізично обґрунтованих функцій втрат у задачі прогнозування змін земного покриву на основі супутникових мультиспектральних знімків за умов обмеженого обсягу даних та відсутності розмічених міток, а також оцінити здатність моделі узагальнювати результати на нові географічні регіони. Для досягнення мети було використано: ● Супутникові знімки Sentinel-2 з мультиспектральними каналами; ● Модель ConvLSTM Autoencoder для роботи з часовими просторовими послідовностями; ● Платформа Google Earth Engine (GEE); ● Google Colab, PyCharm та бібліотеки Python/ML для реалізації алгоритмів. Завдання: 1. Провести аналіз сучасних підходів до моделювання змін земного покриву із використанням супутникових знімків. 2. Обґрунтувати вибір архітектури моделі, здатної працювати з часовими послідовностями мультиспектральних даних. 3. Підібрати оптимальні спектральні канали Sentinel-2 для задачі прогнозу вегетаційної динаміки. 4. Реалізувати систему попередньої обробки знімків (маскування хмар, нормалізація, вирізка патчів). 5. Розробити функції втрат, включаючи класичну MSE, дифузійну та фізично обґрунтовану компоненти. 6. Побудувати та навчити модель ConvLSTM Autoencoder на вибраній території. 7. Провести серію експериментів з різними параметрами (зокрема коефіцієнтом дифузії D). 8. Оцінити якість моделей на даних з інших регіонів для перевірки здатності до узагальнення. 9. Проаналізувати результати, зробити висновки щодо ефективності підходу. Об’єкт дослідження: процес моделювання та прогнозування змін земного покриву на основі супутникових мультиспектральних знімків із використанням методів машинного навчання. Предмет дослідження: супутникові дані Sentinel-2 з просторовим розрізненням 10 м, технології хмарного супутникового моніторингу (Google Earth Engine) та методи глибинного навчання для виявлення змін. Методи досліджень: машинне навчання, методи обробки супутникових зображень, оптимізація функцій втрат, моделювання часових послідовностей, аналіз точності прогнозів, математична статистика. Практична цінність: отримані результати можуть бути використані для моніторингу змін земного покриву в регіонах з обмеженим обсягом розмічених даних, зокрема для оцінки стану лісів, аналізу екосистем, планування природоохоронних заходів та реагування на наслідки кліматичних і антропогенних впливів. Запропонований підхід дозволяє підвищити точність прогнозів без потреби у великій кількості міток, що робить його придатним для використання державними структурами, екологічними службами та в аграрному секторі.