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
Títol: Гіперспектральна візуалізація для інформаційно-технологічних платформ "розумних міст"
Altres títols: Hyperspectral Visualization for Smart City Information Technology Platforms
Autor: Дуда, Вікторія Олексіївна
Duda, Viktoriia
Affiliation: Тернопільський національний технічний університет імені ім. І. Пулюя
Bibliographic reference (2015): Дуда 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.
Data de publicació: 22-de -2026
Submitted date: 8-de -2026
Date of entry: 24-de -2026
Editorial: Тернопільський національний технічний університет імені ім. І. Пулюя
Country (code): UA
Place of the edition/event: Тернопіль
Supervisor: Пасічник, Володимир Володимирович
Pasichnyk, Volodymyr
UDC: 004.9
Paraules clau: 122
комп’ютерні науки
аналіз даних
гіперспектральна візуалізація
гіперспектральні дані
давачі
інтелектуальні методи
інтернет речей
муніципальний моніторинг
розумне місто
data analysis
hyperspectral visualization
hyperspectral data
sensors
intelligent methods
іnternet of things
municipal monitoring
smart city
Page range: 83
Resum: Кваліфікаційна 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».
The 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.
Descripció: Роботу 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 Пулюя
Content: ВСТУП 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 ДОДАТКИ
URI: http://elartu.tntu.edu.ua/handle/lib/52627
Copyright owner: © Дуда Вікторія Олексіївна, 2026
References (Ukraine): 1. 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.
2. Mukundan, Arvind, et al. "Advancing urban development: applications of hyperspectral imaging in smart City innovations and sustainable solutions." Smart Cities 8.2 (2025): 51.
3. 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.
4. 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.
5. 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.
6. 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.
7. 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.
8. 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.
9. 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.
10. Yoon, J. Hyperspectral imaging for clinical applications. BioChip J. 2022, 16, 1–12.
11. 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.
12. Fei, B. Hyperspectral imaging in medical applications. Data Handl. Sci. Technol. 2019, 32, 523–565.
13. 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.
14. 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.
15. 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.
16. 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.
17. 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.
18. Signoroni, A.; Savardi, M.; Baronio, A.; Benini, S. Deep learning meets hyperspectral image analysis: A multidisciplinary review. J. Imaging 2019, 5, 52.
19. Hong, Danfeng, et al. "Hyperspectral imaging." arXiv preprint arXiv:2508.08107 (2025).
20. Rybicki, G. B. & Lightman, A. P. Radiative processes in astrophysics (John Wiley & Sons, 2024).
21. Chang, C.-I. Hyperspectral imaging: techniques for spectral detection and classification, vol. 1 (Springer Science & Business Media, 2003).
22. Greenacre, M. et al. Principal component analysis. Nat. Rev. Methods Primers 2, 100 (2022).
23. 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).
24. 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.
25. 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).
26. 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.
27. 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.
28. Kaartinen, E.; Dunphy, K.; Sadhu, A. LiDAR-based structural health monitoring: Applications in civil infrastructure systems. Sensors 2022, 22, 4610.
29. 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.
30. 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.
31. 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.
32. 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.
33. 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.
34. Kahraman, S.; Bacher, R. A comprehensive review of hyperspectral data fusion with lidar and sar data. Annu. Rev. Control 2021, 51, 236–253.
35. 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.
36. Duda O., Stanko A. Architecture of monitoring platform in smart cities // Вісник ХНУ. 2023. No. 4. P. 10–19. DOI: 10.31891/2307-5732.
37. Gyaneshwar, D.; Nidamanuri, R.R. A real-time FPGA accelerated stream processing for hyperspectral image classification. Geocarto Int. 2022, 37, 52–69.
38. 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.
39. 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.
40. 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.
41. 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.
42. 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.
43. 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.
44. 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.
45. Qi, B. Hyperspectral image database query based on big data analysis technology. E3S Web Conf. 2021, 275, 03018.
46. 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.
47. 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.
48. 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.
49. 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.
50. 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.
51. 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.
52. 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.
53. 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.
54. 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.
55. 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.
56. 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.
57. 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.
58. 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.
59. 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.
60. 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.
61. 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.
62. 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.
63. 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.
64. 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.
65. 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.
66. 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.
67. 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.
68. 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.
69. 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.
70. 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.
71. 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.
72. 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.
73. Aryal, S.; Chen, Z.; Tang, S. Mobile hyperspectral imaging for material surface damage detection. J. Comput. Civ. Eng. 2021, 35, 04020057.
74. 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.
75. Jakubczyk, K.; Siemia˛tkowska, B.; Wie˛ckowski, R.; Rapcewicz, J. Hyperspectral imaging for mobile robot navigation. Sensors 2022, 23, 383.
76. 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.
77. 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.
78. 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.
79. 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.
80. Baliyan, A.; Imai, H. Machine learning based analytical framework for automatic hyperspectral Raman analysis of lithium-ion battery electrodes. Sci. Rep. 2019, 9, 18241.
81. 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.
82. Rizk, P.; Younes, R.; Ilinca, A.; Khoder, J. Wind turbine ice detection using hyperspectral imaging. Remote Sens. Appl. Soc. Environ. 2022, 26, 100711.
83. Rizk, P.; Younes, R.; Ilinca, A.; Khoder, J. Wind turbine blade defect detection using hyperspectral imaging. Remote Sens. Appl. Soc. Environ. 2021, 22, 100522.
84. 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.
85. 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.
86. 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.
87. 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.
88. 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.
89. 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.
90. 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.
91. 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.
92. Botero-Valencia, J.; Valencia-Aguirre, J. Portable low-cost IoT hyperspectral acquisition device for indoor/outdoor applications. HardwareX 2021, 10, e00216.
93. 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.
94. 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.
95. Постанова Кабінету Міністрів України від 30.10.2013 № 841.
96. 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.
97. Стручок В.С. Техноекологія та цивільна безпека. Частина «Цивільна безпека». Навчальний посібник. 2022.
Content type: Bachelor Thesis
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 complet Dublin Core 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