CC BY
0УДК 004
Корзников М.А.
студент 4 курса Северный (Арктический) федеральный университет (г. Архангельск, Россия)
ИСПОЛЬЗОВАНИЕ МАШИННОГО И ГЛУБОКОГО ОБУЧЕНИЯ ДЛЯ АНАЛИЗА ДАННЫХ СПУТНИКОВЫХ СНИМКОВ РАЗЛИЧНЫХ ХАРАКТЕРИСТИК ЛЬДА С ЦЕЛЬЮ ПРОГНОЗИРОВАНИЯ ЕГО ДВИЖЕНИЯ
Аннотация: в данной статье предлагается использовать алгоритмы машинного обучения, основанные на нейронных сетях, для анализа данных спутниковых снимков различных характеристик льда с целью прогнозирования его движения.
Ключевые слова: машинное обучение, нейронные сети, спутниковые снимки, движение льда, метрики.
С изменением климата и увеличением интереса к разработке арктических регионов, точное прогнозирование движения льдов становится все более важным для безопасности морской навигации, операций снабжения, экологического мониторинга и других аспектов деятельности. Работа нацелена на разработку инструментов и методов, которые могут быть применены в реальном мире для повышения эффективности и безопасности в арктических условиях.
Предобработка спутниковых снимков, разметка снимков по единому стандарту, разработка нейронной сети, способной точно определять границу льда на радиолокационных снимках Карского моря. Это имеет критическое значение для безопасной навигации и принятия решений в северных морях, где присутствуют ледовые образования. Использование нейронных сетей для такой задачи может улучшить точность и эффективность обработки данных,
обеспечивая оперативное выявление границы льда на радиолокационных снимках и, следовательно, повышая безопасность судоходства в данных условиях.
Для того чтобы создать обучающую выборку для нейронной сети, которая будет работать с изображениями из радиолокационных снимков Карского моря, выполнялся процесс разметки изображений.
Для совместимости с требованиями нейронных моделей каждый снимок был подвергнут следующим видам предобработки: Повороты на 90 градусов, добавление шумов, насыщение и яркость. Эти методы аугментации данных помогают обогатить набор данных для обучения, делая модель более устойчивой и способной к обработке разнообразных ситуаций.
Для эффективного решения задачи определения кромки льда была выбрана нейросетевая модель YOLO, на отличается высокой скоростью работы и точностью обнаружения объектов. Основной особенностью YOLO является способность выполнять обнаружение объектов и определение их границ в одном проходе по изображению. Результаты работы модели рассматривались по метрикам MaP, Precision и Recall: общая оценка производительности модели, точность и полнота соответственно.
Модель YOLOv8l-seg продемонстрировала наивысшие показатели метрики MaP, что указывает на ее высокую эффективность в обнаружении границы льда на радиолокационных снимках. Такой результат говорит о том, что данная модель смогла достичь наилучшего сочетания точности и полноты обнаружения границы льда. Это позволяет сосредоточить усилия на улучшении и дальнейшем настройке именно этой модели, чтобы добиться еще более точного и надежного обнаружения границы льда на снимках.
СПИСОК ЛИТЕРАТУРЫ:
1. RoboFlow [Электронный ресурс] / Режим доступа: https://roboflow.com, свободный (дата обращения 25.12.2023). - Загл. с экрана;
2. Ultralytics/yolov8 [Электронный ресурс] / Режим доступа: https://github.com/ultralytics/ultralytics, свободный (дата обращения 03.01.2024). -Загл. с экрана;
3. PyTorch-UNet [Электронный ресурс] / Режим доступа: https://github.com/milesial/Pytorch-UNet, свободный (дата обращения 04.01.2024). - Загл. с экрана;
4. Ultralytics YOLOv8 Docs [Электронный ресурс] / Режим доступа: https://docs.ultralytics.com/tasks/segment/, свободный (дата обращения 03.01.2024). - Загл. с экрана.
Korznikov M.A.
Northern (Arctic) Federal University (Arkhangelsk, Russia)
USE OF MACHINE AND DEEP LEARNING FOR ANALYSIS OF SATELLITE IMAGERY DATA ON VARIOUS ICE CHARACTERISTICS WITH AIM OF PREDICTING ITS MOVEMENT
Abstract: in this article, we propose the use of machine learning algorithms based on neural networks for analyzing satellite imagery data of various ice characteristics with the aim ofpredicting its movement.
Keywords: machine learning, neural networks, satellite images, ice movement, YOLO,
metrics.
