Виявлення забруднення водойм за супутниковими даними iз застосуванням глибокого навчання

Скорочена інформація про документ
dc.contributor.advisorЯйлимова, Ганна Олексіївна
dc.contributor.authorКоробан, Ольга Михайлiвна
dc.date.accessioned2025-06-10T09:58:16Z
dc.date.available2025-06-10T09:58:16Z
dc.date.issued2025
dc.description.abstractКвалiфiкацiйна робота мiстить: 47 стор., 27 рисунки, 0 таблиць, 7 джерел. Дана доповiдь, присвячена актуальному питанню розробки та застосування iнновацiйних методiв виявлення забруднення водних ресурсiв на основi аналiзу супутникових зображень iз залученням потужностi алгоритмiв глибокого навчання. Предметом нашого дослiдження є процес iдентифiкацiї екологiчного стану водойм за допомогою передових технологiй дистанцiйного зондування Землi. У фокусi нашої уваги перебуває застосування методiв глибокого навчання для iнтелектуальної обробки супутникових знiмкiв з метою точного та оперативного виявлення дiлянок забруднення. У межах проведеного дослiдження було здiйснено ретельний аналiз спектральних характеристик водного середовища. Зокрема, розглянуто можливостi використання рiзноманiтних спектральних iндексiв. Ключовим етапом роботи стала побудова та навчання згорткових нейронних мереж (CNN), архiтектура яких оптимально пристосована для аналiзу просторових даних, якими i є супутниковi зображення. Метою навчання було досягнення високої точностi у класифiкацiї стану рiзних дiлянок водойм – вiдносно чистих до забруднених. Для оцiнки ефективностi розробленої моделi було проведено її тестування на основi наявних супутникових даних Sentinel-2. Цi данi, завдяки своїй високiй просторовiй та часовiй роздiльнiй здатностi, є цiнним джерелом iнформацiї для монiторингу екологiчного стану водних об’єктiв. Результати тестування продемонстрували перспективнiсть застосування глибокого навчання для автоматизованого виявлення забруднень. Практична цiннiсть даної роботи полягає у створеннi дiєвого iнструменту, який може бути iнтегрований у системи екологічного монiторингу водойм. Запропонований пiдхiд дозволяє здiйснювати оперативне виявлення забруднених дiлянок, що є критично важливим для своєчасного реагування та прийняття обґрунтованих управлiнських рiшень з метою збереження та вiдновлення водних екосистем. Отриманi результати можуть бути корисними для екологiчних служб, органiв державної влади та мiсцевого самоврядування у їхнiй дiяльностi, спрямованiй на охорону довкiлля.
dc.description.abstractotherThe qualification work contains: 47 pages, 27 figures, 0 tables, 7 references. This work is dedicated to the urgent issue of developing and applying innovative methods for detecting water pollution based on the analysis of satellite imagery using the power of deep learning algorithms. The subject of our research is the process of identifying the ecological state of water bodies through advanced Earth observation technologies. Our main focus is on the application of deep learning techniques for the intelligent processing of satellite images to accurately and promptly detect polluted areas. As part of this study, we conducted a thorough analysis of the spectral characteristics of aquatic environments. In particular, we examined the potential use of various spectral indices. A key stage of the work was the development and training of convolutional neural networks (CNNs), whose architecture is optimally suited for the analysis of spatial data, such as satellite imagery. The goal of the training was to achieve high accuracy in classifying the condition of different parts of water bodies — from relatively clean to polluted. To evaluate the effectiveness of the developed model, we tested it using available Sentinel-2 satellite data. Due to their high spatial and temporal resolution, these data are a valuable source of information for monitoring the environmental state of water bodies. The test results demonstrated the potential of deep learning for automated pollution detection. The practical value of this work lies in the creation of an effective tool that can be integrated into water body environmental monitoring systems. The proposed approach enables rapid detection of polluted areas, which is critically important for timely response and informed decision-making aimed at preserving and restoring aquatic ecosystems. The results obtained may be of use to environmental services, government authorities, and local administrations in their efforts to protect the environment.
dc.format.extent47 с.
dc.identifier.citationКоробан, О. М. Виявлення забруднення водойм за супутниковими даними iз застосуванням глибокого навчання : магістерська дис. : 113 Прикладна математика / Коробан Ольга Михайлiвна. – Київ, 2025. – 47 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/74158
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectсупутниковi данi
dc.subjectдистанцiйне зондування землi
dc.subjectзабруднення водойм
dc.subjectспектральний аналiз
dc.subjectглибоке навчання
dc.subjectштучний iнтелект
dc.subjectобробка зображень
dc.subjectекологiчний монiторинг
dc.subjectiндекси вегетацiї
dc.subjectнейроннi мережi
dc.subjectводяне середовище
dc.subjectsatellite data
dc.subjectearth remote sensing
dc.subjectwater pollution
dc.subjectspectral analysis
dc.subjectdeep learning
dc.subjectartificial intelligence
dc.subjectimage processing
dc.subjectenvironmental monitoring
dc.subjectvegetation indices
dc.subjectneural networks
dc.subjectaquatic environment
dc.subject.udc004.8/ 504
dc.titleВиявлення забруднення водойм за супутниковими даними iз застосуванням глибокого навчання
dc.typeMaster Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Koroban_magistr.pdf
Розмір:
18.08 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

Магістерські роботи (ММАД)
Магістерські роботи