Обґрунтування доцільності використання ші для оцінки пошкоджень земельних ресурсів
Запропонований підхід базується на інтеграції сучасних технологій дистанційного зондування, аерофотозйомки та алгоритмів штучного інтелекту для досягнення високої точності оцінки пошкоджень земель. Основними аргументами на користь цього підходу є такі:
- Ефективність супутникових даних. Супутникові знімки дозволяють отримати повну картину великих зон ураження, виявляючи значні зміни рельєфу, такі як кратери та вирви. Висока частота знімків і детальність спектрального аналізу дозволяють відстежувати зміни у часі.
- Деталізація даних за допомогою дронів. Аерофотозйомка з використанням дронів забезпечує деталізацію в локальних зонах. Це дозволяє ідентифікувати навіть дрібні пошкодження, які залишаються непомітними на супутникових знімках. Крім того, дрони дозволяють створювати тривимірні моделі рельєфу, враховуючи глибину та об’єм вирв.
- Застосування алгоритмів комп’ютерного зору та машинного навчання. Технології ШІ автоматизують процес обробки даних, зокрема класифікацію пошкоджень і визначення їх масштабів. Згорткові нейронні мережі дозволяють аналізувати текстурні, тіньові та спектральні характеристики зображень, що забезпечує високу точність виявлення вирв.
- Адаптивність і масштабованість. Запропонований підхід може бути адаптований до різних умов і масштабів ураження. Інтеграція різних джерел даних (супутники, дрони) дозволяє враховувати специфіку кожного регіону.
- Економічна доцільність. Використання автоматизованих методів ШІ значно знижує витрати на ручну обробку даних, забезпечуючи оперативність і високу якість оцінки пошкоджень.
Ці технології дозволяють сформувати об’єктивну базу даних для оцінки шкоди і подальшого планування рекультиваційних заходів. Запропонований підхід відповідає сучасним вимогам моніторингу та забезпечує комплексний аналіз стану земель, уражених внаслідок військових дій.
Першим кроком запропонованого підходу, як і будь-якого проекту із машинного навчання є збір супутникових зображень регіону інтересу (ROI) за допомогою API Google. Цей етап включає визначення координат та розмірів ROI із подальшим визначенням центрів підрегіонів для збору супутникових зображень заданого масштабу та адекватною роздільною здатністю для виявлення кратерів.
Для збору даних на цьому етапі дослідження використовували Google API, а сама процедура збору передбачала реалізацію наступних кроків:
1. Визначити координати регіона для збора даних. При цьому у якості регіону було обрано Гостомельський район Київської області. Ділянка 100 кв. км. із координатами (дивіться додаток А):
lat_min=50.555378719704066,
lon_min=30.180589491227035,
lat_max=50.64531088029594,
lon_max=30.322276108772964
2. Визначити рівень наближення (Zoom level) та розбити регіон на підрегіони відповідно до обраного рівня наближення. В межах цього дослідження використовувались наступні рівні:
Zoom 17: На цьому рівні можна побачити дороги, будівлі, але не всі деталі місцевості. Роздільна здатність зображень на цьому рівні приблизно 0.3 метра на піксель (1 / 3,000), що для зображення 640x640 пікселів дає приблизні лінійні розміри: 640 × 0.3 ≈ 192 метри (точні значення дещо відрізняються для різних значень широт).
Zoom 18: Це більш детальний рівень, на якому видно більше об'єктів, таких як номери будинків та деталі інфраструктури. Роздільна здатність зображень на цьому рівні приблизно 0.15 метра на піксель (1 / 6,000). Для зображення 640x640 пікселів це дає: 640 × 0.15 ≈ 96 метрів.
Zoom 19: Це один з найвищих рівнів масштабування, який надає ще більше деталей. Роздільна здатність зображень на цьому рівні приблизно 0.075 метра на піксель (1 / 12,000). Для зображення 640x640 пікселів лінійні розміри складатимуть: 640 × 0.075 ≈ 48 метрів.
Відповідно до визначених рівнів та координат та розміру регіону було зібрано наступні дані для кожного рівня:
Zoom 17 – 441 зображень
Zoom 18 – 1764 зображень
Zoom 19 – 6889 зображень
Для розмітки даних використовували Label Studio для задачі object detection. В результаті отримали набори розмічених даних у форматі Yolo, в якому ідентифіковано воронки від снарядів та вибухів на представлених наборах фото знімків (дивіться додаток Б).
Подальше дослідження включало проведення наступних експериментів:
- Трансфертне навчання, тобто адаптація моделей навчених на детекцію кратерів планетарних об’єктів для розпізнавання вирв.
- Навчання моделей комп’ютерного зору на базі зібраних та розмічених даних
- Використанням еврістичних алгоритмів детекції контурів із наступною ідентифікацією кіл та пошук оптимальних гіперпараметрів для алгоритмів.
Перевагою останнього підходу є те що він не потребує навчання складних моделей, а передбачає лише параметризацію еврістичних фільтрів. Таким чином, на відміну від глибокого навчання моделей комп’ютерного зору ми використовуємо алгоритми оптимізації гіперпараметрів.
Наступний розділ (Можливості адаптації(трансфертне навчання) на прикладі моделі PYCDA)