Intellectual Technologies on Transport Intellectual Technologies on Transport Интеллектуальные технологии на транспорте 2413-2527 89554 10.20295/2413-2527-2024-339-73-82 Интеллектуальные транспортные системы Intelligent transport systems Интеллектуальные транспортные системы Indicators and Algorithms for Assessing the Identification Results Quality of the Adjacent Territories State Показатели и алгоритмы оценивания качества результатов идентификации состояния прилегающих территорий Зеленцов Вячеслав Алексеевич Zelencov Vyacheslav Alekseevich v.a.zelentsov@gmail.com

доктор технических наук;

doctor of technical sciences;

 Мочалов Виктор Федорович Mochalov Viktor Fedorovich Санкт-Петербургский федеральный исследовательский центр РАН Санкт-Петербург Россия St. Petersburg Federal Research Center of the Russian Academy of Sciences St. Petersburg Russian Federation Военно-космическая академия имени А. Ф. Можайского Санкт-Петербург Россия Mozhaisky Military Aerospace Academy St. Petersburg Russian Federation 09 10 2024 09 10 2024 3 73 82 09 10 2024 https://atjournal.ru/en/nauka/article/89554/view

Рассматриваются вопросы применения методов машинного обучения для оценивания состояния территорий в непосредственной близости к инфраструктурным объектам железной дороги. Представлены основные источники исходных данных, а также алгоритмы оценивания качества результатов автоматизированной идентификации элементов ландшафта на примере лесной растительности. Идентификация состояния лесной растительности осуществляется на базе спектрально-яркостных признаков, определяемых с помощью материалов мультиспектральной аэрокосмической съемки. Предложены показатели качества результатов автоматизированной обработки материалов съемки и алгоритмы расчета рассмотренных показателей. Приведены примеры оценивания качества результатов применения методов машинного обучения.

Machine learning methods for identification of territories near railway infrastructure facilities are considered. The main sources of initial data are presented, as well as algorithms for assessing the quality of the results for landscape elements automated identification using the forest vegetation example. Forest vegetation state identification is carried out based on spectral-brightness characteristics determined using multispectral aerospace imaging materials. Quality indicators for the results of survey materials automated processing and algorithms for calculating the considered indicators are proposed. Examples are given to assess the results quality of using machine learning methods.

 мультиспектральная аэрокосмическая съемка спектрально-яркостные признаки методы машинного обучения качество идентификации показатели и алгоритмы оценивания multispectral remote sensing spectral characteristics machine learning methods identification quality

Шовенгердт Р. А. Дистанционное зондирование. Методы и модели обработки изображений / пер. с англ. А. В. Кирюшина, А. И. Демьяникова, 3-е изд. М.: Техносфера, 2010. 560 с. Shovengerdt R. A. Distancionnoe zondirovanie. Metody i modeli obrabotki izobrazheniy / per. s angl. A. V. Kiryushina, A. I. Dem'yanikova, 3-e izd. M.: Tehnosfera, 2010. 560 s. Корабошев О. З. Анализ и перспективы применения методов машинного обучения для чрезвычайных ситуаций // Интеллектуальные технологии на транспорте. 2024. № 1 (37). С. 12–17. DOI: 10.20295/2413-2527-2024-137-12-17 Koraboshev O. Z. Analiz i perspektivy primeneniya metodov mashinnogo obucheniya dlya chrezvychaynyh situaciy // Intellektual'nye tehnologii na transporte. 2024. № 1 (37). S. 12–17. DOI: 10.20295/2413-2527-2024-137-12-17 Рашка С. Python и машинное обучение / пер. с англ. А. В. Логунова. М.: ДМК Пресс, 2017. 418 с. Rashka S. Python i mashinnoe obuchenie / per. s angl. A. V. Logunova. M.: DMK Press, 2017. 418 s. Géron A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. Second Edition. Sebastopol (CA): O’Reilly Media, 2019. 848 p. Géron A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. Second Edition. Sebastopol (CA): O’Reilly Media, 2019. 848 p. Теребиж В. Ю. Введение в статистическую теорию обратных задач. М.: Физматлит, 2005. 376 с. Terebizh V. Yu. Vvedenie v statisticheskuyu teoriyu obratnyh zadach. M.: Fizmatlit, 2005. 376 s. Мочалов В. Ф., Хабаров Р. С. Обработка материалов мультиспектральной съемки на основе методов машинного обучения при управлении состоянием лесного массива // Сборник материалов IV Международной научной конференции по проблемам управления в технических системах (ПУТС-2021) (Санкт-Петербург, 21–23 сентября 2021). СПб.: ЛЭТИ, 2021. С. 269–272. Mochalov V. F., Habarov R. S. Obrabotka materialov mul'tispektral'noy s'emki na osnove metodov mashinnogo obucheniya pri upravlenii sostoyaniem lesnogo massiva // Sbornik materialov IV Mezhdunarodnoy nauchnoy konferencii po problemam upravleniya v tehnicheskih sistemah (PUTS-2021) (Sankt-Peterburg, 21–23 sentyabrya 2021). SPb.: LETI, 2021. S. 269–272. Maxwell A. E., Warner T. A., Guillén L. A. Accuracy Assessment in Convolutional Neural Network-Based Deep Learning Remote Sensing Studie. Part 1: Literature Review // Remote Sensing. 2021. Vol. 13, iss. 13. Art. 2450. 27 p. DOI: 10.3390/rs13132450 Maxwell A. E., Warner T. A., Guillén L. A. Accuracy Assessment in Convolutional Neural Network-Based Deep Learning Remote Sensing Studie. Part 1: Literature Review // Remote Sensing. 2021. Vol. 13, iss. 13. Art. 2450. 27 p. DOI: 10.3390/rs13132450