Науково-методичні рекомендації із застосування Ші для оперативного моніторингу пошкоджених земель
Рекомендації розроблені на основі результатів досліджень, проведених на кафедрах комп'ютерних систем, мереж і кібербезпеки, економічної кібернетики та інформаційних систем і технологій Національного університету біоресурсів і природокористування України за темою № РН/65-2024 "Центр трансферу технологій штучного інтелекту для відновлення сільськогосподарських земель"
Укладачі: Глазунова О.Г., Тонха О.Л., Болбот І.М., Кравченко В.М., Руденський Р.А., Циганов О.М., Коваль О.О., Савченко І.В., Саяпін С.П.
Вступ
Тривалі військові дії на сході та півдні України призвели до значних руйнувань природного середовища, які торкнулися як інфраструктури, так і земельних ресурсів. Масштабні втрати, спричинені бойовими діями, ставлять перед державою комплекс завдань, що включають як ліквідацію наслідків руйнувань, так і відновлення сільськогосподарських територій. Земельний фонд зазнав значних пошкоджень, включаючи утворення вирв від вибухів, зміну рельєфу, забруднення важкими металами та токсичними речовинами.
Оцінка масштабу цих пошкоджень є першим і критично важливим етапом у розробці ефективної стратегії рекультивації земель. Цей процес вимагає використання сучасних технологій, які поєднують дистанційне зондування, аерофотозйомку та методи штучного інтелекту (ШІ). У цьому контексті штучний інтелект стає потужним інструментом для аналізу супутникових знімків і даних, отриманих із дронів, забезпечуючи швидке і точне виявлення та класифікацію пошкоджень.
Головна мета цих рекомендацій — сприяти формуванню комплексного підходу до оцінки деградації земельних ресурсів, використовуючи передові методи ШІ. Це забезпечить надійність і об’єктивність оцінки, зокрема ідентифікацію вирв, обчислення їх параметрів та інтеграцію цих даних у плани відновлення земель.
Для досягнення цієї мети запропоновано багатоетапну процедуру, для кожного етапу якої визначені послідовні кроки та інструменти штучного інтелекту для їх реалізації рис. 1.
Рис. 1 Етапи процедури детекції та оцінки розмірів вирв від снарядів за супутниковими зображеннями
Зміст
1. ОБҐРУНТУВАННЯ ДОЦІЛЬНОСТІ ВИКОРИСТАННЯ ШІ ДЛЯ ОЦІНКИ ПОШКОДЖЕНЬ ЗЕМЕЛЬНИХ РЕСУРСІВ
2. МОЖЛИВОСТІ АДАПТАЦІЇ(ТРАНСФЕРТНЕ НАВЧАННЯ) НА ПРИКЛАДІ МОДЕЛІ PYCDA
3. МЕТОДИКА НАВЧАННЯ МОДЕЛЕЙ КОМП’ЮТЕРНОГО ЗОРУ НА БАЗІ ЗІБРАНИХ ТА РОЗМІЧЕНИХ ДАНИХ
4. ОСОБЛИВОСТІ ЗАСТОСУВАННЯ ЕВРИСТИЧНИХ АЛГОРИТМІВ ДЛЯ ДЕТЕКЦІЇ КОНТУРІВ
5. ПРОГРАМНА РЕАЛІЗАЦІЯ ПРОЦЕДУРИ ОПТИМІЗАЦІЇ ГІПЕРПАРАМЕТРІВ
6. ОЦІНКА РЕСУРСІВ ДЛЯ РЕКУЛЬТИВАЦІЇ ДЕГРАДОВАНИХ ТЕРИТОРІЙ
ВИСНОВКИ
ДОДАТКИ
СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ
1. Benedix, G. K., Norman, C. J., Bland, P. A., Towner, M. C., Paxman, J., & Tan, T. (2018). Automated detection of Martian craters using a convolutional neural network. 49th Lunar and Planetary Science Conference. Retrieved from https://www.hou.usra.edu/meetings/lpsc2018/pdf/2202.pdf
2. Silburt, A., Ali-Dib, M., Zhu, C., Jackson, A., Valencia, D., Kissin, Y., Wu, K. (2019). Lunar crater identification via deep learning. Icarus, 317, 27-38. https://doi.org/10.1016/j.icarus.2018.06.022
3. Weir, D., & McQuillan, D. (2019). Mapping military impacts on the environment: A GIS-based approach to conflict pollution. Journal of Political Ecology, 26(1), 697-718. https://doi.org/10.2458/v26i1.23169
4. Yao, J., et al. (2018). "Adaptive Hough Transform for Circle Detection." IEEE Transactions on Image Processing, 27(6), 2720-2733.
5. Zhang, L., et al. (2016). "Robust Circle Detection via Parameter Optimization." Pattern Recognition, 54, 35-48.
6. Akiba, T., et al. (2019). "Optuna: A Next-generation Hyperparameter Optimization Framework." Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, 2623-2631.
7. Shen, L., et al. (2021). "Efficient Hyperparameter Optimization Techniques in Machine Learning." Neural Computing and Applications, 33(12), 7381-7396.
8. Kussul, N., Drozd, S., Yailymova, H., Shelestov, A., Lemoine, G., & Deininger, K. (2023). Assessing damage to agricultural fields from military actions in Ukraine: An integrated approach using statistical indicators and machine learning. Remote Sensing Applications: Society and Environment, 31, 100976. https://doi.org/10.1016/j.rsase.2023.100976
9. Canny, J. (1986). "A Computational Approach to Edge Detection." IEEE Transactions on Pattern Analysis and Machine Intelligence, 8(6), 679-698.
10. Ziou, D., & Tabbone, S. (1998). "Edge Detection Techniques: A Review." International Journal of Pattern Recognition and Image Analysis, 8(4), 537-559.
11. YOLOv5 Architecture: Jocher, G., et al. (2020). "YOLOv5 Repository Documentation." GitHub, ultralytics/yolov5.
12. Wang, C., et al. (2020). "YOLOv5: Improved Object Detection Architecture." arXiv preprint arXiv:2004.10934.