Порівняння методів машинного навчання для класифікації сільськогосподарських культур за супутниковими знімками

Скорочена інформація про документ
dc.contributor.advisorЯйлимова, Ганна Олексіївна
dc.contributor.authorМельник, Володимир Володимирович
dc.date.accessioned2025-06-16T08:28:37Z
dc.date.available2025-06-16T08:28:37Z
dc.date.issued2025
dc.description.abstractКваліфікаційна робота містить: 109 сторінок, 19 рисунків, 18 таблиць, 30 джерел. Сільське господарство відіграє ключову роль у забезпеченні глобальної продовольчої безпеки та підтримці економічної стабільності. Ефективний моніторинг сільськогосподарських угідь є важливим для оптимізації врожайності, управління ресурсами та прийняття обґрунтованих політичних рішень у цьому секторі. У сучасному сільському господарстві зростає важливість точної та своєчасної класифікації сільськогосподарських культур. Точна інформація про типи культур та їх просторовий розподіл є необхідною для оцінки врожайності, управління ресурсами та прийняття обґрунтованих політичних рішень в аграрному секторі. Метою є порівняти ефективність різних моделей машинного навчання для задачі класифікації типів сільськогосподарських культур за супутниковими знімками і оцінити вплив вегетаційних показників на їхню точність. Об’єктом дослідження є процес автоматизованої класифікації типів сільськогосподарських культур за супутниковими знімками Sentinel-2. Предметом дослідження є методи машинного навчання, що застосовуються для аналізу супутникових знімків та класифікації типів сільськогосподарських культур. У даному аналізі порівнювалася точність та продуктивність методів машинного навчання, використовуючи два датасети – з вегетаційними індексами та без них, щоб визначити їх вплив на результати. З порівняльного аналізу випливає, що найкращий результат за точністю мав SVM, але був найповільнішим і був зі зменшеною вибіркою. Найкращим по відношенні часу і точності був XGBoost (з вегетаційними індексами та без точність виявилася однаковою).
dc.description.abstractotherQualification work contains: 109 pages, 19 figures, 18 tables, 30 sources. Agriculture plays a key role in ensuring global food security and maintaining economic stability. Effective monitoring of agricultural land is essential for optimizing yields, managing resources, and making informed policy decisions in this sector. In modern agriculture, accurate and timely crop classification is increasingly important. Accurate information on crop types and their spatial distribution is essential for yield estimation, resource management, and informed policy decisions in the agricultural sector. The aim is to compare the effectiveness of different machine learning models for the task of classifying crop types from satellite images and to assess the impact of vegetation indicators on their accuracy. The object of research is the process of automated classification of crop types from Sentinel-2 satellite images. The subject of the study is machine learning methods used to analyze satellite images and classify crop types. This analysis compared the accuracy and performance of machine learning methods using two datasets - with and without vegetation indices - to determine their impact on the results. The comparative analysis shows that SVM had the best result in terms of accuracy, but was the slowest and had a reduced sample. The best in terms of time and accuracy was XGBoost (with and without vegetation indices, the accuracy was the same).
dc.format.extent109 с.
dc.identifier.citationМельник, В. В. Порівняння методів машинного навчання для класифікації сільськогосподарських культур за супутниковими знімками : дипломна робота ... бакалавра : 113 Прикладна математика / Мельник Володимир Володимирович. – Київ, 2025. – 109 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/74259
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectвегетаційний індекс
dc.subjectмашинне навчання
dc.subjectsentinel-2
dc.subjectаналіз даних
dc.subjectvegetation index
dc.subjectmachine learning
dc.subjectsentinel-2
dc.subjectdata analysis
dc.titleПорівняння методів машинного навчання для класифікації сільськогосподарських культур за супутниковими знімками
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Melnyk_bakalavr.pdf
Розмір:
5.62 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