Россия
Россия
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.
мультиспектральная аэрокосмическая съемка, спектрально-яркостные признаки, методы машинного обучения, качество идентификации, показатели и алгоритмы оценивания
1. 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.
2. Корабошев О. З. Анализ и перспективы применения методов машинного обучения для чрезвычайных ситуаций // Интеллектуальные технологии на транспорте. 2024. № 1 (37). С. 12–17. DOI:https://doi.org/10.20295/2413-2527-2024-137-12-17
3. Рашка С. Python и машинное обучение / пер. с англ. А. В. Логунова. М.: ДМК Пресс, 2017. 418 с.
4. Géron A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. Second Edition. Sebastopol (CA): O’Reilly Media, 2019. 848 p.
5. Теребиж В. Ю. Введение в статистическую теорию обратных задач. М.: Физматлит, 2005. 376 с.
6. 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.
7. 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:https://doi.org/10.3390/rs13132450
