Методи машинного навчання для моніторингу навколишнього середовища

Abstract

У роботі запропоновано комплексний підхід до виявлення звалищ, який має дві основні складові. Перша базується на класифікації часових рядів мультиспектральних супутникових даних з використанням ансамблю нейронних мереж. Друга використовує модифіковану архітектуру U-Net для семантичної сегментації космічних знімків з метою безпосереднього виділення звалищ. Новизна представленого рішення полягає у використанні комбінованої функції втрат при навчанні моделі U-Net, що поєднує бінарну крос-ентропію та коефіцієнт Dice. Бінарна крос-ентропія забезпечує надійну попіксельну класифікацію, тоді як коефіцієнт Dice оптимізує сегментацію шляхом максимізації перетину між прогнозованими та істинними масками звалищ. Ця комбінація дозволяє досягти балансу між точністю класифікації та чутливістю до малих об’єктів, що важливо для виявлення звалищ за супутниковими даними. Запропоновано інтегрувати результати двох підходів на рівні прийняття рішень за допомогою ймовірнісного злиття з використанням ймовірностей кожної моделі. Такий гібридний метод дозволяє компенсувати недоліки кожного методу та підвищити загальну точність ідентифікації звалищ. Експериментальна перевірка на тестових даних продемонструвала ефективність розглянутого підходу. Загальна точність класифікації земного покриву склала 97,4 %, а точність визначення звалищ — 86,4 %. Розроблений метод застосовано для картографування звалищ на території Донецької області. Результати верифіковано експертами на місцевості. Отримані дані можуть бути використані місцевою владою для оперативного реагування та прийняття управлінських рішень.