Методи виявлення нафтових плям у морі із використанням попередньо навчених глибинних нейронних мереж на основі радарних даних
Вантажиться...
Дата
2025
Автори
Науковий керівник
Назва журналу
Номер ISSN
Назва тому
Видавець
КПІ ім. Ігоря Сікорського
Анотація
Дана робота складається з 72 сторiнок тексту, мiстить 9 iлюстрацiй, 4 таблицi, 1 додаток, 52 джерел за перелiком посилань.
Актуальнiсть теми обумовлена необхiднiстю вдосконалення засобiв автоматизованого монiторингу нафтових розливiв у Свiтовому океанi. Такi забруднення становлять серйозну загрозу для морських екосистем i
спричиняють вiдчутнi соцiально-економiчнi збитки для прибережних регiонiв.
З огляду на обмежену доступнiсть розмiчених SAR-зображень, актуальним є використання методiв глибинного навчання з попереднiм навчанням моделей у поєднаннi зi спецiалiзованими алгоритмами попередньої обробки даних. У цьому контекстi особливий iнтерес становить застосування фундаментальних моделей, зокрема PRITHVI-EO-2.0, яка вже зарекомендувала себе як ефективний iнструмент у задачах семантичної сегментацiї та має значний потенцiал для виявлення нафтових забруднень на SAR-знiмках.
Робота виконана у межах проєкту HORIZON Europe iMERMAID («Innovative solutions for Mediterranean Ecosystem Remediation via Monitoring and decontamination from Chemical Pollution»), що передбачає розробку ефективних цифрових рiшень для попередження, виявлення та монiторингу морського забруднення.
Метою дослiдження є пiдвищення точностi та ефективностi автоматизованого виявлення нафтових розливiв у морi на основi супутникових зображень за допомогою трансферного навчання фундаментальної моделi PRITHVI-EO-2.0 на радарних даних.
Для досягнення мети було визначено такi завдання:
1) Провести огляд сучасних математичних моделей та алгоритмiв виявлення нафтових розливiв за супутниковими знiмками, зокрема з використанням методiв глибокого навчання та семантичної сегментацiї;
2) Ознайомитись iз архiтектурою та принципами навчання моделi PRITHVI-EO-2.0 як прикладу фундаментальної моделi;
3) Сформувати датасет для задач сегментацiї SAR-зображень, з урахуванням класової незбалансованостi та геопросторової варiативностi; побудувати експериментальну вибiрку для дослiдження здатностi до генералiзацiї;
4) Розробити метод попередньої обробки SAR-зображень з метою покращення виявлення нафтових розливiв у задачах семантичної сегментацiї;
5) Розробити адаптивну модель семантичної сегментацiї на основi фундаментального енкодера PRITHVI-EO-2.0 для аналiзу радарних супутникових даних;
6) Провести кiлькiсну та вiзуальну оцiнку результатiв на основi релевантних метрик якостi (IoU, F1-score, точнiсть за класами тощо);
7) Провести порiвняльний аналiз ефективностi запропонованої моделi з базовими архiтектурами, такими як LinkNet.
Об’єктом дослiдження є процес автоматизованого виявлення нафтових розливiв на основi супутникових зображень.
Предметом дослiдження є застосування фундаментальної моделi PRITHVI-EO-2.0 та методiв передобробки для сегментацiї SAR-зображень у задачах екологiчного монiторингу.
Методи дослiдження: методи аналiзу даних, методи машинного / глибокого навчання (семантична сегментацiя), методи комп’ютерного зору, трансферне навчання, методи обробки SAR-зображень, методи статистичної
обробки при оцiнки якостi моделей, структурнi методи розпiзнавання образiв.
Наукова новизна полягає у вдосконаленнi пiдходу до семантичної сегментацiї SAR-зображень шляхом застосування фундаментальної моделi PRITHVI-EO-2.0, попередньо натренованої на оптичних супутникових даних.
Запропоновано адаптацiю цiєї моделi до радарного домену з використанням трансферного навчання та модифiкованих методiв передобробки зображень.
Проведено систематичний аналiз впливу рiзних трансформацiй SAR-даних на результативнiсть моделi, що дозволило досягти високої якостi сегментацiї навiть в умовах обмеженого обсягу розмiчених даних.
Апробацiя результатiв та публiкацiї. Отриманi результати дослiдження були представленi на XXIII Всеукраїнськiй науково-практичнiй конференцiї студентiв, аспiрантiв та молодих вчених «Теоретичнi i прикладнi проблеми фiзики, математики та iнформатики» (14–17 травня 2025 р., м. Київ).
Результати, отриманi в межах даної роботи, також були апробованi на таких мiжнародних конференцiях:
– 2024 IEEE 42nd International Conference on Electronics and Nanotechnology (ELNANO), 13–16 травня 2024 р., Київ, Україна;
– International Symposium on Applied Geoinformatics (ISAG 2024), 9–10 травня 2024 р., Вроцлав, Польща;
– 2024 IEEE 12th International Conference on Intelligent Systems (IS 2024), 29–31 серпня 2024 р., Варна, Болгарiя.
Крiм того, за результатами дослiдження була пiдготовлена та опублiкована стаття у фаховому мiжнародному журналi:
– ISPRS Open Journal of Photogrammetry and Remote Sensing
Опис
Ключові слова
нафтовi розливи, sar, prithvi-eo-2.0, супутниковi данi, попередня обробка зображень, глибинне навчання, семантична сегментацiя, трансферне навчання, oil spills, sar, satellite data, image preprocessing, deep learning, semantic segmentation, transfer learning
Бібліографічний опис
Кузін, В. Г. Методи виявлення нафтових плям у морі із використанням попередньо навчених глибинних нейронних мереж на основі радарних даних : магістерська дис. : 113 Прикладна математика / Кузін Володимир Гамлетович. – Київ, 2025. – 72 с.