��è��Ƶ

Новый способ позволит повысить качество работы нейронных сетей при мониторинге состояния посевов сельскохозяйственных культур. Проект учёных Белгородского госуниверситета направлен на решение актуальной проблемы классификации сельхозкультур. Сегодня в мире используют различные методы обработки данных разного формата для подготовки расчётов по продовольственному обеспечению государства и ведения статистики о площади культур, выращиваемых в конкретных регионах.

По словам доцента кафедры прикладной информатики и информационных технологий НИУ «БелГУ», кандидата технических наук Рустама Асадуллаева, для этих целей чаще всего применяют математические модели машинного обучения такие, как нейронные сети глубокого обучения. Что касается нужных для исследования данных, то приоритет отдается спутниковым снимкам, поскольку они содержат необходимую информацию и обновляются с временной периодичностью, достаточной для мониторинга вегетации растений.

Учёные института инженерных и цифровых технологий НИУ «БелГУ» предложили новый алгоритм подготовки мультиспектральных спутниковых данных к классификации, включающий два взаимосвязанных этапа, которые определяют качество и точность итогового результата. Сначала – загрузка и отбор спутниковых данных, затем – их предобработка и аугментация.

– Мы формализовали процедуру загрузки данных со спутника Copernicus Sentinel-2 со специализированного ресурса SentinelHub – этот сервис поддерживает запросы, в которых можно фильтровать облачность, выбирать загружаемые каналы и индексы вегетации, приводить скачиваемые данные к одному пространственному разрешению и, самое главное, задавать географические координаты шейп-файлов полей для выбора загружаемой области, – рассказал Рустам Геннадьевич.

После загрузки проходит предобработка и аугментация данных или генерирование новых данных на основе имеющихся, которые используются для обучения и повышения качества предсказаний математической модели при классификации объектов.

Разработчик алгоритма, учёный НИУ «БелГУ» Рустам Асадуллаев подчеркнул, что правильно составленная обучающая выборка – один из факторов успеха. Для этих целей исследователи разработали генератор, который создаёт аугментированные изображения, собирает их в пакеты и подает на обучение нейронной сети.

– Предложенный генератор поможет решить проблему нехватки оперативной памяти при полной загрузке набора данных на обучение, а также позволит перемешивать и аугментировать обучающие данные. В целом, новый алгоритм будет востребован в работе специалистов, занимающихся подготовкой спутниковых данных для последующей обработки с помощью математических моделей, – сообщил учёный.

Подробнее познакомиться с результатами исследования можно по ссылке: