Комбінований метод заповнення пропусків від хмар на супутникових зображеннях у AOD каналі

Скорочена інформація про документ
dc.contributor.advisorЯйлимова, Ганна Олексіївна
dc.contributor.authorКравчук, Олександр Артемович
dc.date.accessioned2024-09-24T07:18:25Z
dc.date.available2024-09-24T07:18:25Z
dc.date.issued2024
dc.description.abstractАерозольна оптична глибина (AOD) є універсальним критерієм, який дає змогу в тому числі виміряти якість повітря в атмосфері. Супутникові ж дані забезпечують глобальний моніторинг і надають можливість спостерігати за станом повітря у віддалених і важкодоступних регіонах, де наземні датчики відсутні. Проте наявність хмар значно ускладнює отримання надійних даних про AOD, оскільки вони затуляють огляд супутників на поверхню Землі. Зазвичай моделі для заповнення пропусків від хмар у AOD каналі потребують безхмарних знімків для навчання, проте для деяких регіонів, зокрема у помірному та північніших кліматичних поясах, отримати такі знімки стає майже неможливо. Для вирішення цієї проблеми у дослідженні був запропонований ансамбль моделі на основі ICW і нейромережі LSTM CNN-Autoencoder. Перша модель може працювати навіть при відсутності непошкоджених знімків у начальній вибірці, проте її точність при високому рівні хмарності сильно деградує. Тож за допомогою неї на малохмарних знімках був сформований набір даних для навчання другої, більш потужної, моделі в ансамблі, яка здатна заповнювати пропуски від хмар з високою точністю і за будь-якого рівня хмарності. Також у роботі були запропоновані дві модифікації для архітектури нейромережевої моделі. Перша (ML-ConvLSTM-UE) являє собою модифікацію енкодеру UNet-подібного автоенкодеру і розширює його ще одним паралельним енкодером з ConvLSTM шарами. Друга модифікація замінює пулінг шари автоенкодеру на згорткові шари зі страйдом і ядром, розмір якого постійно збільшується. У роботі використовувалися дані про AOD із супутникової колекції MCD19A2 для частини території Франції за 2010 – 2023 роки.
dc.description.abstractotherAerosol Optical Depth (AOD) is a universal criterion that allows, among other things, to measure air quality in the atmosphere. Satellite data provide global monitoring and make it possible to observe the air quality in remote and hard-to-reach regions where ground-based sensors are not available. However, the presence of clouds significantly complicates the acquisition of reliable AOD data, as they obscure the satellite's view of the Earth's surface. Typically, models to fill in the gaps caused by clouds in the AOD channel require cloud-free images for training, but for some regions, particularly in temperate and northern climatic zones, it becomes almost impossible to obtain such images. To solve this problem, the study proposed an ensemble model based on ICW and the LSTM CNN-Autoencoder neural network. The first model can work even if there are no undamaged images in training dataset, but its accuracy degrades significantly at high cloud cover levels. Therefore, it was used to generate a dataset from images with low cloud level for training the second, more powerful model in the ensemble, which is able to fill in gaps from clouds with high accuracy and at any cloud level. Also, two modifications to the architecture of the neural network model were proposed in this paper. The first one (ML-ConvLSTM-UE) is a modification of a conventional U-Net encoder that is extended with another parallel encoder with ConvLSTM layers. The second modification replaces the pooling layers of the autoencoder with convolutional layers with a stride and a kernel, whose size is constantly increasing. In this paper, the AOD data from the MCD19A2 satellite collection for a piece of French territory for 2010-2023 were used.
dc.format.extent62 с.
dc.identifier.citationКравчук, О. А. Комбінований метод заповнення пропусків від хмар на супутникових зображеннях у AOD каналі : дипломна робота ... бакалавра : 113 Прикладна математика / Кравчук Олександр Артемович. - Київ, 2024. - 62 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/69198
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectICW
dc.subjectсплайн
dc.subjectавтоенкодер
dc.subjectConvLSTM
dc.subjectAOD
dc.titleКомбінований метод заповнення пропусків від хмар на супутникових зображеннях у AOD каналі
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Kravchuk_bakalavr.pdf
Розмір:
1.85 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ММАД)
Бакалаврські роботи