Порівняння методів машинного навчання для детектування пошкоджених лісів для території України за супутниковими даними

Скорочена інформація про документ
dc.contributor.advisorЯйлимова, Ганна Олексіївна
dc.contributor.authorІорданова, Валерія Едуардівна
dc.date.accessioned2024-10-01T11:19:54Z
dc.date.available2024-10-01T11:19:54Z
dc.date.issued2024
dc.description.abstractКваліфікаційна робота містить: 80 сторінок, 29 рисунків, 8 таблиць, 35 джерел. Останнім часом у всьому світі спостерігається досить помітна зміна кліматичних умов. Саме це є однією з причин, яка призводить до навали шкідників та пожеж через спекотнішу погоду і, як катастрофічний наслідок з цього, знищення щороку мільйонів гектарів лісів – легень нашої планети. З огляду на ці небезпеки, точне і своєчасне виявлення загроз та пошкоджень стає доволі важливою задачею для збереження лісів. Метою дослідження є визначення ефективності виявлення пошкоджених ділянок лісу на основі супутникових даних Sentinel-2 за допомогою різних методів машинного навчання. Об’єктом дослідження є процес виявлення та аналізу пошкоджених лісових ділянок на супутникових зображеннях. Предметом дослідження є методи розпізнавання пошкоджень лісових ділянок, зокрема, методи машинного навчання. У роботі 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 та часом показав XGBoost (з вегетаційними індексами та без точність виявилася однаковою).
dc.description.abstractotherThe qualification work contains: 80 pages, 29 figures, 8 tables, 35 sources. Recently, there has been a significant change in climatic conditions around the world. This is one of the reasons that leads to the invasion of pests and fires due to hotter weather and, as a catastrophic consequence, the destruction of millions of hectares of forests – the lungs of our planet – every year. In view of these dangers, accurate and timely detection of threats and damage is becoming a very important task for forest conservation. The purpose of the study is to determine the effectiveness of detecting damaged forest areas based on Sentinel-2 satellite data using various machine learning methods. The object of research is the process of detecting and analysing damaged forest areas on satellite images. The subject of the study is the methods of recognising damaged forest areas, in particular, machine learning methods. The paper compares 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 XGBoost showed the best result in terms of accuracy and time (with and without vegetation indices, the accuracy was the same).
dc.format.extent80 с.
dc.identifier.citationІорданова, В. Е. Порівняння методів машинного навчання для детектування пошкоджених лісів для території України за супутниковими даними : дипломна робота … бакалавра : 113 Прикладна математика / Іорданова Валерія Едуардівна. – Київ, 2024. – 80 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/69427
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectмашинне навчання
dc.subjectвегетаційний індекс
dc.subjectsentinel-2
dc.subjectсупутникові дані
dc.subjectліс
dc.subjectхворий лі
dc.titleПорівняння методів машинного навчання для детектування пошкоджених лісів для території України за супутниковими даними
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Iordanova_bakalavr.pdf
Розмір:
3.15 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