Статті (ММАД)
Постійне посилання зібрання
У зібранні розміщено матеріали, що опубліковані або готуються до публікації в наукових журналах та збірниках.
Переглянути
Перегляд Статті (ММАД) за Дата публікації
Зараз показуємо 1 - 20 з 21
Результатів на сторінці
Налаштування сортування
Документ Відкритий доступ Crop Yield Forecasting for Major Crops in Ukraine(IEEE, 2021) Shelestov, Andrii; Shumilo, Leonid; Yailymova, Hanna; Drozd, SophiaДокумент Відкритий доступ Is Soil Bonitet an Adequate Indicator for Agricultural Land Appraisal in Ukraine?(Sustainability, 2021) Shumilo, Leonid; Lavreniuk, Mykola; Skakun, Sergii; Kussul, NataliiaДокумент Відкритий доступ Discrete Atomic Transform-Based Lossy Compression of Three-Channel Remote Sensing Images with Quality Control(Remote Sensing, 2021) Makarichev, Victor; Vasilyeva, Irina; Lukin, Vladimir; Vozel, Benoit; Shelestov, Andrii; Kussul, NataliiaДокумент Відкритий доступ Air Quality Estimation in Ukraine Using SDG 11.6.2 Indicator Assessment(Remote Sensing, 2021-11) Shelestov, Andrii; Yailymova, Hanna; Yailymov, Bohdan; Kussul, NataliiaДокумент Відкритий доступ Валідація карт деградації земель на основі геопросторових даних(Інститут космічних досліджень НАНУ та НКАУ, 2022) Яйлимов, Б. Я.; Шелестов, А. Ю.; Ємельянов, М. О.; Пархомчук, О. М.Документ Відкритий доступ Інтелектуальні методи та моделі обробки супутникових даних у задачі моніторингу звалищ(Проблем и керування та інформатики, 2022) Yailymova, Hanna; Yailymov, Bohdan; Shelestov, Andrii; Krasilnikova, TetianaДокумент Відкритий доступ Вплив зміни клімату на площі основних сільськогосподарських культур(Космічна наука і технологія, 2022) Ємельянов, Михайло; Шелестов, Андрій Юрійович; Яйлимова, Ганна Олексіївна; Шуміло, Леонід ЛеонідовичДокумент Відкритий доступ Biophysical Impact of Sunflower Crop Rotation on Agricultural Fields(Sustainability, 2022) Kussul, Nataliia; Deininger, Klaus; Shumilo, Leonid; Lavreniuk, Mykola; Ayalew Ali, Daniel; Nivievskyi, OlegДокумент Відкритий доступ Використання супутникових продуктів для аналізу змін територій природно-заповідного фонду України(Проблем и керування та інформатики, 2022) Yailymov, Bohdan; Yailymova, Hanna; Shelestov, Andrii; Lavreniuk, AllaДокумент Відкритий доступ Дослідження представлення багаточасткових графів за допомогою топологічного аналізу даних(2023) Яворський, Олександр; Куссуль, НаталіяРозглянуто проблему представлення багаточасткових графів для задач машинного навчання (МН) на графах за допомогою методів топологічного МН, зокрема шляхом обчислення персистентних гомологій (ПГ) хмар точок. Розглянуто також векторні представлення графів, отриманих за допомогою білінійних моделей та моделей трансляції, серед яких є модель тензорної декомпозиції TuckeR і моделі зсуву MurE та PairRE. Взято до уваги як повністю експресивні моделі, так і моделі з недоведеним рівнем експресивності. Як приклад багаточасткового графу обрано граф, що має 271 тип вершин та два типи ребер. Обчислення ПГ проведено для кожної моделі. Отримані представлення розбито на два окремих класи. Перший складається лише з векторних представлень вершин, а другий має представлення як вершин, так і одного з типів ребер. Для обох класів обраховано ПГ з максимальним виміром 2, що покриває 1-, 2- та 3-вимірні дірки. Для представлення ПГ обрано персистентні діаграми. Після цього точки отриманих діаграм використано для статистичного аналізу за допомогою обчислення значень коефіцієнтів ексцесу, асиметрії, відхилення та середнього. Дані статистичні характеристики обраховано як для самих моделей, так і для модулів їхніх різниць. Основна мета роботи полягає в тому, аби показати, що різні моделі представлень мають різні характеристики з точки зору ПГ, що вказує на те, що самі моделі не є топологічно еквівалентними, а тому їх вибір принципово впливає на якість та точність вивчення представлень багаточасткових графів. Даний результат досягається шляхом порівняння вищезазначених статистичних параметрів, а також гістограм середніх значень отриманих векторів.Документ Відкритий доступ Оцінка цілей сталого розвитку в межах Європейської дослідницької мережі (ERA-PLANET)(Інститут кібернетики ім. В. М. Глушкова НАН України, 2023) Куссуль, Наталія; Шелестов, Андрій; Яйлимов, Богдан; Федоров, Олег; Яйлимова, Ганна; Скакун, Сергій; Шуміло, Леонід; Колос, Людмила; Дякун, ОлексійЦілі сталого розвитку (ЦСР), також відомі як глобальні цілі, прийняті Організацією Об’єднаних Націй у 2015 р. як універсальний заклик до дій щодо подолання бідності, захисту планети, забезпечення миру та покращення якості життя всіх людей до 2030 р. Цілі розвитку спрямовані на те, щоб до 2030 р. покінчити з усіма формами голоду, щоб усі люди отримували достатню кількість поживної їжі протягом усього року. Це сприятиме сталому сільському господарству, підтримці дрібних фермерів і рівному доступу до землі, технологій і ринків. Окрім цього, важливо вжити термінові заходи, щоб зменшити втрату природних середовищ існування та біорізноманіття, які є частиною нашої спільної спадщини та підтримують глобальну продовольчу та водну безпеку, пом’якшують наслідки зміни клімату та адаптацію до них, а також забезпечують мир і безпеку. Задля розвитку цього напрямку в Україні, в межах Європейського проєкту ERA-PLANET програми Horizon 2020 «Європейська мережа для дослідження нашої планети», використовуються дані спостереження Землі та супутникові дані для моніторингу ефективності використання природних ресурсів, а також для оцінки прогресу в досягненні ЦСР. У даному дослідженні розроблені технології обрахунку трьох конкретних індикаторів, а саме: 2.4.1. «Частка сільськогосподарських площ з продуктивним і сталим сільським господарством»; 15.1.1 «Площа лісів як частка загальної площі земного покриву»; 15.3.1 «Частка землі, яка деградувала відносно загальної площі земного покриву». Основна проблема, яку вирішують автори для території України, пов’язана з відсутністю якісних наборів даних, їх низьким просторовим розрізненням і меншою точністю порівняно з регіональними продуктами. Запропоновано нову вдосконалену методологію для обчислення карти продуктивності землі на основі супутникових даних високого просторового розрізнення.Документ Відкритий доступ Метод виявлення складних для розпізнавання зразків у наборах даних для задач класифікації у машинному навчанні(Інститут кібернетики ім. В.М. Глушкова НАН України, 2023) Охріменко, Антон Олександрович; Куссуль, Наталія МиколаївнаРозглядається проблема неоднозначності в задачах класифікації в області ма-шинного навчання. Задача класифікації полягає у навчанні моделі відрізняти екземпляри даних, що належать різнимклас ам. Однак можливі ситуації, коли правильна класифікація певної множини екземплярів даних складнаабо навіть неможлива, незалежно від складності моделі машинного навчання.Запропоно-вано метод та алгоритм виявлення таких неоднозначних екземплярів даних, щобазу ються на використанні методу найближчого сусіда та аналізу класів екзе-мплярів даних, розташованих поряд у просторі ознак, та дозволяютьвиділити підмножину неоднозначних екземплярів даних, що можуть негативно впливатина процес навчання моделі класифікації.З метою демонстрації практичного за-стосування алгоритму проведено експеримент на чотириканальному супутни-ковому композиті, що використовується для попіксельної класифікації сільсь-когосподарських культур. Визначено відсоток ненадійних даних загалом та окремо для кожної культури. Одним з основних результатів дослідження є мо-жливість використання запропонованого алгоритму під час конструювання да-тасету(набору даних, dataset) для навчання моделі класифікації.Віндопомагає виявити потенційно проблемні екземпляри даних та забезпечити якість вхідно-го набору даних. Крім того, розглянуто можливості застосування алгоритму після процесу навчання моделі привикористаннів операційному режимі. Ви-явлення неоднозначних екземплярів може допомогти знайти потенційні поми-лки класифікації та покращити результати роботи моделі.Представлений ал-горитм може стати важливим інструментом для дослідника впродовж повного циклу розробки моделі машинного навчання, починаючи від підготовки даних для навчання і закінчуючи її практичним впровадженням. Його застосування скороч уватиме часна отримання якісних навчальних даних, покращуватимеметрикикласифікації та забезпечуватимебільш надійнірезультатиу задачах машинного навчання.Документ Відкритий доступ Quantifying War-Induced Crop Losses in Ukraine in Near Real Time to Strengthen Local and Global Food Security(Elsevier Ltd, 2023) Deininger, Klaus; Ali, Daniel Ayalew; Kussul, Nataliia; Shelestov, Andrii; Lemoine, GuidoWe use a 4-year panel (2019–2022) of 10,125 village councils in Ukraine to estimate effects of the war started by Russia on area and expected yield of winter crops aggregated up from the field level. Satellite imagery is used to provide information on direct damage to agricultural fields; classify crop cover using machine learning; and compute the Normalized Difference Vegetation Index (NDVI) for winter cereal fields as a proxy for yield. Without conflict, winter crop area would have been 9.35 rather than 8.38 million ha, a 0.97 million ha reduction, only 14% of which can be attributed to direct conflict effects. The estimated drop associated with the conflict in NDVI for winter wheat, which is particularly pronounced for small farms, translates into an additional reduction of output by about 1.9 million tons for a total of 4.84 million tons. Taking area and yield reduction together suggests a war-induced loss of winter wheat output of up to 17% assuming the 2022 winter wheat crop was fully harvested.Документ Відкритий доступ Generative adversarial network augmentation for solving the training data imbalance problem in crop classification(2023) Shumilo, Leonid; Okhrimenko, Anton; Kussul, Nataliia; Drozd, Sofiia; Shkalikov, OlehDeep learning models offer great potential for advancing land monitoring using satellite data. However, they face challenges due to imbalanced real-world data distributions of land cover and crop types, hindering scalability and transferability. This letter presents a novel data augmentation method employing Generative Adversarial Neural Networks (GANs) with pixel-to-pixel transformation (pix2pix). This approach generates realistic synthetic satellite images with artificial ground truth masks, even for rare crop class distributions. It enables the creation of additional minority class samples, enhancing control over training data balance and outperforming traditional augmentation methods. Implementing this method improved the overall map accuracy (OA) and intersection over union (IoU) by 1.5% and 2.1%, while average crop type classes’ user accuracy (UA) and producer accuracies (PA), as well as IoU, were improved by 11.2%, 6.4% and 10.2%.Документ Відкритий доступ Аналіз часових рядів супутникових даних для моніторингу стану лісів(Інститут кібернетики ім. В. М. Глушкова НАН України, 2023) Гордійко, Наталія; Яйлимова, ГаннаСистеми на основі сучасних інтелектуальних технологій сенсорного тасупутникового моніторингу здатні відстежувати та контролювати віддалені території навколишнього середовища в реальному часі та сприяють шви д-кому реагуванню на його зміни, перш ніж це стане проблемою. Вони дозволяютьефективніше використовувати наявні ресурси, оскільки дані можна відстежувати та контролювати віддалено, без необхідності фізичного доступу. Сучасні супутниковідатчики дозволяють отримати зображення об’єктів земної поверхні з високою роздільною здатністю, що дозволяє створювати детальні карти навколишнього середовища Землі та робить космічний моніторинг потужним та ефективним інструментом як аналізу клі матичнихзмін, екологічних катастроф та глобального впливу людської діяльності на стан екосистем, так і їхнього попередження. В даній роботі досліджуються та визнач аютьсянайбільш інформативніспектральніканал исупутника Sentinel-2 з метою їхнього подальшого аналізу в процесі су- путникового моніторингу пошкоджених лісів. Сформ ован одослідницькийнаб ірданих безхмарних супутникових знімків (тестового датасету (набору даних) по території Франції) у вигляді часового ряду супутникових знімків для дистанційного моніторингу лісових ділянок (до та після пошкоджен-ня). Отриманий набір безхмарних супутникових знімків складається з 5573зо-бражень. На прикладі вегетаційного індексу NDVIперевірена гіпотеза щодо зменшення його середнього значення та зростання йогостандарт-ного відхилення при появі на певній ділянці хвойного лісу пошкодження (захворювання чи засихання). Отримані результати можуть використо-вуватисяпри машинному навчанні алгоритмів класифікації пошкодже-них лісів.Дослідження проводилось відповідно донаукових цілей єв-ропейського проєкту «Satellites for Wilderness Inspection and Forest ThreatTracking» (SWIFTT)Документ Відкритий доступ Модель оцінки якості повітря за супутниковими даними на основі методу групового урахування аргументів(2023) Хайдуров, Владислав; Яйлимов, Богдан; Шелестов, АндрійУ роботі представлено математичну модель на основі методу групового урахування аргументів (МГУА) для оцінки даних про якість повітря на рівні землі за допомогою супутникових спостережень. Забруднення повітря є серйозною екологічною проблемою, яка має значний вплив на екосистеми, здоров’я людини та зміну клімату. Наземні мережі моніторингу якості повітря забезпечують прямі вимірювання рівня забруднення, але у багатьох регіонах світу обмежені кількістю станцій. Супутникове дистанційне зондування пропонує нові можливості для послідовного та детального моніторингу якості повітря як доповнення до наземних спостережень. Однак існують певні обмеження, включно з низьким просторовим розрізненням супутникових даних, невизначеностями вимірювань і низькою частотою зйомки. У цьому дослідженні розроблено модифіковану модель МГУА для співставлення даних супутникових спостережень з наземними даними про якість повітря для дрібних твердих частинок (PM2,5) і твердих частинок розміром менше 10 мк (PM10) у місті Києві, Україна. Модель оптимально реконструює нелінійні функціональні залежності між часовими рядами супутникових і наземних змінних, одночасно оптимізуючи загальну складність моделі. Проведено кілька обчислювальних експериментів на реальних наборах даних. Результати показали сильну кореляцію між прогнозованими та емпірично спостережуваними значеннями на незалежному 25 %-му тестовому зразку (досягнуто 0,8889 для PM2,5). Для оптимізованої моделі МГУА вимагалось у 2–3 рази менше параметрів, ніж для порівнюваної архітектури нейронної мережі, щоб досягти того самого рівня точності. Це демонструє здатність запропонованого підходу точно оцінювати концентрації забруднення на рівні землі з високою роздільною здатністю на основі супутникових даних, використовуючи МГУА-моделювання. Розроблена модель надає більш повну просторово-часову картину розподілу забруднення для значного покращення можливостей моніторингу навколишнього середовища, інформування громадськості та підтримки науково обґрунтованих політичних рішень щодо стратегій пом’якшення впливу забруднення на довкілля. У дослідженні підкреслюється, що злиття супутникових і наземних даних за допомогою моделювання МГУА дозволяє значно удосконалити можливості оцінки якості повітря, щоб краще зрозуміти дрібномасштабну динаміку забруднення, захистити населення та розробити ефективні рішення для захисту навколишнього середовища.Документ Відкритий доступ Assessing damage to agricultural fields from military actions in Ukraine: An integrated approach using statistical indicators and machine learning(2023) Kussul, Nataliia; Drozd, Sofiia; Yailymova, Hanna; Shelestov, Andrii; Lemoine, Guido; Deininger, KlausThe ongoing full-scale Russian invasion of Ukraine has led to widespread damage of agricultural lands, jeopardizing global food security. Timely detection of impacted fields enables quantification of production losses, guiding recovery policies and monitoring military actions. This study presents a robust methodology to automatically identify agricultural areas damaged by wartime ground activities using free Sentinel-2 satellite data. The 10 m resolution spectral bands and vegetation indices are leveraged, alongside their statistical metrics over time, as inputs to a Random Forest classifier. The algorithm efficiently pinpoints damaged fields, with accuracy metrics around 0.85. Subsequent anomaly detection delineates damages within the fields by combining spectral bands and indices. Applying the methodology over 22 biweekly periods in 2022, approximately 500 thousand ha of cropland across 10 regions of Ukraine were classified as damaged, with the most significant impacts occurring from March to September. The algorithm provides updated damage information despite cloud cover and vegetation shifts. The approach demonstrates the efficacy of automated satellite monitoring to assess agricultural impacts of military actions, supporting recovery analysis and documentation of war crimes.Документ Відкритий доступ Fire Danger Assessment Using Moderate-Spatial Resolution Satellite Data(MDPI, 2023) Kussul, Nataliia; Fedorov, Oleh; Yailymov, Bohdan; Pidgorodetska, Liudmyla; Kolos, Liudmyla; Yailymova, Hanna; Shelestov, AndriiFire is one of the most common disturbances in natural ecosystems. The analysis of various sources of information (official and unofficial) about the fires in Ukraine (2019–2020) showed a lack of timely and reliable information. Satellite observation is of crucial importance to provide accurate, reliable, and timely information. This paper aims to modify the index of fire danger of a forest’s FWI by increasing its precision, based on the use of higher spatial resolution satellite data. A modification of the FWI method involves the utilization of the soil moisture deficit, in addition to the six subindices of the FWI system. In order to calculate the subindices values, weather data from the Copernicus Atmosphere Monitoring Service were used. Soil moisture deficit is calculated using Sentinel-1 radar satellite data on the water saturation degree of the soil surface layer and geospatial parameters from the 3D Soil Hydraulic Database of Europe. The application of the proposed methodology using the specified satellite, weather, and geospatial data makes it possible to assess fire danger on a continental scale with a spatial resolution of 250 m, 1 km, and a daily temporal resolution. Validation of the proposed method for modifying the FWI system demonstrates an improvement in the precision and relevance of fire danger prediction.Документ Відкритий доступ Comparative analysis of classification techniques for topic-based biomedical literature categorisation(Frontiers Media S.A., 2023) Stepanov, Ihor; Ivasiuk, Arsentii; Yavorskyi, Oleksandr; Frolova, AlinaIntroduction: Scientific articles serve as vital sources of biomedical information, but with the yearly growth in publication volume, processing such vast amounts of information has become increasingly challenging. This difficulty is particularly pronounced when it requires the expertise of highly qualified professionals. Our research focused on the domain-specific articles classification to determine whether they contain information about drug-induced liver injury (DILI). DILI is a clinically significant condition and one of the reasons for drug registration failures. The rapid and accurate identification of drugs that may cause such conditions can prevent side effects in millions of patients. Methods: Developing a text classification method can help regulators, such as the FDA, much faster at a massive scale identify facts of potential DILI of concrete drugs. In our study, we compared several text classification methodologies, including transformers, LSTMs, information theory, and statistics-based methods. We devised a simple and interpretable text classification method that is as fast as Naïve Bayes while delivering superior performance for topic-oriented text categorisation. Moreover, we revisited techniques and methodologies to handle the imbalance of the data. Results: Transformers achieve the best results in cases if the distribution of classes and semantics of test data matches the training set. But in cases of imbalanced data, simple statistical-information theory-based models can surpass complex transformers, bringing more interpretable results that are so important for the biomedical domain. As our results show, neural networks can achieve better results if they are pre-trained on domain-specific data, and the loss function was designed to reflect the class distribution. Discussion: Overall, transformers are powerful architecture, however, in certain cases, such as topic classification, its usage can be redundant and simple statistical approaches can achieve compatible results while being much faster and explainable. However, we see potential in combining results from both worlds. Development of new neural network architectures, loss functions and training procedures that bring stability to unbalanced data is a promising topic of development.Документ Відкритий доступ Метод виявлення пошкоджень земної поверхні внаслідок воєнних дій за допомогою супутникових даних(Інститут космічних досліджень НАНУ та НКАУ, 2023) Мікава, Поліна Віталіївна; Дрозд, Софія ЮріївнаМісцевість, яка стала ареною активних воєнних дій, зазнає значних пошкоджень у результаті бойових зіткнень та артилерійських обстрілів. Зокрема, ураження родючих земель робить їх непридатними для використання. Внаслідок цього виникає і стає все більш нагальним питання відновлення територій. Сьогодні розробляється багато проєктів по відновленню як інфраструктури, так і самої земної поверхні. Значна частина таких проєктів ініціюється іноземними партнерами та активно підтримується ними фінансово. Створення ефективного механізму відновлення потребує актуальної інформації щодо площі та ступеня пошкоджень території. Через постійну загрозу обстрілів загальна безпекова ситуація в країні нестабільна, а більша частина пошкоджених територій розташована безпосередньо поруч з лінією фронту. З огляду на це актуальною є розробка методів аналізу земної поверхні, що базуються на інформації, отриманій віддалено. Одним з джерел такої інформації можуть бути дані місії Sentinel-2. У роботі розглянуто метод виявлення та аналізу пошкоджень території на основі розрахунків та порівнянь індексу рослинності NDVI. Інформація оцінюється протягом певного часового відрізку, розділеного на двотижневі періоди. Найпоширенішими серед пошкоджень виявилися воронки, утворені внаслідок обстрілів та вибухів, вигорілі поля та сліди військової техніки.