07.Другие
Permanent URI for this collection
Browse
Recent Submissions
- 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.
- 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.
- 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 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.
- 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.