Нейромережеві технології моніторингу та аналізу руйнівних пошкоджень аграрних ділянок
DOI:
https://doi.org/10.30837/bi.2025.2(103).04Ключові слова:
НЕЙРОМЕРЕЖЕВІ ТЕХНОЛОГІЇ, МОНІТОРИНГ ПОШКОДЖЕНЬ, АНАЛІЗ ЗОБРАЖЕНЬ, ЗГОРТКОВІ НЕЙРОННІ МЕРЕЖІ, ПРОГНОЗУВАННЯ ЧАСУ ВІДНОВЛЕННЯАнотація
Здійснено аналіз існуючих інтелектуальних технологій виявлення та класифікації руйнівних пошкоджень аграрних ділянок. Розроблено моделі класифікації аграрних ділянок за ступенем пошкоджень та сегментації зображень пошкоджених ділянок з використанням нейромережевої архітектури U-Net. Запропоновано прогнозну модель для визначення термінів відновлення пошкоджених ділянок з гібридним використанням архітектур TFT і LSTM та аналізу даних про стан ґрунтів і кліматичних факторів. Реалізовано інтеграцію розроблених моделей для створення інтелектуальної системи класифікації пошкоджень, сегментації уражених ділянок та прогнозування термінів рекультивації. Для реалізації системи були обрані: платформа WPF для створення зрозумілого та сучасного інтерфейсу, ONNX Runtime для ефективної роботи моделей штучного інтелекту, а також використання CSV-файлів для структурованого зберігання й обміну даними. Результати тестування підтверджують працездатність запропонованого підходу
Посилання
Armed Forces of Ukraine destroyed the Russian Grad multiple rocket launcher with a drone in the Donetsk region. Militarnyi. URL: https://militarnyi.com/en/news/armed-forces-of-ukraine-destroyed-the-russian-grad-multiple-rocket-launcher-with-a-drone-in-the-donetsk-region/ (дата звернення: 25.05.2025).
Екологічний моніторинг ландшафтних ділянок з використанням регуляризованих штучних нейронних мереж. / С. Удовенко та ін. Біоніка інтелекту. 2022. Т. 1 № 94. С. 13–22. URL: https://doi.org/10.30837/bi.2020.1(94).03 (дата звернення: 20.05.2025).
Drozd S., Kussul N., Shelestov A. Satellite-Based Analysis of Forest Damage in Ukraine’s Protected Areas. 13th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications. Gliwice, Poland. 4–6 September, 2025.
Schmidhuber J. Deep learning in neural networks: An overview. Neural Networks. 2015. Т. 61. С. 85–117. URL: https://doi.org/10.1016/j.neunet.2014.09.003 (дата звернення: 04.09.2025).
OneSoil | Free App for Precision Farming. OneSoil | Free Farming App for Precision Agriculture. URL: https://onesoil.ai/en (дата звернення: 04.09.2025).
Cropin | SaaS-based AgTech | Smart Farming App | Agriculture Technology. URL: https://www.cropin.com/ (дата звернення: 04.09.2025).
Проєкт протимінної діяльності в Україні. Проєкт протимінної діяльності в Україні. URL: https://www.undp.org/uk/ukraine/projects/proyekt-protyminnoyi-diyalnosti-v-ukrayini (дата звернення: 04.09.2025).
Методи комп'ютерного зору і глибинних нейронних мереж для еколого-економічного аналізу : монографія / Н. М. Куссуль та ін. Київ : Наук. думка, 2024. 474 с.
Temporal Fusion Transformers for interpretable multi-horizon time series forecasting / B. Lim та ін. International Journal of Forecasting. 2021. Т. 37, № 4. С. 1748–1764. URL: https://doi.org/10.1016/j.ijforecast.2021.03.012 (дата звернення: 04.09.2025).
Aramendia A. I. The U-Net : A Complete Guide. Medium. URL: https://medium.com/@alejandro.itoaramendia/decoding-the-u-net-a-complete-guide-810b1c6d56d8 (дата звернення: 26.05.2025).
Beck M., Pöppel K., Spanring M., Auer A., Prudnikova O., Kopp M., Klambauer G., Brandstetter J. «xLSTM: Extended Long Short-Term Memory». NeurIPS 2024 Spotlight, 2024. URL:
https://doi.org/10.48550/arXiv.2405.04517 (дата звернення: 04.09.2025).
Collect Earth Online Home. Collect Earth Online - Satellite Image Viewing & Interpretation Systemâ. URL: https://www.collect.earth/ (дата звернення: 25.05.2025).
Silvanovych K., Hrynova O. Leveraging ai for agricultural land monitoring and reclamation. Information Systems and Technology: Results and Prospects, Kyiv. 2025. P. 295–297. URL: https://ist.fit.knu.ua/_files/ugd/016074_36d0f427916c46abb6491a7572bb63ec.pdf (дата звернення: 01.06.2025).
Microsoft (2024). ML.NET and ONNX Runtime for .NET developers. URL: https://dotnet.microsoft.com/en-us/apps/ai/ml-dotnet (дата звернення: 05.09.2025).
PyTorch Forecasting Documentation – pytorch-forecasting documentation. PyTorch Forecasting Documentation – pytorch-forecasting documentation. URL: https://pytorch-forecasting.readthedocs.io/en/stable/ (дата звернення: 21.05.2025).
He K., Zhang X., Ren S., & Sun J. (2016). Deep Residual Learning for Image Recognition. CVPR 2016. URL: https://ieeexplore.ieee.org/document/7780459 (дата звернення: 05.09.2025).
Сільванович К. В., Гриньова О. Є. Моніторинг та відновлення сільськогосподарських земель засобами штучного інтелекту. Радіоелектроніка та молодь у XXI столітті, м. Харків. 2025. С. 51–53. URL: https://openarchive.nure.ua/entities/publication/6a9d7017-8bdb-4118-a8c8-8ed170ce91a8 (дата звернення: 01.06.2025).
Застосування генеративно-змагальних мереж для покращення якостi сегментацiї супутникових знiмкiв / О. В. Шкалiков та ін. XIX Всеукраїнська науково-практична конференція студентів, аспірантів та молодих вчених «Теоретичні і прикладні проблеми фізики, математики та інформатики», м. Київ. 2022. С. 375–378. URL: https://ela.kpi.ua/handle/123456789/52532 (дата звернення: 03.09.2025).
