Кафедра картографии и геоинформатики
Permanent URI for this community
Browse
Browsing Кафедра картографии и геоинформатики by Title
Now showing 1 - 10 of 10
Results Per Page
Sort Options
- ItemКлассификация 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.
- ItemКлассификация 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.
- ItemМетодическая 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.
- ItemПодробная инструкция по работе с архитектурой ANN для классификации LULC(2026) Alipbeki O.A.; Grossul P.P.; Rakhimov D.K.Методическая инструкция посвящена применению архитектуры искусственной нейронной сети (Artificial Neural Network, ANN) для классификации землепользования и земельного покрова (Land Use/Land Cover, LULC) на основе спутниковых данных. Рассматриваются этапы подготовки многоканальных спутниковых изображений и обучающей выборки, подключение дополнительных данных цифровой модели рельефа и ночного освещения, установка и настройка программной среды Python, формирование и расширение обучающей выборки, проверка исходных данных, настройка гиперпараметров нейронной сети, обучение модели и классификация спутникового изображения. Особое внимание уделено использованию спектральных и контекстных признаков, индексов NDVI, EVI, NDWI, SAVI и MNDWI, а также оценке результатов с использованием матрицы ошибок, precision, recall и F1-score. Инструкция содержит пошаговые рекомендации по запуску программных скриптов, настройке конфигурации модели, визуализации результатов в QGIS и повышению точности классификации.
- ItemПодробная инструкция по работе с архитектурой ANN для классификации LULC(2026) Alipbeki O.A.; Grossul P.P.; Rakhimov D.K.Методическая инструкция посвящена применению архитектуры искусственной нейронной сети (Artificial Neural Network, ANN) для классификации землепользования и земельного покрова (Land Use/Land Cover, LULC) на основе спутниковых данных. Рассматриваются этапы подготовки многоканальных спутниковых изображений и обучающей выборки, подключение дополнительных данных цифровой модели рельефа и ночного освещения, установка и настройка программной среды Python, формирование и расширение обучающей выборки, проверка исходных данных, настройка гиперпараметров нейронной сети, обучение модели и классификация спутникового изображения. Особое внимание уделено использованию спектральных и контекстных признаков, индексов NDVI, EVI, NDWI, SAVI и MNDWI, а также оценке результатов с использованием матрицы ошибок, precision, recall и F1-score. Инструкция содержит пошаговые рекомендации по запуску программных скриптов, настройке конфигурации модели, визуализации результатов в QGIS и повышению точности классификации.
- ItemПодробная 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.
- ItemПодробная 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.
- ItemРекомендации по интегральной оценке развития АПК на основе пространственно-временных, социально-экономических и экологических данных(ESKoPrint, 2026) Alipbeki O.A.; Grossul P.P.;; Alipbekova Ch.A.; Rakhimov D.K.; Aliyev M.M.; Kenzhebek D.; Augambayev K.K.Рекомендации посвящены разработке и внедрению методических подходов к интегральной оценке развития агропромышленного комплекса на основе пространственно-временных, социально-экономических и экологических данных. В качестве примера рассматриваются данные 84 сельских округов Осакаровского, Бухар-Жырауского, Абайского и Каркаралинского районов Карагандинской области. Предлагаемый подход направлен на преодоление ограничений традиционных показателей эффективности и переход к многомерному анализу развития АПК. Рассматривается применение больших данных, геоинформационных технологий, алгоритмов машинного и глубокого обучения для прогнозирования, выявления скрытых закономерностей и повышения качества аналитического сопровождения аграрной деятельности. Практическая значимость рекомендаций связана с подготовкой оперативных отчётов, корректировкой программ субсидирования, оценкой рисков и повышением прозрачности управленческих решений.
- ItemРекомендации по классификации землепользования и земельного покрова (Land Use and Land Cover)(ESKoPrint, 2026) Alipbeki O.A.; Rakhimov D.K.; Grossul P.P.; Alipbekova Ch.A.; Kenzhebek D.; Augambayev K.; Aliyev M.M.Настоящие рекомендации посвящены классификации землепользования и земельного покрова (Land Use and Land Cover — LULC) на основе пространственных данных с применением геоинформационных технологий, методов дистанционного зондирования Земли, машинного и глубокого обучения. В издании рассмотрены этапы проектирования методики классификации, подготовки и отбора исходных спутниковых данных, применения алгоритмов анализа и моделирования, оценки точности результатов, а также приведены необходимые скрипты и практические инструкции. Рекомендации предназначены для специалистов в области сельского хозяйства, управления земельными, лесными и водными ресурсами, экологии и смежных направлений и могут использоваться для повышения эффективности мониторинга, контроля, планирования и устойчивого развития агропромышленного комплекса и сельских территорий.
- ItemРекомендации по разработке аграрной инфраструктуры пространственных данных в формате Веб-ГИС по технологии ВЕБ 2.0.(Издательский дом «Қазақ университеті», 2025) Alipbeki O.A.; Toishybekov O.K.; Alipbekova Ch.A.; Musaif G.; Grossul P.P.; Rakhimov D.K.; Augambayev K.; Bekaliyeva M.В рекомендации представлены предложения по разработке аграрной инфраструктуры пространственных данных в формате Веб-геоинформационной системы с использованием технологий Веб 2.0. Они охватывают проектирования системы, отбора данных, технологий анализа и прогнозирования. На основе рекомендаций специалисты аграрной отрасли экономики смогут интегрировать современные геоинформационные системы и пространственные данные в свои рабочие процессы для повышения эффективности управления агропромышленным комплексом и сельскими территориями. Рекомендации разработаны по результатам исследований по научно-технической программе «Формирование аграрной инфраструктуры пространственных данных Республики Казахстан по технологиям и принципам 2.0», ИРН: BR 22886730 по линии программно-целевого финансирования Министерства сельского хозяйства Республики Казахстан.