KazNU repository search
Faculties
Select a faculty to view its departments.
Now showing 1 - 5 of 16
ВЫСШАЯ ШКОЛА ЭКОНОМИКИ И БИЗНЕСА ИСТОРИЧЕСКИЙ ФАКУЛЬТЕТ МЕХАНИКО-МАТЕМАТИЧЕСКИЙ ФАКУЛЬТЕТ ФАКУЛЬТЕТ БИОЛОГИИ И БИОТЕХНОЛОГИИ ФАКУЛЬТЕТ ВОСТОКОВЕДЕНИЯ ФАКУЛЬТЕТ ГЕОГРАФИИ И ПРИРОДОПОЛЬЗОВАНИЯ ФАКУЛЬТЕТ ДОВУЗОВСКОГО ОБРАЗОВАНИЯ ФАКУЛЬТЕТ ЖУРНАЛИСТИКИ ФАКУЛЬТЕТ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ И ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ФАКУЛЬТЕТ МЕДИЦИНЫ И ЗДРАВООХРАНЕНИЯ ФАКУЛЬТЕТ МЕЖДУНАРОДНЫХ ОТНОШЕНИЙ ФАКУЛЬТЕТ ФИЛОСОФИИ И ПОЛИТОЛОГИИ ФАКУЛЬТЕТ ХИМИИ И ХИМИЧЕСКОЙ ТЕХНОЛОГИИ ФИЗИКО-ТЕХНИЧЕСКИЙ ФАКУЛЬТЕТ ФИЛОЛОГИЧЕСКИЙ ФАКУЛЬТЕТ ЮРИДИЧЕСКИЙ ФАКУЛЬТЕТ
Recent Submissions
Item
Классификация землепользования методом SVM в Google Earth Engine
(2026) Alipbeki O.A.; Rakhimov D.K.; Grossul P.P.
Методическая инструкция посвящена классификации землепользования и земельного покрова с применением метода опорных векторов (Support Vector Machine, SVM) на платформе Google Earth Engine. Рассматриваются подготовка сезонного композита Landsat 8, маскирование облаков, теней, снега и насыщенных пикселей, расчёт спектральных индексов NDVI и NDWI, создание эталонных полигонов пяти классов, формирование обучающей и контрольной выборок и извлечение спектральных признаков. Особое внимание уделено стандартизации входных данных по обучающей выборке и применению модели C-SVC с радиально-базисным ядром RBF. Рассматривается влияние параметров cost и gamma, многоклассовая классификация методом голосования, оценка точности по матрице ошибок, Overall Accuracy, Producer’s Accuracy, User’s Accuracy и Kappa, а также расчёт площадей классов и экспорт результатов в форматах GeoTIFF и CSV. Дополнительно предусмотрено использование данных ночной освещённости VIIRS как вспомогательного признака для распознавания застроенных территорий.
Item
Классификация землепользования методом Random Forest в Google Earth Engine
(2026) Alipbeki O.A.; Grossul P.P.; Rakhimov D.K.
Методическая инструкция посвящена классификации землепользования и земельного покрова с применением алгоритма Random Forest на платформе Google Earth Engine. Рассматриваются подготовка сезонного композита Landsat 8, маскирование облаков и насыщенных пикселей, расчёт спектральных индексов NDVI и NDWI, создание и подготовка эталонных полигонов пяти классов, разделение данных на обучающую и контрольную выборки, извлечение значений спектральных признаков и обучение модели Random Forest. Описаны основные параметры алгоритма, включая число деревьев, число признаков на узел, минимальный размер листа, долю выборки для каждого дерева и случайное зерно. Отдельное внимание уделено независимой оценке точности классификации с использованием матрицы ошибок, Overall Accuracy, Producer’s Accuracy, User’s Accuracy и Kappa, расчёту площадей классов и NoData, а также экспорту классифицированного растра и статистических таблиц. Дополнительно рассматривается использование ночных данных VIIRS для повышения информативности при распознавании застроенных территорий.
Item
Методическая инструкция Классификация землепользования на платформе Google Earth Engine (GEE) методом CART
(2026) Alipbeki O.A.; Grossul P.P.; Rakhimov D.K.
Методическая инструкция посвящена выполнению классификации землепользования и земельного покрова на платформе Google Earth Engine с применением алгоритма CART (Classification and Regression Trees). В работе пошагово рассмотрены загрузка и обработка спутниковых изображений Landsat 8, подключение данных ночной освещённости VIIRS и DMSP-OLS, расчёт спектральных индексов NDVI и NDWI, подготовка обучающих выборок и формирование классов земного покрова. Описана настройка классификатора CART, создание карты классификации, оценка точности с использованием матрицы ошибок, Producer’s Accuracy, User’s Accuracy и Overall Accuracy, а также экспорт полученного растрового результата в Google Drive. Инструкция содержит примеры программного кода JavaScript и иллюстрированный порядок работы в интерфейсе Google Earth Engine.
Item
Подробная инструкция по работе с архитектурой MLP для классификации LULC
(2026) Alipbeki O.A.; Grossul P.P.; Rakhimov D.K.
Методическая инструкция посвящена применению архитектуры Multi-Layer Perceptron (MLP) для классификации землепользования и земельного покрова (Land Use/Land Cover, LULC) на основе спутниковых данных. Многослойный перцептрон выполняет классификацию пикселей на основе многомерных векторов признаков, включающих спектральные характеристики, локальные контекстные статистики и производные индексы. В инструкции рассматриваются подготовка спутниковых данных в формате GeoTIFF, создание обучающей выборки, использование цифровой модели рельефа и данных ночного освещения, настройка программной среды Python/PyTorch, расширение и проверка обучающей выборки, настройка гиперпараметров и архитектуры MLP, обучение одиночной и ансамблевой моделей, классификация спутниковых изображений и оценка качества результатов. Особое внимание уделено улучшенной архитектуре MLP с residual-соединениями, attention-механизмами и контекстными признаками, а также анализу точности с использованием accuracy, confusion matrix, precision, recall и F1-score.
Item
Подробная инструкция по работе с архитектурой CNN для классификации LULC
(2026) Alipbeki O.A.; Grossul P.P.; Rakhimov D.K.
Методическая инструкция посвящена применению архитектуры Convolutional Neural Network (CNN) для классификации землепользования и земельного покрова (Land Use/Land Cover, LULC) на основе спутниковых данных. В отличие от пиксельно-ориентированных методов, CNN выполняет классификацию на основе локальных многоканальных патчей изображения, что позволяет учитывать спектральные характеристики, текстуру, пространственный контекст и границы объектов. В инструкции рассмотрены подготовка спутниковых данных в формате GeoTIFF, формирование обучающей выборки, использование цифровой модели рельефа и данных ночного освещения, настройка программной среды Python и PyTorch, расширение и проверка обучающей выборки, настройка параметров CNN, обучение модели и классификация полного спутникового изображения. Отдельное внимание уделено использованию attention-механизмов, ансамблей моделей, оценке точности по confusion matrix, precision, recall и F1-score, а также визуальной проверке результатов в QGIS.