1. ELARTU — Інституційний репозитарій ТНТУ імені Івана Пулюя
  2. Роботи студентів
  3. Бакалавр
  4. 122 — Компʼютерні науки, F3 Комп’ютерні науки (бакалаври)
Empreu aquest identificador per citar o enllaçar aquest ítem: http://elartu.tntu.edu.ua/handle/lib/52627
Registre complet de metadades
Camp DCValorLengua/Idioma
dc.contributor.advisorПасічник, Володимир Володимирович-
dc.contributor.advisorPasichnyk, Volodymyr-
dc.contributor.authorДуда, Вікторія Олексіївна-
dc.contributor.authorDuda, Viktoriia-
dc.date.accessioned2026-06-24T09:41:25Z-
dc.date.available2026-06-24T09:41:25Z-
dc.date.issued2026-06-22-
dc.date.submitted2026-06-08-
dc.identifier.urihttp://elartu.tntu.edu.ua/handle/lib/52627-
dc.descriptionРоботу виконано на кафедрі комп'ютерних наук Тернопільського національного технічного університету імені Івана Пулюя. Захист відбудеться 22.06.2026р. на засіданні екзаменаційної комісії №31 у Тернопільському національному технічному університеті імені Івана Пулюяuk_UA
dc.description.abstractКваліфікаційна робота присвячена дослідженню гіперспектральної візуалізації для інформаційно-технологічних платформ «розумних міст». В першому розділі кваліфікаційної роботи обґрунтовано актуальність застосування гіперспектральної візуалізації для «розумних міст», подано її означення та принципи. Розглянуто конвеєр даних інформаційних систем гіперспектральної візуалізації та проаналізовано геометрію зображень. Описано процеси збору та калібрування гіперспектральних даних. В другому розділі кваліфікаційної роботи проаналізовано технології давачів для гіперспектральної візуалізації і розглянуто обробку та аналітичне опрацювання даних. Досліджена інтеграція гіперспектральної візуалізації та Інтернету речей. Подано огляд інформаційно-технологічних платформ гіперспектральної візуалізації та проведено їх порівняння. В третьому розділі кваліфікаційної роботи досліджено практичну інтеграцію засобів гіперспектрального моніторингу в інформаційно-технологічні платформи «розумних міст» та проаналізовано розширення їхньої функціональності. Досліджено інтелектуальні методи та периферійні обчислення в опрацюванні муніципальних гіперспектральних даних. Проаналізовано проблеми та перспективи інтеграції гіперспектральних технологій в інформаційні платформи «розумних міст».uk_UA
dc.description.abstractThe qualification work is devoted to the study of hyperspectral imaging for information technology platforms of smart cities. The first chapter substantiates the relevance of applying hyperspectral imaging in smart city environments and presents its definitions and fundamental principles. The data pipeline of hyperspectral imaging information systems is examined, and the geometry of hyperspectral images is analyzed. The processes of hyperspectral data acquisition and calibration are also described. The second chapter analyzes sensor technologies used for hyperspectral imaging and considers methods for data processing and analytical interpretation. The integration of hyperspectral imaging with the Internet of Things is investigated. An overview of hyperspectral imaging information technology platforms is provided, and a comparative analysis of these platforms is conducted. The third chapter explores the practical integration of hyperspectral monitoring tools into smart city information technology platforms and analyzes the enhancement of their functionality. Intelligent methods and edge computing approaches for processing municipal hyperspectral data are investigated. The challenges and prospects of integrating hyperspectral technologies into smart city information platforms are also analyzed.uk_UA
dc.description.tableofcontentsВСТУП 9 РОЗДІЛ 1. ТЕОРЕТИКО-МЕТОДОЛОГІЧНІ ОСНОВИ ГІПЕРСПЕКТРАЛЬНОЇ ВІЗУАЛІЗАЦІЇ ДЛЯ ІНФОРМАЦІЙНО-ТЕХНОЛОГІЧНИХ ПЛАТФОРМ «РОЗУМНИХ МІСТ» 13 1.1 Актуальність застосування гіперспектральної візуалізації для «розумних міст» 13 1.2 Означення та принципи гіперспектральної візуалізації 17 1.3 Конвеєр даних інформаційних систем гіперспектральної візуалізації 23 1.4 Геометрія зображень гіперспектральної візуалізації 25 1.5 Збір та калібрування гіперспектральних даних 29 1.6 Висновок до першого розділу 31 РОЗДІЛ 2. ІНФРАСТРУКТУРА ТА АНАЛІТИЧНІ ПЛАТФОРМИ ГІПЕРСПЕКТРАЛЬНОГО МОНІТОРИНГУ В СИСТЕМАХ «РОЗУМНОГО МІСТА» 32 2.1 Технології давачів для гіперспектральної візуалізації 32 2.2 Обробка та аналітичне опрацювання даних гіперспектральної візуалізації для потреб «розумних міст» 35 2.3 Інтеграція гіперспектральної візуалізації та Інтернету речей 37 2.4 Огляд інформаційно-технологічних платформ гіперспектральної візуалізації 40 2.5 Порівняння інформаційно-технологічних платформ гіперспектральної візуалізації 41 2.6 Висновок до другого розділу 45 РОЗДІЛ 3. ПРИКЛАДНИЙ АНАЛІЗ, АРХІТЕКТУРНІ РІШЕННЯ ТА ПЕРСПЕКТИВИ ВПРОВАДЖЕННЯ ГІПЕРСПЕКТРАЛЬНИХ ТЕХНОЛОГІЙ В ІНФРАСТРУКТУРУ «РОЗУМНИХ МІСТ» 46 3.1 Практична інтеграція засобів гіперспектрального моніторингу в інформаційно-технологічні платформи муніципального управління 46 3.1.1 Гіперспектральний моніторинг повітря в інформаційно-технологічній інфраструктурі «розумних міст» 46 3.1.2 Гіперспектральний моніторинг водних ресурсів у цифрових платформах «розумних міст» 47 3.1.3 Гіперспектральна візуалізація в цифрових підсистемах рециклінгу та екологічного моніторингу «розумних міст» 50 3.1.4 Аналітичне опрацювання гіперспектральних даних у задачах моніторингу та планування «розумної» міської інфраструктури 52 3.1.5 Гіперспектральна візуалізація в інтелектуальних транспортних підсистемах «розумних міст» 54 3.1.6 Опрацювання гіперспектральних даних у задачах моніторингу та оптимізації «розумної» міської енергетичної інфраструктури 56 3.2 Розширення функціональності інформаційно-технологічних платформ «розумних міст» засобами гіперспектральної візуалізації 57 3.3 Інтелектуальні методи та периферійні обчислення в опрацюванні муніципальних гіперспектральних даних 59 3.4 Проблеми та перспективи інтеграції гіперспектральних технологій в інформаційні платформи «розумних міст» 63 3.5 Висновок до третього розділу 65 РОЗДІЛ 4. БЕЗПЕКА ЖИТТЄДІЯЛЬНОСТІ, ОСНОВИ ОХОРОНИ ПРАЦІ 66 4.1 Організаційно-правові засади проведення евакуаційних заходів цивільного захисту «розумних міст» 66 4.2 Особливості пожежної безпеки під час ліквідації займань в електроустановках міських інформаційних мереж 68 4.3 Висновок до четвертого розділу 70 ВИСНОВКИ 71 ПЕРЕЛІК ДЖЕРЕЛ 73 ДОДАТКИuk_UA
dc.format.extent83-
dc.language.isoukuk_UA
dc.publisherТернопільський національний технічний університет імені ім. І. Пулюяuk_UA
dc.subject122uk_UA
dc.subjectкомп’ютерні наукиuk_UA
dc.subjectаналіз данихuk_UA
dc.subjectгіперспектральна візуалізаціяuk_UA
dc.subjectгіперспектральні даніuk_UA
dc.subjectдавачіuk_UA
dc.subjectінтелектуальні методиuk_UA
dc.subjectінтернет речейuk_UA
dc.subjectмуніципальний моніторингuk_UA
dc.subjectрозумне містоuk_UA
dc.subjectdata analysisuk_UA
dc.subjecthyperspectral visualizationuk_UA
dc.subjecthyperspectral datauk_UA
dc.subjectsensorsuk_UA
dc.subjectintelligent methodsuk_UA
dc.subjectіnternet of thingsuk_UA
dc.subjectmunicipal monitoringuk_UA
dc.subjectsmart cityuk_UA
dc.titleГіперспектральна візуалізація для інформаційно-технологічних платформ "розумних міст"uk_UA
dc.title.alternativeHyperspectral Visualization for Smart City Information Technology Platformsuk_UA
dc.typeBachelor Thesisuk_UA
dc.rights.holder© Дуда Вікторія Олексіївна, 2026uk_UA
dc.coverage.placenameТернопільuk_UA
dc.subject.udc004.9uk_UA
dc.relation.references1. Скалецький П., Ставицька А., Дуда В., Інноваційні інформаційні технології «розумних» міст. Матеріали VI Міжнародної студентської науково - технічної конференції / Тернопіль: Тернопільський національний технічний університет ім. І.Пулюя (м. Тернопіль, 27-28 квітня 2023 р.), 2023.-С.176. https://tntu.edu.ua/storage/pages/00000941/Zbirnyk_2023.pdf.uk_UA
dc.relation.references2. Mukundan, Arvind, et al. "Advancing urban development: applications of hyperspectral imaging in smart City innovations and sustainable solutions." Smart Cities 8.2 (2025): 51.uk_UA
dc.relation.references3. Гарматюк Н., Лісовий Н., Дуда В. Роль інноваційних інформаційних технологій при формуванні «розумних» міст. Матеріали VI Міжнародної студентської науково - технічної конференції / Тернопіль: Тернопільський національний технічний університет ім. І.Пулюя (м. Тернопіль, 27-28 квітня 2023 р.), 2023.-С.131. https://tntu.edu.ua/storage/pages/00000941/Zbirnyk_2023.pdf.uk_UA
dc.relation.references4. Vaskiv R. I., Hrybovskyi O. M., Kunanets N. E., Duda O. M. Information system of street lighting control in smart city // Radio Electronics, Computer Science, Control. 2024. No. 3(70). P. 212–223. DOI: 10.15588/1607-3274-2024-3-18.uk_UA
dc.relation.references5. Minopoulos, G.M.; Memos, V.A.; Stergiou, C.L.; Stergiou, K.D.; Plageras, A.P.; Koidou, M.P.; Psannis, K.E. Exploitation of emerging technologies and advanced networks for a smart healthcare system. Appl. Sci. 2022, 12, 5859.uk_UA
dc.relation.references6. Van Fan, Y.; Lee, C.T.; Lim, J.S.; Klemeš, J.J.; Le, P.T.K. Cross-disciplinary approaches towards smart, resilient and sustainable circular economy. J. Clean. Prod. 2019, 232, 1482–1491.uk_UA
dc.relation.references7. Zhovnir Y., Kunanets N., Burov Y., Duda O., Pasichnyk V. Situation-aware security systems design // Eastern-European Journal of Enterprise Technologies. 2025. Vol. 1/9(133). P. 6–23. DOI: 10.15587/1729-4061.2025.315248.uk_UA
dc.relation.references8. Halicek, M.; Fabelo, H.; Ortega, S.; Callico, G.M.; Fei, B. In-vivo and ex-vivo tissue analysis through hyperspectral imaging techniques: Revealing the invisible features of cancer. Cancers 2019, 11, 756.uk_UA
dc.relation.references9. Xu, H.; Ren, J.; Lin, J.; Mao, S.; Xu, Z.; Chen, Z.; Zhao, J.; Wu, Y.; Xu, N.; Wang, P. The impact of high-quality data on the assessment results of visible/near-infrared hyperspectral imaging and development direction in the food fields: A review. J. Food Meas. Charact. 2023, 17, 2988–3004.uk_UA
dc.relation.references10. Yoon, J. Hyperspectral imaging for clinical applications. BioChip J. 2022, 16, 1–12.uk_UA
dc.relation.references11. Zhang, Y.; Wu, X.; He, L.; Meng, C.; Du, S.; Bao, J.; Zheng, Y. Applications of hyperspectral imaging in the detection and diagnosis of solid tumors. Transl. Cancer Res. 2020, 9, 1265.uk_UA
dc.relation.references12. Fei, B. Hyperspectral imaging in medical applications. Data Handl. Sci. Technol. 2019, 32, 523–565.uk_UA
dc.relation.references13. Aviara, N.A.; Liberty, J.T.; Olatunbosun, O.S.; Shoyombo, H.A.; Oyeniyi, S.K. Potential application of hyperspectral imaging in food grain quality inspection, evaluation and control during bulk storage. J. Agric. Food Res. 2022, 8, 100288.uk_UA
dc.relation.references14. Hu, X.; Xie, C.; Fan, Z.; Duan, Q.; Zhang, D.; Jiang, L.; Wei, X.; Hong, D.; Li, G.; Zeng, X.; et al. Hyperspectral anomaly detection using deep learning: A review. Remote Sens. 2022, 14, 1973.uk_UA
dc.relation.references15. Stuart, M.B.; Davies, M.; Hobbs, M.J.; Pering, T.D.; McGonigle, A.J.S.; Willmott, J.R. High-resolution hyperspectral imaging using low-cost components: Application within environmental monitoring scenarios. Sensors 2022, 22, 4652.uk_UA
dc.relation.references16. Dong, X.; Jakobi, M.; Wang, S.; Köhler, M.H.; Zhang, X.; Koch, A.W. A review of hyperspectral imaging for nanoscale materials research. Appl. Spectrosc. Rev. 2019, 54, 285–305.uk_UA
dc.relation.references17. Krupnik, D.; Khan, S. Close-range, ground-based hyperspectral imaging for mining applications at various scales: Review and case studies. Earth-Sci. Rev. 2019, 198, 102952.uk_UA
dc.relation.references18. Signoroni, A.; Savardi, M.; Baronio, A.; Benini, S. Deep learning meets hyperspectral image analysis: A multidisciplinary review. J. Imaging 2019, 5, 52.uk_UA
dc.relation.references19. Hong, Danfeng, et al. "Hyperspectral imaging." arXiv preprint arXiv:2508.08107 (2025).uk_UA
dc.relation.references20. Rybicki, G. B. & Lightman, A. P. Radiative processes in astrophysics (John Wiley & Sons, 2024).uk_UA
dc.relation.references21. Chang, C.-I. Hyperspectral imaging: techniques for spectral detection and classification, vol. 1 (Springer Science & Business Media, 2003).uk_UA
dc.relation.references22. Greenacre, M. et al. Principal component analysis. Nat. Rev. Methods Primers 2, 100 (2022).uk_UA
dc.relation.references23. Bioucas-Dias, J. M. et al. Hyperspectral unmixing overview: Geometrical, statistical, and sparse regression-based approaches. IEEE journal selected topics applied earth observations remote sensing 5, 354–379 (2012).uk_UA
dc.relation.references24. М. Боднар; Г. Вовнянка; В. Дуда. Передові технології обробки даних у розумних містах. Матеріали XIII науково-технічної конференції «Інформаційні моделі, системи та технології» Тернопільського національного технічного університету імені Івана Пулюя, (Тернопіль, 17–18 грудня 2025 р.). – Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2025. –162 с.uk_UA
dc.relation.references25. Hong, D. et al. Multimodal artificial intelligence foundation models: Unleashing the power of remote sensing big data in earth observation. The Innov. Geosci. 2, 100055 (2024).uk_UA
dc.relation.references26. De Castro, A.I.; Shi, Y.; Maja, J.M.; Peña, J.M. UAVs for vegetation monitoring: Overview and recent scientific contributions. Remote Sens. 2021, 13, 2139.uk_UA
dc.relation.references27. Almeida, C.R.d.; Teodoro, A.C.; Gonçalves, A. Study of the urban heat island (UHI) using remote sensing data/techniques: A systematic review. Environments 2021, 8, 105.uk_UA
dc.relation.references28. Kaartinen, E.; Dunphy, K.; Sadhu, A. LiDAR-based structural health monitoring: Applications in civil infrastructure systems. Sensors 2022, 22, 4610.uk_UA
dc.relation.references29. Cai, X.; Wu, L.; Li, Y.; Lei, S.; Xu, J.; Lyu, H.; Li, J.; Wang, H.; Dong, X.; Zhu, Y.; et al. Remote sensing identification of urban water pollution source types using hyperspectral data. J. Hazard. Mater. 2023, 459, 132080.uk_UA
dc.relation.references30. Fei, S.; Li, L.; Han, Z.; Chen, Z.; Xiao, Y. Combining novel feature selection strategy and hyperspectral vegetation indices to predict crop yield. Plant Methods 2022, 18, 119.uk_UA
dc.relation.references31. Sousa, J.J.; Toscano, P.; Matese, A.; Di Gennaro, S.F.; Berton, A.; Gatti, M.; Poni, S.; Pádua, L.; Hruška, J.; Morais, R.; et al. UAV-based hyperspectral monitoring using push-broom and snapshot sensors: A multisite assessment for precision viticulture applications. Sensors 2022, 22, 6574.uk_UA
dc.relation.references32. Al-Sarayreh, M.; Reis, M.M.; Yan, W.Q.; Klette, R. Potential of deep learning and snapshot hyperspectral imaging for classification of species in meat. Food Control 2020, 117, 107332.uk_UA
dc.relation.references33. Zhang, H.; Zhang, B.; Wei, Z.; Wang, C.; Huang, Q. Lightweight integrated solution for a UAV-borne hyperspectral imaging system. Remote Sens. 2020, 12, 657.uk_UA
dc.relation.references34. Kahraman, S.; Bacher, R. A comprehensive review of hyperspectral data fusion with lidar and sar data. Annu. Rev. Control 2021, 51, 236–253.uk_UA
dc.relation.references35. Н.А. Гарматюк, П.О. Скалецький, В.О. Дуда. Хмарні обчислювальні платформи та Microsoft azure. Актуальні задачі сучасних технологій: зб. тез доповідей ХІ міжнар. наук.-практ. конф. Молодих учених та студентів, (Тернопіль, 7-8 грудня 2022) / М-во освіти і науки України, Терн. націон. техн. ун-т ім. І. Пулюя [та ін.]. – Тернопіль: ФОП Паляниця В. А., 2022. – С167. https://tntu.edu.ua/storage/pages/00000923/%D0%A1IIMT-2022.pdf.uk_UA
dc.relation.references36. Duda O., Stanko A. Architecture of monitoring platform in smart cities // Вісник ХНУ. 2023. No. 4. P. 10–19. DOI: 10.31891/2307-5732.uk_UA
dc.relation.references37. Gyaneshwar, D.; Nidamanuri, R.R. A real-time FPGA accelerated stream processing for hyperspectral image classification. Geocarto Int. 2022, 37, 52–69.uk_UA
dc.relation.references38. Dash, S.; Chakravarty, S.; Giri, N.C.; Agyekum, E.B.; AboRas, K.M. Minimum Noise Fraction and Long Short-Term Memory Model for Hyperspectral Imaging. Int. J. Comput. Intell. Syst. 2024, 17, 16.uk_UA
dc.relation.references39. Fan, R.; Feng, R.; Wang, L.; Yan, J.; Zhang, X. Semi-MCNN: A semisupervised multi-CNN ensemble learning method for urban land cover classification using submeter HRRS images. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2020, 13, 4973–4987.uk_UA
dc.relation.references40. Kuras, A.; Brell, M.; Rizzi, J.; Burud, I. Hyperspectral and lidar data applied to the urban land cover machine learning and neural-network-based classification: A review. Remote Sens. 2021, 13, 3393.uk_UA
dc.relation.references41. П. Прийма, А. Зав’ялова, В. Дуда. Інструменти аналітичного опрацювання «великих даних». Матеріали X науково-технічної конференції «Інформаційні моделі, системи та технології» Тернопільського національного технічного університету імені Івана Пулюя, (Тернопіль, 7–8 грудня 2022 р.). – Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2022. – С40. https://elartu.tntu.edu.ua/handle/lib/40078.uk_UA
dc.relation.references42. Borol, Y.D.; Thilagham, K.T.; Nagpal, A.; Harika, A.; Aravinda, K.; Shnawa, A.H. Hyperspectral Information with Big Data and Machine Learning for Agriculture. In Proceedings of the 2024 4th International Conference on Innovative Practices in Technology and Management (ICIPTM), Noida, India, 21–23 February 2024.uk_UA
dc.relation.references43. П.О. Скалецький, Н.А. Гарматюк, В.О. Дуда. Перенесення даних установ та організацій з локальних систем до хмарних обчислювальних платформ. Актуальні задачі сучасних технологій: зб. тез доповідей ХІ міжнар. наук.-практ. конф. Молодих учених та студентів, (Тернопіль, 7-8 грудня 2022) / М-во освіти і науки України, Терн. націон. техн. ун-т ім. І. Пулюя [та ін.]. – Тернопіль: ФОП Паляниця В. А., 2022. – С169-170. https://tntu.edu.ua/storage/pages/00000923/%D0%A1IIMT-2022.pdf.uk_UA
dc.relation.references44. П. Прийма, А. Зав’ялова, В. Дуда. Інтернет речей, «великі дані» та аналітика. Стан та перспективи досліджень. Матеріали X науково-технічної конференції «Інформаційні моделі, системи та технології» Тернопільського національного технічного університету імені Івана Пулюя, (Тернопіль, 7–8 грудня 2022 р.). – Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2022. – С39. https://elartu.tntu.edu.ua/handle/lib/40078.uk_UA
dc.relation.references45. Qi, B. Hyperspectral image database query based on big data analysis technology. E3S Web Conf. 2021, 275, 03018.uk_UA
dc.relation.references46. Волинець Л.В., Дуда В.О., Гарматюк Н.А., «Аналітика великих даних» в галузі «розумної» охорони здоров’я, Матеріали VІI Міжнародної студентської науково - технічної конференції / Тернопіль: Тернопільський національний технічний університет ім. І.Пулюя (м. Тернопіль, 25-26 квітня 2024 р.), 2024. -С.242, https://tntu.edu.ua/storage/pages/00000977/ Zbirnyk2024.pdf?v=20240425.uk_UA
dc.relation.references47. Duda O., Matsiuk O., Kunanets N., Pasichnyk V., Rzheuskyi A., Bilak Y. Formation of hypercubes based on data obtained from IoT devices // International Journal of Sensors, Wireless Communications and Control. 2021. Vol. 11(5). P. 498–504. DOI: 10.2174/2210327910999201210145151.uk_UA
dc.relation.references48. Guo, Y.; Yu, Q.; Gao, Y.; Liu, X.; Li, C. Max–min distance embedding for unsupervised hyperspectral image classification in the satellite Internet of Things system. Internet Things 2023, 22, 100775.uk_UA
dc.relation.references49. Chen, H.; Ru, J.; Long, H.; He, J.; Chen, T.; Deng, W. Semi-Supervised Adaptive Pseudo-Label Feature Learning for Hyperspectral Image Classification in Internet of Things. IEEE Internet Things J. 2024, 11, 30754–30768.uk_UA
dc.relation.references50. Elkholy, M.M.; Mostafa, M.; Ebeid, H.M.; Tolba, M.F. Application of hyperspectral image unmixing for internet of things. In Internet of Things – Applications and Future, Proceedings of the ITAF 2019, Cairo, Egypt, 14–15 October 2019; Springer: Berlin/Heidelberg, Germany, 2020; pp. 249–260.uk_UA
dc.relation.references51. Crépon, K.; Cabacos, M.; Bonduelle, F.; Ammari, F.; Faure, M.; Maudemain, S. Using Internet of Things (IoT), Near-Infrared Spectroscopy (NIRS), and Hyperspectral Imaging (HSI) to Enhance Monitoring and Detection of Grain Pests in Storage and Handling Operators. Agriculture 2023, 13, 1355.uk_UA
dc.relation.references52. Augustin, A.; Kiliroor, C.C. IoT-based pesticide detection in fruits and vegetables using hyperspectral imaging and deep learning. In Proceedings of the International Conference on Cognitive Computing and Cyber Physical Systems 2023, Bhimavaram, India, 4–6 August 2023; Springer: Berlin/Heidelberg, Germany, 2023.uk_UA
dc.relation.references53. Orchi, H.; Sadik, M.; Khaldoun, M. On using artificial intelligence and the internet of things for crop disease detection: A contemporary survey. Agriculture 2021, 12, 9.uk_UA
dc.relation.references54. О. Ловчук; Р. Катрич; В. Дуда. Актуальність хмарного масштабування та kubernetes. Матеріали XІІ науково-технічної конфції «Інформаційні моделі, системи та технології» Тернопільського національного технічного університету імені Івана Пулюя, (Тернопіль, 18–19 грудня 2024 р.). – Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2024. – 52 с.uk_UA
dc.relation.references55. Gao, P.; Zhang, H.; Yu, J.; Lin, J.; Wang, X.; Yang, M.; Kong, F. Secure cloud-aided object recognition on hyperspectral remote sensing images. IEEE Internet Things J. 2020, 8, 3287–3299.uk_UA
dc.relation.references56. Song, J.; Wang, Y.; Zhang, Q.; Qin, W.; Pan, R.; Yi, W.; Xu, Z.; Cheng, J.; Su, H. Premature mortality attributable to NO2 exposure in cities and the role of built environment: A global analysis. Sci. Total Environ. 2023, 866, 161395.uk_UA
dc.relation.references57. Noppen, L.; Clarisse, L.; Tack, F.; Ruhtz, T.; Merlaud, A.; Van Damme, M.; Van Roozendael, M.; Schuettemeyer, D.; Coheur, P. Constraining industrial ammonia emissions using hyperspectral infrared imaging. Remote Sens. Environ. 2023, 291, 113559.uk_UA
dc.relation.references58. Qamar, F.; Sharma, M.S.; Dobler, G. The impacts of air quality on vegetation health in dense urban environments: A ground-based hyperspectral imaging approach. Remote Sens. 2022, 14, 3854.uk_UA
dc.relation.references59. Sun, X.; Zhang, Y.; Shi, K.; Zhang, Y.; Li, N.; Wang, W.; Huang, X.; Qin, B. Monitoring water quality using proximal remote sensing technology. Sci. Total Environ. 2022, 803, 149805.uk_UA
dc.relation.references60. Niu, C.; Tan, K.; Jia, X.; Wang, X. Deep learning based regression for optically inactive inland water quality parameter estimation using airborne hyperspectral imagery. Environ. Pollut. 2021, 286, 117534.uk_UA
dc.relation.references61. Niroumand-Jadidi, M.; Bovolo, F.; Bruzzone, L. Water quality retrieval from PRISMA hyperspectral images: First experience in a turbid lake and comparison with sentinel-2. Remote Sens. 2020, 12, 3984.uk_UA
dc.relation.references62. Lu, Q.; Si, W.; Wei, L.; Li, Z.; Xia, Z.; Ye, S.; Xia, Y. Retrieval of water quality from UAV-borne hyperspectral imagery: A comparative study of machine learning algorithms. Remote Sens. 2021, 13, 3928.uk_UA
dc.relation.references63. Zhang, Y.; Wu, L.; Ren, H.; Liu, Y.; Zheng, Y.; Liu, Y.; Dong, J. Mapping water quality parameters in urban rivers from hyperspectral images using a new self-adapting selection of multiple artificial neural networks. Remote Sens. 2020, 12, 336.uk_UA
dc.relation.references64. Aversano, N.; Bonifazi, G.; D’Adamo, I.; Palmieri, R.; Serranti, S.; Simone, A. Circular and sustainable space: Findings from hyperspectral imaging. J. Clean. Prod. 2024, 471, 143386.uk_UA
dc.relation.references65. Xiao, W.; Yang, J.; Fang, H.; Zhuang, J.; Ku, Y. A robust classification algorithm for separation of construction waste using NIR hyperspectral system. Waste Manag. 2019, 90, 1–9.uk_UA
dc.relation.references66. Bonifazi, G.; Capobianco, G.; Serranti, S. Fast and effective classification of plastic waste by pushbroom hyperspectral sensor coupled with hierarchical modelling and variable selection. Resour. Conserv. Recycl. 2023, 197, 107068.uk_UA
dc.relation.references67. Tao, J.; Gu, Y.; Hao, X.; Liang, R.; Wang, B.; Cheng, Z.; Yan, B.; Chen, G. Combination of hyperspectral imaging and machine learning models for fast characterization and classification of municipal solid waste. Resour. Conserv. Recycl. 2023, 188, 106731.uk_UA
dc.relation.references68. Castro-Díaz, M.; Osmani, M.; Cavalaro, S.; Cacho, Í.; Uria, I.; Needham, P.; Thompson, J.; Parker, B.; Lovato, T. Hyperspectral Imaging Sorting of Refurbishment Plasterboard Waste. Appl. Sci. 2023, 13, 2413.uk_UA
dc.relation.references69. Singh, M.K.; Hait, S.; Thakur, A. Hyperspectral imaging-based classification of post-consumer thermoplastics for plastics recycling using artificial neural network. Process Saf. Environ. Prot. 2023, 179, 593–602.uk_UA
dc.relation.references70. Brabant, C.; Alvarez-Vanhard, E.; Laribi, A.; Morin, G.; Nguyen, K.T.; Thomas, A.; Houet, T. Comparison of hyperspectral techniques for urban tree diversity classification. Remote Sens. 2019, 11, 1269.uk_UA
dc.relation.references71. Wang, Y.; Su, H.; Li, M. An improved model based detection of urban impervious surfaces using multiple features extracted from ROSIS-3 hyperspectral images. Remote Sens. 2019, 11, 136.uk_UA
dc.relation.references72. Sun, G.; Jiao, Z.; Zhang, A.; Li, F.; Fu, H.; Li, Z. Hyperspectral image-based vegetation index (HSVI): A new vegetation index for urban ecological research. Int. J. Appl. Earth Obs. Geoinf. 2021, 103, 102529.uk_UA
dc.relation.references73. Aryal, S.; Chen, Z.; Tang, S. Mobile hyperspectral imaging for material surface damage detection. J. Comput. Civ. Eng. 2021, 35, 04020057.uk_UA
dc.relation.references74. Lavadiya, D.N.; Sajid, H.U.; Yellavajjala, R.K.; Sun, X. Hyperspectral imaging for the elimination of visual ambiguity in corrosion detection and identification of corrosion sources. Struct. Health Monit. 2022, 21, 1678–1693.uk_UA
dc.relation.references75. Jakubczyk, K.; Siemia˛tkowska, B.; Wie˛ckowski, R.; Rapcewicz, J. Hyperspectral imaging for mobile robot navigation. Sensors 2022, 23, 383.uk_UA
dc.relation.references76. Taher, J.; Hakala, T.; Jaakkola, A.; Hyyti, H.; Kukko, A.; Manninen, P.; Maanpää, J.; Hyyppä, J. Feasibility of hyperspectral single photon lidar for robust autonomous vehicle perception. Sensors 2022, 22, 5759.uk_UA
dc.relation.references77. Özdemir, O.B.; Soydan, H.; Yardımcı Çetin, Y.; Düzgün, H.S¸. Neural network based pavement condition assessment with hyperspectral images. Remote Sens. 2020, 12, 3931.uk_UA
dc.relation.references78. Lee, G.; Lee, J.; Baek, J.; Kim, H.; Cho, D. Channel sampler in hyperspectral images for vehicle detection. IEEE Geosci. Remote Sens. Lett. 2021, 19, 5509405.uk_UA
dc.relation.references79. Ahmad, T.; Madonski, R.; Zhang, D.; Huang, C.; Mujeeb, A. Data-driven probabilistic machine learning in sustainable smart energy/smart energy systems: Key developments, challenges, and future research opportunities in the context of smart grid paradigm. Renew. Sustain. Energy Rev. 2022, 160, 112128.uk_UA
dc.relation.references80. Baliyan, A.; Imai, H. Machine learning based analytical framework for automatic hyperspectral Raman analysis of lithium-ion battery electrodes. Sci. Rep. 2019, 9, 18241.uk_UA
dc.relation.references81. Schultz, C.; Fenske, M.; Dion-Bertrand, L.I.; Gélinas, G.; Marcet, S.; Dagar, J.; Bartelt, A.; Schlatmann, R.; Unger, E.; Stegemann, B. Hyperspectral Photoluminescence Imaging for Spatially Resolved Determination of Electrical Parameters of Laser-Patterned Perovskite Solar Cells. Sol. RRL 2023, 7, 2300538.uk_UA
dc.relation.references82. Rizk, P.; Younes, R.; Ilinca, A.; Khoder, J. Wind turbine ice detection using hyperspectral imaging. Remote Sens. Appl. Soc. Environ. 2022, 26, 100711.uk_UA
dc.relation.references83. Rizk, P.; Younes, R.; Ilinca, A.; Khoder, J. Wind turbine blade defect detection using hyperspectral imaging. Remote Sens. Appl. Soc. Environ. 2021, 22, 100522.uk_UA
dc.relation.references84. Ahn, D.; Choi, J.-Y.; Kim, H.-C.; Cho, J.-S.; Moon, K.-D.; Park, T. Estimating the composition of food nutrients from hyperspectral signals based on deep neural networks. Sensors 2019, 19, 1560.uk_UA
dc.relation.references85. Jaiswal, G.; Sharma, A.; Yadav, S.K. Critical insights into modern hyperspectral image applications through deep learning. Wiley Interdiscip. Rev. Data Min. Knowl. Discov. 2021, 11, e1426.uk_UA
dc.relation.references86. Zhovnir Y. I., Hrybovskyi O. M., Orlov M. V., Duda O. M., Kunanets N. E. IoT information systems methodology // Управління розвитком складних систем. 2024. Vol. 60. P. 56–71. DOI: 10.32347/2412-9933.2024.60.56-70.uk_UA
dc.relation.references87. Orlov M. V., Hrybovskyi O. M., Zhovnir Y. I., Duda O. M. DevOps methodology in IoT ecosystems // Вчені записки ТНУ. 2024. Vol. 35(6). P. 163–170. DOI: 10.32782/2663-5941/2024.6.2/22.uk_UA
dc.relation.references88. Rodrigues, E.M.; Hemmer, E. Trends in hyperspectral imaging: From environmental and health sensing to structure-property and nano-bio interaction studies. Anal. Bioanal. Chem. 2022, 414, 4269–4279.uk_UA
dc.relation.references89. Orlov M. V., Duda O. M., Zhovnir Y. I., Hrybovskyi O. M. DevOps tools in IoT systems // Комп’ютерно-інтегровані технології. 2024. Vol. 57. P. 128–138. DOI: 10.36910/6775-2524-0560-2024-57-15.uk_UA
dc.relation.references90. Ali, U.M.E.; Hossain, M.A.; Islam, M.R. Analysis of PCA based feature extraction methods for classification of hyperspectral image. In Proceedings of the 2019 2nd International Conference on Innovation in Engineering and Technology (ICIET), Dhaka, Bangladesh, 23–24 December 2019.uk_UA
dc.relation.references91. Lu, B.; Dao, P.D.; Liu, J.; He, Y.; Shang, J. Recent advances of hyperspectral imaging technology and applications in agriculture. Remote Sens. 2020, 12, 2659.uk_UA
dc.relation.references92. Botero-Valencia, J.; Valencia-Aguirre, J. Portable low-cost IoT hyperspectral acquisition device for indoor/outdoor applications. HardwareX 2021, 10, e00216.uk_UA
dc.relation.references93. Mangalraj, P.; Cho, B.-K. Recent trends and advances in hyperspectral imaging techniques to estimate solar induced fluorescence for plant phenotyping. Ecol. Indic. 2022, 137, 108721.uk_UA
dc.relation.references94. Методика планування заходів з евакуації: затверджена наказом Міністерства внутрішніх справ України від 10 липня 2017 року № 579. – Київ: Міністерство внутрішніх справ України, 2017. – 50 с.uk_UA
dc.relation.references95. Постанова Кабінету Міністрів України від 30.10.2013 № 841.uk_UA
dc.relation.references96. Ткачук, К. Н., Зацарний, В. В., Зеркалов, Д. В., Полукаров, О. І., Коз’яков, В. С., Мітюк, Л. О., ... & Луц, Т. Є. (2014). Основи охорони праці.uk_UA
dc.relation.references97. Стручок В.С. Техноекологія та цивільна безпека. Частина «Цивільна безпека». Навчальний посібник. 2022.uk_UA
dc.contributor.affiliationТернопільський національний технічний університет імені ім. І. Пулюяuk_UA
dc.coverage.countryUAuk_UA
dc.identifier.citation2015Дуда В. О. Гіперспектральна візуалізація для інформаційно-технологічних платформ "розумних міст" : робота на здобуття кваліфікаційного ступеня бакалавра : спец. 122 - комп’ютерні науки / наук. кер. В. В. Пасічник. Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2026. 83 с.uk_UA
Apareix a les col·leccions:122 — Компʼютерні науки, F3 Комп’ютерні науки (бакалаври)

Arxius per aquest ítem:
Arxiu Descripció MidaFormat 
2026_KRB_SN-41_Duda_VO.pdfДипломна робота4,9 MBAdobe PDFVeure/Obrir
Mostrar el registre simplificat de l'ítem


Els ítems de DSpace es troben protegits per copyright, amb tots els drets reservats, sempre i quan no s’indiqui el contrari.

Eines d'Administrador