Програмне забезпечення для класифікації стану грунтів за супутниковими знімками

Abstract

Сучасні методи моніторингу стану ґрунтів відіграють важливу роль у сільському господарстві, екологічному менеджменті та раціональному використанні земельних ресурсів. Одним із найефективніших підходів до оцінки стану ґрунтів є аналіз супутникових знімків, що дає змогу отримувати масштабну та актуальну інформацію про фізико-хімічні характеристики ґрунтового покриву. Однак ефективне використання цих даних потребує застосування автоматизованих методів обробки зображень, зокрема алгоритмів машинного навчання та комп’ютерного зору. Попри наявність існуючих рішень, більшість з них характеризуються високими обчислювальними витратами, необхідністю спеціальних знань для налаштування моделей або недостатньою точністю результатів. Тому актуальним є розроблення програмного забезпечення, яке дозволяє здійснювати ефективну класифікацію стану ґрунтів на основі супутникових знімків із використанням сучасних методів обробки даних. Метою роботи є розробка програмного забезпечення, що забезпечує автоматизовану обробку супутникових знімків із метою класифікації стану ґрунтів, застосовуючи сучасні алгоритми машинного навчання та геоінформаційні технології. У межах дослідження вирішуються такі завдання: 1. аналіз існуючих методів класифікації стану ґрунтів на основі супутникових даних; 2. розробка інформаційної моделі даних і архітектури програмного забезпечення; 3. вибір та реалізація ефективних алгоритмів машинного навчання для обробки супутникових знімків; 4. створення користувацького інтерфейсу для взаємодії з програмною системою; 5. проведення тестування та аналіз точності результатів класифікації. Об’єктом дослідження є методи аналізу супутникових знімків для оцінки стану ґрунтів. Предметом дослідження є алгоритми машинного навчання та програмні засоби для автоматизованої обробки супутникових зображень. У процесі розроблення програмного забезпечення використовуються методи машинного навчання та глибинних нейронних мереж, алгоритми попередньої обробки зображень, методи сегментації та класифікації, а також технології аналізу геопросторових даних. Основними засобами реалізації є мова програмування Python, бібліотеки TensorFlow, OpenCV, GDAL, фреймворки для побудови інтерфейсу користувача та системи управління базами даних для збереження інформації.