Секцiя 7. Математичне моделювання та аналiз даних

Постійне посилання зібрання

https://ela.kpi.ua/handle/123456789/66970

Переглянути

Перегляд Секцiя 7. Математичне моделювання та аналiз даних за Ключові слова "004.8:336.76"

Зараз показуємо 1 - 3 з 3
  • Ескіз
    ДокументВідкритий доступ
    Методи машинного навчання для розпiзнавання нафтових плям за допомогою супутникових знiмкiв
    (КПІ ім. Ігоря Сікорського, 2024) Нагорський, М. Л.; Яйлимова, Г. О.
    Стаття присвячена аналізу та обробці супутникових одноканальних знімків для виявлення нафтових розливів. Метою роботи є розробка та порівняння ефективності різних нейронних моделей у задачі сегментації зображень. Для досягнення поставленої мети було виконано попередню обробку даних. Важливою частиною дослідження стало навчання моделей на одній географічній області та їх подальше застосування у іншій, що дозволило оцінити універсальність моделей.
  • Ескіз
    ДокументВідкритий доступ
    Методи монiторингу та аналiзу здоров’я лiсiв за супутниковими даними
    (КПІ ім. Ігоря Сікорського, 2024) Іорданова, В. Е.; Яйлимова, Г. О.
    У даній роботі розглядаються методи моніторингу здоров’я лісових масивів із використанням супутникових даних Sentinel-2. В основу дослідження покладено аналіз великої кількості даних, що включають багатоспектральні зображення та маски лісів, які містять інформацію про здорові та пошкоджені ділянки. З використанням алгоритмів машинного навчання та вегетаційних індексів був проаналізований стан лісів та порівняно результати роботи моделей.
  • Ескіз
    ДокументВідкритий доступ
    Удосконалений iнтерполяцiйний метод на основi кореляцiйних ваг для заповнення пробiлiв вiд хмар у AOD каналi на щоденних знiмках MODIS
    (КПІ ім. Ігоря Сікорського, 2024) Кравчук, О. А.; Яйлимова, Г. О.
    В наш час існує багато потужних моделей глибинного навчання (моделей на основі ConvLSTM, автоенкодерів, дифузійних моделей) для реконструкції або прогнозування даних про аерозольну оптичну глибину (англ. Aerosol optical depth, далі – AOD), проте такі моделі часто потребують непошкоджених даних для навчання. В свою чергу, якщо для екваторіальних чи невеликих регіонів безхмарні знімки знайти можна, то для території у сотні тисяч квадратних кілометрів, наприклад, у Європі ця задача стає неможливою. Відповідно, пропуски від хмар необхідно заповнювати. Для вирішення цієї задачі був реалізований вдосконалений метод інтерполяції на основі кореляційних ваг (англ. Interpolation-based correlation weighting, далі – ICW).