Сучасні методи глибинного навчання для сегментації земного покриву на основі часових рядів супутникових даних

Скорочена інформація про документ
dc.contributor.advisorЛавренюк, Алла Миколаївна
dc.contributor.authorСалій, Євгеній Валерійович
dc.date.accessioned2025-06-10T08:59:21Z
dc.date.available2025-06-10T08:59:21Z
dc.date.issued2025
dc.description.abstractДана робота складається з 68 сторiнок, мiстить 23 iлюстрацiї, 5 таблиць, 3 додаткiв, 29 посилання за перелiком посилань. Актуальнiсть теми. У зв’язку з глобальними клiматичними змiнами та соцiально-економiчними трансформацiями, зокрема внаслiдок збройної агресiї проти України, виникає нагальна потреба в сучасних iнструментах монiторингу та прогнозування змiн землекористування. Надзвичайно важливим є забезпечення точного аналiзу стану територiй для пiдтримки аграрного сектору та прийняття рiшень в умовах нестабiльностi. Цифровi двiйники, якi поєднують супутниковi данi, клiматичнi моделi та штучний iнтелект, стають перспективним засобом для розв’язання цiєї задачi. Їх застосування активно розвивається на мiжнародному рiвнi, зокрема в рамках iнiцiатив NASA та ЄС. Дослiдження iнтеграцiї фундаментальних моделей у цифровi двiйники є актуальним для України в контекстi мiжнародної наукової спiвпрацi. Зв’язок роботи з науковими програмами, планами, темами. Дисертацiя виконувалась у межах Україно-Швейцарського проєкту DT4LC “Розробка масштабованих цифрових моделей-двiйникiв для аналiзу змiн земного покриву за допомогою машинного навчання” (IZURZ2_224912). Автор дисертацiї брав участь у створеннi фреймворку цифрового двiйника, займається тестуванням фундаментальних моделей в рамках проєкту. Дисертацiя також включає матерiали, що були розробленi в рамках проєкту Horizon Europe SWiFTT “Satellites for Wilderness inspection and Forest Threat Tracking” (No.101082732). Автор дисертацiї займався розробкою методiв iнженерiї ознак та побудовою мап лiсiв для окремих країн Європи. Мета i задачi дослiдження. Метою роботи є визначення ефективностi фундаментальних геопросторових моделей для побудови мап землекористування на основi часових рядiв супутникових даних. Основнi задачi включають: огляд та аналiз сучасних фундаментальних моделей, пiдготовка даних, розробка моделей сегментацiї земного покриву на основi фундаментальних моделей, удосконалення методiв iнженерiї ознак та створення оптимальних наборiв ознак для покращення точностi прогнозування, порiвняння результатiв отриманих моделей з класичними пiдходами. Об’єкт дослiдження — сегментацiя земного покриву за допомогою моделей штучного iнтелекту. Предмет дослiдження — побудова моделей сегментацiї земного покриву на основi фундаментальних моделей штучного iнтелекту, включаючи пiдходи до препроцесiнгу даних та iнженерiї ознак. Методи дослiдження. У роботi були використанi методи машинного та глибинного навчання, комп’ютерного зору та обробки супутникових даних, методи iнженерiї ознак, аналiзу даних. Наукова новизна полягає у створеннi моделей сегментацiї земного покриву iз залученням новiтнiх фундаментальних моделей; удосконалено новiтнiй метод iнженерiї ознак для пiдтримки побудови оптимального набору ознак для задачi мультикласової класифiкацiї; створено новi мультимодальнi вегетацiйнi iндекси з використанням радарних та оптичних даних; створено метод стандартизацiї рiзнорiдних у часi даних. Практичне значення. Розробленi методи є основою для розробки цифрових двiйникiв для монiторингу змiн землекористування в Україно-Швейцарському проєктi DT4LC. Удосконалений метод iнженерiї ознак буде застосовано для вiдбору ознак для побудови мап лiсiв в проєктi Horizon Europe FutureFOR. Апробацiя результатiв та публiкацiї. Основнi положення дисертацiї були опублiкованi в: – System research and information technologies – Space research in Ukraine – Information and Communication Technologies and Sustainable Development – Journal of Selected Topics in Applied Earth Observations and Remote Sensing (отримано схвальний вiдгук, доопрацьовується) Та представленi на: – IEEE International Geoscience and Remote Sensing Symposium (Грецiя, 2024) – IEEE EUROCON 2023 (Iталiя, 2023) – IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems (проходить рецензування) (Польща, 2025) – XXIII Всеукраїнськiй науково-практичнiй конференцiї студентiв, аспiрантiв та молодих вчених (Україна, 2025) – EuroGEO Workshop (Польща, 2024)
dc.description.abstractotherThis work consists of 68 pages, includes 23 illustrations, 5 tables, 3 appendices, and 29 references in the reference list. Relevance of the topic. In light of global climate change and socio-economic transformations, particularly due to the armed aggression against Ukraine, there is an urgent need for modern tools for monitoring and forecasting land use changes. Ensuring accurate analysis of territorial conditions is critically important for supporting the agricultural sector and decision-making in times of instability. Digital twins, which combine satellite data, climate models, and artificial intelligence, are emerging as a promising solution to this challenge. Their application is actively evolving at the international level, especially within the frameworks of NASA and EU initiatives. Research on integrating foundation models into digital twins is highly relevant for Ukraine in the context of international scientific collaboration. Connection of the work with scientific programs, plans, and topics. The thesis was conducted within the framework of the Ukrainian-Swiss project DT4LC “Development of scalable digital twin models for land cover change analysis using machine learning” (IZURZ2_224912). The author participated in the development of the digital twin framework and is involved in testing foundation models as part of the project. The thesis also includes materials developed within the Horizon Europe SWiFTT project “Satellites for Wilderness Inspection and Forest Threat Tracking” (No. 101082732). The author contributed to feature engineering methods and forest mapping for selected European countries. Purpose and objectives of the study. The aim of the work is to assess the effectiveness of foundational geospatial models for land use mapping based on satellite time series. The main objectives include: review and analysis of modern foundation models; data preprocessing; development of land cover segmentation models based on foundation models; improvement of feature engineering methods and creation of optimal feature sets to enhance prediction accuracy; comparison of the resulting models with classical approaches. Object of the study — land cover segmentation using artificial intelligence models. Subject of the study — development of land cover segmentation models based on foundation models of artificial intelligence, including data preprocessing and feature engineering approaches. Research methods. The work employs machine and deep learning methods, computer vision and satellite data processing, feature engineering techniques, and data analysis. Scientific novelty lies in the creation of land cover segmentation models based on cutting-edge foundation models; enhancement of an advanced feature engineering method to support the creation of an optimal feature set for multiclass classification tasks; development of new multimodal vegetation indices using radar and optical data; creation of a method for standardizing temporally heterogeneous data. Practical significance. The developed methods form the basis for the development of digital twins for land use change monitoring in the Ukrainian-Swiss DT4LC project. The improved feature engineering method will be applied for feature selection in forest mapping tasks in the Horizon Europe FutureFOR project. Dissemination and publications. The main findings of the thesis have been published in: – System Research and Information Technologies – Space Research in Ukraine – Information and Communication Technologies and Sustainable Development – Journal of Selected Topics in Applied Earth Observations and Remote Sensing (accepted with positive review, under revision) And presented at: – IEEE International Geoscience and Remote Sensing Symposium (Greece, 2024) – IEEE EUROCON 2023 (Italy, 2023) – IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems (under review) (Poland, 2025) – XXIII All-Ukrainian Scientific-Practical Conference for Students, Postgraduates, and Young Scientists (Ukraine, 2025) – EuroGEO Workshop (Poland, 2024)
dc.format.extent68 с.
dc.identifier.citationСалій, Є. В. Сучасні методи глибинного навчання для сегментації земного покриву на основі часових рядів супутникових даних : магістерська дис. : 113 Прикладна математика / Салій Євгеній Валерійович. – Київ, 2025. – 68 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/74152
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectцифровий двiйник
dc.subjectфундаментальна модель
dc.subjectземлекористування
dc.subjectсупутниковi данi
dc.subjectiнженерiя ознак
dc.subjectмашинне навчання
dc.subjectглибинне навчання
dc.subjectвегетацiйнi iндекси
dc.subjectdigital twin
dc.subjectfoundation model
dc.subjectland use
dc.subjectsatellite data
dc.subjectfeature engineering
dc.subjectmachine learning
dc.subjectdeep learning
dc.subjectvegetation indices
dc.subject.udc004.02
dc.titleСучасні методи глибинного навчання для сегментації земного покриву на основі часових рядів супутникових даних
dc.typeMaster Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Salii_magistr.pdf
Розмір:
3.83 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