Подал: Полтарин Владислав Сергеевич (очно)
Авторы
Полтарин В.С.
Организации
Институт космических исследований РАН
Секция
Дистанционное зондирование Земли
Подсекция
нейросети
Научный руководитель
Шинкаренко Станислав Сергеевич
Место работы научного руководителя
Институт космических исследований РАН
Текст тезисов
В настоящем исследовании рассматривается сравнение различных методик машинного обучения в контексте автоматизированной обработки спутниковых данных с целью изучения опустынивания. Опустынивание представляет собой серьезную экологическую проблему, которая требует надежных методов мониторинга и анализа. Использование спутниковых данных для изучения динамики опустынивания и поиска песков предоставляет уникальную возможность применения алгоритмов машинного обучения для автоматической обработки больших объемов информации. В данном исследовании проводится анализ эффективности различных методов машинного обучения в контексте их применения к спутниковым данным для выявления песчаных участков и анализа их динамики, что может иметь важное значение для экологического мониторинга и управления природными ресурсами.
В представленной работе для анализа опустынивания были использованы спутниковые снимки Sentinel-2, предоставляющие высококачественные изображения Земли с высоким разрешением. Для обработки и анализа данных были применены современные инструменты и библиотеки программирования на языке Python, в частности, библиотека scikit-learn, которая предоставляет широкий набор инструментов для работы с данными и реализации алгоритмов машинного обучения.
В качестве моделей машинного обучения рассматриваются ансамблевые методы, преимущество которых заключается в том, что они позволяют объединить множество моделей для получения более точных и устойчивых результатов. Ансамблирование позволяет компенсировать недостатки отдельных моделей и увеличивает обобщающую способность, что особенно важно в условиях изменчивости и разнообразия спутниковых снимков.
Выявлены некоторые положительные и отрицательные качества представленных моделей, а также представлена оценка точности работы моделей.
В представленной работе для анализа опустынивания были использованы спутниковые снимки Sentinel-2, предоставляющие высококачественные изображения Земли с высоким разрешением. Для обработки и анализа данных были применены современные инструменты и библиотеки программирования на языке Python, в частности, библиотека scikit-learn, которая предоставляет широкий набор инструментов для работы с данными и реализации алгоритмов машинного обучения.
В качестве моделей машинного обучения рассматриваются ансамблевые методы, преимущество которых заключается в том, что они позволяют объединить множество моделей для получения более точных и устойчивых результатов. Ансамблирование позволяет компенсировать недостатки отдельных моделей и увеличивает обобщающую способность, что особенно важно в условиях изменчивости и разнообразия спутниковых снимков.
Выявлены некоторые положительные и отрицательные качества представленных моделей, а также представлена оценка точности работы моделей.