Яйлимова, Ганна ОлексіївнаКравчук, Олександр Артемович2024-09-242024-09-242024Кравчук, 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.https://ela.kpi.ua/handle/123456789/69198Аерозольна 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.62 с.ukICWсплайнавтоенкодерConvLSTMAODBachelor Thesis