Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал:
http://elartu.tntu.edu.ua/handle/lib/48139Повний запис метаданих
| Поле DC | Значення | Мова |
|---|---|---|
| dc.contributor.advisor | Паляниця, Юрій Богданович | - |
| dc.contributor.advisor | Palianytsia, Yurii | - |
| dc.contributor.author | Гупало, Андрій Стефанович | - |
| dc.contributor.author | Hupalo, Andriy | - |
| dc.date.accessioned | 2024-12-28T15:30:38Z | - |
| dc.date.available | 2024-02-28T15:30:38Z | - |
| dc.date.issued | 2024-12 | - |
| dc.date.submitted | 2024-12 | - |
| dc.identifier.citation | Гупало А.С. Сегментація земної поверхні на основі мультиспектральних даних з використанням штучного інтелекту : кваліфікаційна робота на здобуття освітнього ступеня магістр за спеціальністю „172 — телекомунікації та радіотехніка“ / А.С. Гупало . — Тернопіль: ТНТУ, 2024. — 77 с. | uk_UA |
| dc.identifier.uri | http://elartu.tntu.edu.ua/handle/lib/48139 | - |
| dc.description.abstract | Кваліфікаційна робота присвячена дослідженню сучасних методів дистанційного зондування для моніторингу рослинного покриву та управління природними ресурсами. Розкрито взаємодію електромагнітного випромінювання з матеріалами та математичні моделі, які описують процеси розсіювання та поглинання, залежно від фізичних характеристик об'єктів. Розглядається використання сучасних математичних засобів, таких як глибокі згорткові нейронні мережі, покращує семантичну сегментацію зображень. Описано застосування штучного інтелекту в геозондуванні за допомогою нейронних мереж, таких як нейромережа для сегментації зображень, для аналізу складних просторових структур. Експериментальні дослідження показують високу точність сегментації рослинного покриву, що важливо для моніторингу стану рослинності в Україні та вирішення екологічних питань. Інтеграція методів дистанційного зондування та штучного інтелекту відкриває нові можливості для моніторингу рослинності та адаптивного управління природними ресурсами в умовах глобальних кліматичних змін, сприяючи сталому розвитку агропромислового комплексу України та охороні навколишнього середовища. | uk_UA |
| dc.description.abstract | The qualification work is dedicated to the study of modern remote sensing methods for monitoring vegetation cover and managing natural resources. The interaction of electromagnetic radiation with materials and the mathematical models that describe the processes of scattering and absorption, depending on the physical characteristics of objects, are revealed. The use of modern mathematical tools, such as deep convolutional neural networks, improves semantic image segmentation. The application of artificial intelligence in geosensing using neural networks, such as a neural network for image segmentation, is described for the analysis of complex spatial structures. Experimental studies show high accuracy of vegetation cover segmentation, which is important for monitoring the state of vegetation in Ukraine and solving environmental issues. The integration of remote sensing methods and artificial intelligence opens new opportunities for vegetation monitoring and adaptive natural resource management under global climate change, contributing to the sustainable development of Ukraine's agro-industrial complex and environmental protection. | uk_UA |
| dc.description.tableofcontents | ВСТУП 11 РОЗДІЛ 1. АНАЛІТИЧНА ЧАСТИНА 13 1.1. Теоретичні основи зондування земної поверхні 13 1.2. Огляд ресурсів з відкритим доступом до даних геомоніторингу 14 1.3. Висновок до першого розділу 23 РОЗДІЛ 2. ОСНОВНА ЧАСТИНА 24 2.1. Визначення рослинного покрову на основі даних геозондування 24 2.2. Електромагнітний спектр та рослинність 24 2.3. Вегетаційні індекси 26 2.4. Нормалізований диференційний індекс рослинності (NDVI) 28 2.5. Вологість ґрунту та NDVI 29 2.6. Фундаментальні математичні принципи зондування земної поверхні 30 2.7. Теорія альбедо 38 2.8. Архітектукра Deep Convolutional Neural Networks 41 2.9. Підхід Fuzzy Clustering Algorithms 42 2.10. Підхід Feature Extraction and Dimensionality Reduction 45 2.11. Підхід Hidden Markov Random Field 47 2.12. Висновок до другого розділу 49 РОЗДІЛ 3. НАУКОВО-ДОСЛІДНА ЧАСТИНА 51 3.1. Застосування штучного інтелекту в геозондуванні 51 3.2. Архітектура Segmentation Network 52 3.3. Семантична сегментація мультиспектральних зображень 53 3.4. Висновок до третього розділу 59 РОЗДІЛ 4. ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 61 4.1. Вимоги забезпечення охорони праці та техніки безпеки при виконанні робіт з геозондування 61 4.2. Забезпечення моніторингу лісових пожеж 62 4.3. Висновок до четвертого розділу 64 ЗАГАЛЬНІ ВИСНОВКИ 66 ПЕРЕЛІК ПОСИЛАНЬ 67 | uk_UA |
| dc.language.iso | uk | uk_UA |
| dc.publisher | Тернопільський національний технічний університет імені Івана Пулюя | uk_UA |
| dc.subject | 172 | uk_UA |
| dc.subject | телекомунікації та радіотехніка | uk_UA |
| dc.subject | радіодіапазон | uk_UA |
| dc.subject | поглинання | uk_UA |
| dc.subject | моделювання | uk_UA |
| dc.subject | дистанційне зондування | uk_UA |
| dc.subject | рослинний покрив | uk_UA |
| dc.subject | штучний інтелект | uk_UA |
| dc.subject | radio range | uk_UA |
| dc.subject | absorption | uk_UA |
| dc.subject | modeling | uk_UA |
| dc.subject | remote sensing | uk_UA |
| dc.subject | vegetation cover | uk_UA |
| dc.subject | artificial intelligence | uk_UA |
| dc.title | Сегментація земної поверхні на основі мультиспектральних даних з використанням штучного інтелекту | uk_UA |
| dc.title.alternative | Segmentation of the Earth's surface based on multispectral data using artificial intelligence | uk_UA |
| dc.type | Master Thesis | uk_UA |
| dc.rights.holder | © Гупало Андрій Стефанович, 2024 | uk_UA |
| dc.contributor.committeeMember | Дедів, Леонід Євгенович | - |
| dc.contributor.committeeMember | Dediv, Leonid | - |
| dc.coverage.placename | Тернопільський національний технічний університет імені Івана Пулюя, факультет прикладних інформаційних технологій та електроінженерії, м. Тернопіль, Україна | uk_UA |
| dc.subject.udc | 621.397.6 | uk_UA |
| dc.relation.references | 1. Mishchenko M. I. Radiative transfer theory: from Maxwell’s equations to practical applications //Wave scattering in complex media: from theory to applications. – Springer Netherlands, 2003. – С. 366-414. | uk_UA |
| dc.relation.references | 2. Пілічева, М. О. "Сучасні технології геоінформатики, фотограмметрії та дистанційного зондування: конспект лекцій для здобувачів третього (освітньо наукового) рівня вищої освіти спеціальності 193–Геодезія та землеустрій." (2023). | uk_UA |
| dc.relation.references | 3. Serohin, D. Principles of processing and three-dimensional modelling through lidar data for applied research of the urban environment. Visnyk of VN Karazin Kharkiv National University, series" Geology. Geography. Ecology", 2022, (57), 218-233. | uk_UA |
| dc.relation.references | 4. Guo, J., Xi, W., Yang, Z., Huang, G., Xiao, B., Jin, T., Hong, W., Gui, F., & Ma, Y. (2024). Study on Optimization Method for InSAR Baseline Considering Changes in Vegetation Coverage. In Sensors (Vol. 24, Issue 15, p. 4783). MDPI AG. https://doi.org/10.3390/s24154783. | uk_UA |
| dc.relation.references | 5. Palaniza, Y., Martseniuk, A. and Yaskiv, V. Active Phased Array Antenna With Parallel Feeder Excitation At 3.7 Ghz. Advances in Electrical and Electronic Engineering, 22(2), 2024, pp.127-133. ISSN 1336-1376. https://doi.org/10.15598/aeee.v22i2.5290. | uk_UA |
| dc.relation.references | 6. Khymych, H., Dunets, V., Duda, S., Palaniza, Y., & Kornieiev, K. (2023). Dual Polarization Yagi Antenna for Meter Wavelength Range. In Radioelectronics and Communications Systems Allerton Press. Vol. 66, Issue 11, pp. 609–615. https://doi.org/10.3103/s0735272722080039. | uk_UA |
| dc.relation.references | 7. Гевко І.Б., Дунець В.Л., Паляниця Ю.Б., Марценюк А.С., Химич Г.П. Дрон з імпульсним квантовим генератором для знешкодження об’єктів ураження. Матеріали ІV Міжнародної наукової конференції «Воєнні конфлікти та техногенні катастрофи: історичні та психологічні наслідки» Тернопільського національного технічного університету імені Івана Пулюя: зб. тез доповідей, 18-19.04.2024 р. Тернопіль: ТНТУ, 2024. | uk_UA |
| dc.relation.references | 8. Liliya Khvostivska, Mykola Khvostivskyy, Vasyl Dunetc, Iryna Dediv. Mathematical and Algorithmic Support of Detection Useful Radiosignals in Telecommunication Networks. Proceedings of the 2nd International Workshop on Information Technologies: Theoretical and Applied Problems (ITTAP 2022). Ternopil, Ukraine, November 22-24, 2022. P.314-318. ISSN 1613-0073 | uk_UA |
| dc.relation.references | 9. Goodchild, M. F. (2018). Reimagining the history of GIS. In Annals of GIS (Vol. 24, Issue 1, pp. 1–8). Informa UK Limited. https://doi.org/10.1080/19475683.2018.1424737. | uk_UA |
| dc.relation.references | 10. Zou, L., Song, Y., & Cervone, G. (2024). Geospatial big data: theory, methods, and applications. In Annals of GIS (Vol. 30, Issue 4, pp. 411–415). Informa UK Limited. https://doi.org/10.1080/19475683.2024.2419749. | uk_UA |
| dc.relation.references | 11. Burshtynska, K., Kokhan, S., Pfeifer, N., Halochkin, M., & Zayats, I. (2023). Hydrological Modeling for Determining Flooded Land from Unmanned Aerial Vehicle Images—Case Study at the Dniester River. In Remote Sensing (Vol. 15, Issue 4, p. 1071). MDPI AG. https://doi.org/10.3390/rs15041071. | uk_UA |
| dc.relation.references | 12. Oiry, S., Davies, B. F. R., Sousa, A. I., Rosa, P., Zoffoli, M. L., Brunier, G., Gernez, P., & Barillé, L. (2024). Discriminating Seagrasses from Green Macroalgae in European Intertidal Areas Using High-Resolution Multispectral Drone Imagery. In Remote Sensing (Vol. 16, Issue 23, p. 4383). MDPI AG. https://doi.org/10.3390/rs16234383. | uk_UA |
| dc.relation.references | 13. Kocur-Bera, K., & Małek, A. (2024). Assessing the Feasibility of Using Remote Sensing Data and Vegetation Indices in the Estimation of Land Subject to Consolidation. In Sensors (Vol. 24, Issue 23, p. 7736). MDPI AG. https://doi.org/10.3390/s24237736. | uk_UA |
| dc.relation.references | 14. Yang, S., Kang, R., Xu, T., Guo, J., Deng, C., Zhang, L., Si, L., & Kaufmann, H. J. (2024). Improving Satellite-Based Retrieval of Maize Leaf Chlorophyll Content by Joint Observation with UAV Hyperspectral Data. In Drones (Vol. 8, Issue 12, p. 783). MDPI AG. https://doi.org/10.3390/drones8120783. | uk_UA |
| dc.relation.references | 15. Džapo, H., Giannini, R., & Tonković, S. (2007). Reconstruction of the earth surface potential distribution using radial basis functions. In 15th IMEKO TC4 International Symposium on Novelties in Electrical Measurements and Instrumentations (pp. 11-16). | uk_UA |
| dc.relation.references | 16. Calhoun, Z. D., Willard, F., Ge, C., Rodriguez, C., Bergin, M., & Carlson, D. (2024). Estimating the effects of vegetation and increased albedo on the urban heat island effect with spatial causal inference. In Scientific Reports (Vol. 14, Issue 1). Springer Science and Business Media LLC. https://doi.org/10.1038/s41598-023-50981-w. | uk_UA |
| dc.relation.references | 17. Aloysius, N., & Geetha, M. (2017). A review on deep convolutional neural networks. In 2017 International Conference on Communication and Signal Processing (ICCSP) (pp. 0588–0592). 2017 International Conference on Communication and Signal Processing (ICCSP). IEEE. https://doi.org/10.1109/iccsp.2017.8286426. | uk_UA |
| dc.relation.references | 18. Liu, N., Celik, T., & Li, H.-C. (2022). MSNet: A Multiple Supervision Network for Remote Sensing Scene Classification. In IEEE Geoscience and Remote Sensing Letters (Vol. 19, pp. 1–5). Institute of Electrical and Electronics Engineers (IEEE). https://doi.org/10.1109/lgrs.2020.3043020. | uk_UA |
| dc.relation.references | 19. Kawarkhe, M., & Musande, V. (2014). Performance analysis of possisblistic fuzzy clustering and support vector machine in cotton crop classification. In 2014 International Conference on Advances in Computing, Communications and Informatics (ICACCI) (pp. 961– 967). 2014 International Conference on Advances in Computing, Communications and Informatics (ICACCI). IEEE. https://doi.org/10.1109/icacci.2014.6968584 | uk_UA |
| dc.relation.references | 20. Hidalgo, D. R., Cortés, B. B., & Bravo, E. C. (2021). Dimensionality reduction of hyperspectral images of vegetation and crops based on self-organized maps. Information Processing in Agriculture, 8(2), 310-327. | uk_UA |
| dc.relation.references | 21. Velychko, D., Osukhivska, H., Palaniza, Y., Lutsyk, N., & Sobaszek, Ł. (2024). Artificial Intelligence Based Emergency Identification Computer System. In Advances in Science and Technology Research Journal (Vol. 18, Issue 2, pp. 296–304). Wydawnictwo Naukowe Gabriel Borowski (WNGB). https://doi.org/10.12913/22998624/184343. | uk_UA |
| dc.relation.references | 22. Viovy, N., & Saint, G. (1994). Hidden Markov models applied to vegetation dynamics analysis using satellite remote sensing. In IEEE Transactions on Geoscience and Remote Sensing (Vol. 32, Issue 4, pp. 906–917). Institute of Electrical and Electronics Engineers (IEEE). https://doi.org/10.1109/36.298019. | uk_UA |
| dc.relation.references | 23. Марюшко, М. В. Я., & Пащенко, Р. Е. (2020). Fractal analysis of Sentinel-2 satellite imagery for monitoring of agricultural crops. Radioelectronic and computer systems, (4), 34-47. | uk_UA |
| dc.relation.references | 24. Khodadadi, N., Towfek, S. K., Zaki, A. M., Alharbi, A. H., Khodadadi, E., Khafaga, D. S., Eid, M. M. (2024). Predicting normalized difference vegetation index using a deep attention network with bidirectional GRU: a hybrid parametric optimization approach. International Journal of Data Science and Analytics, 1-28. | uk_UA |
| dc.relation.references | 25. Ulku, I., Barmpoutis, P., Stathaki, T., & Akagunduz, E. (2020, January). Comparison of single channel indices for U-Net based segmentation of vegetation in satellite images. In Twelfth International Conference on Machine Vision (ICMV 2019) (Vol. 11433, pp. 338-345). SPIE. | uk_UA |
| dc.relation.references | 26. Nuradili, P., Zhou, J., & Melgani, F. (2024). Wetland Segmentation Method for UAV Multispectral Remote Sensing Images Based on SegFormer. In IGARSS 2024 - 2024 IEEE International Geoscience and Remote Sensing Symposium (pp. 6576–6579). IGARSS 2024 - 2024 IEEE International Geoscience and Remote Sensing Symposium. IEEE. https://doi.org/10.1109/igarss53475.2024.10642790. | uk_UA |
| dc.relation.references | 27. Kemker, R., Salvaggio, C., & Kanan, C. (2017). High-resolution multispectral dataset for semantic segmentation. arXiv preprint arXiv:1703.01918. | uk_UA |
| dc.relation.references | 28. Kemker, R., C. Salvaggio, and C. Kanan. "High-Resolution Multispectral Dataset for Semantic Segmentation." CoRR, abs/1703.01918. 2017. | uk_UA |
| dc.relation.references | 29. Ronneberger, O., P. Fischer, and T. Brox. "U-Net: Convolutional Networks for Biomedical Image Segmentation." CoRR, abs/1505.04597. 2015. | uk_UA |
| dc.relation.references | 30. Kemker, Ronald, Carl Salvaggio, and Christopher Kanan. "Algorithms for Semantic Segmentation of Multispectral Remote Sensing Imagery Using Deep Learning." ISPRS Journal of Photogrammetry and Remote Sensing, Deep Learning RS Data, 145 (November 1, 2018): 60-77. https://doi.org/10.1016/j.isprsjprs.2018.04.014. | uk_UA |
| dc.relation.references | 31. Державна служба України з питань праці. Яка відповідальність посадових осіб та працівників за порушення законодавства про охорону праці? [Електронний ресурс]. URL: https://dsp.gov.ua/faq/iaka-vidpovidalnist-posadovykh-osib-ta-pratsivnykiv-za porushennia-zakonodavstva-pro-okhoronu-pratsi (дата звернення: 03.12.2024 | uk_UA |
| dc.relation.references | 32. Офіційне інтернет-представництво президента. ЗАКОН УКРАЇНИ №1454- VI "Про внесення змін до статей 21 та 33 Закону України «Про охорону праці»" [Електронний ресурс]. URL: https://www.president.gov.ua/documents/1454-vi-9118 (дата звернення: 02.12.2024). | uk_UA |
| dc.relation.references | 33. Lischenko, L., Shevchuk, R., & Filipovich, V. (2022). The technique for satellite monitoring of peatlands in order to determinate their fire hazard and combustion risks. In Ukrainian journal of remote sensing (Vol. 9, Issue 1, pp. 23–32). CASRE of the IGS of NASU. https://doi.org/10.36023/ujrs.2022.9.1.210. | uk_UA |
| dc.contributor.affiliation | Тернопільський національний технічний університет імені Івана Пулюя, факультет прикладних інформаційних технологій та електроінженерії, м. Тернопіль, Україна | uk_UA |
| dc.coverage.country | UA | uk_UA |
| dc.identifier.citation2015 | Гупало А. С. Сегментація земної поверхні на основі мультиспектральних даних з використанням штучного інтелекту : робота на здобуття кваліфікаційного ступеня магістра : спец. 172 – електронні комунікації та радіотехніка / наук. кер. Ю. Б. Паляниця. Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2024. 77 с. | uk_UA |
| Розташовується у зібраннях: | 172 — телекомунікації та радіотехніка, Електронні комунікації та радіотехніка | |
Файли цього матеріалу:
| Файл | Опис | Розмір | Формат | |
|---|---|---|---|---|
| 2024_KRM_RAm-61_Hupalo_A_S.pdf | 2,93 MB | Adobe PDF | Переглянути/відкрити |
Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.
Інструменти адміністратора