Подробная инструкция по работе с архитектурой MLP для классификации LULC
| dc.contributor.author | Alipbeki O.A. | |
| dc.contributor.author | Grossul P.P. | |
| dc.contributor.author | Rakhimov D.K. | |
| dc.date.accessioned | 2026-10-04T11:06:54Z | |
| dc.date.available | 2026-10-04T11:06:54Z | |
| dc.date.issued | 2026 | |
| dc.description | Пошаговая методическая инструкция по подготовке данных, настройке, обучению и применению многослойного перцептрона MLP для классификации LULC. Методика предусматривает использование многоканальных спутниковых изображений GeoTIFF, точечной обучающей выборки в формате CSV, спектральных и контекстных признаков, вегетационных и водных индексов, цифровой модели рельефа и данных ночного освещения. Рассматриваются установка Python/PyTorch, расширение и проверка обучающей выборки, настройка параметров сети, использование residual-соединений и attention-механизмов, обучение одиночной и ансамблевой MLP-моделей, создание классифицированного GeoTIFF, визуализация результатов в QGIS и оценка точности классификации. | |
| dc.description.abstract | 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. | |
| dc.description.sponsorship | Министерство сельского хозяйства Республики Казахстан. Научно-техническая программа BR22886730 «Формирование аграрной инфраструктуры пространственных данных Республики Казахстан по технологиям и принципам 2.0». | |
| dc.identifier.citation | Alipbeki O.A., Grossul P.P., Rakhimov D.K. Подробная инструкция по работе с архитектурой MLP для классификации LULC. Алматы: Al-Farabi Kazakh National University, 2026. 20 с. | |
| dc.identifier.uri | https://repository.kaznu.kz/handle/123456789/657 | |
| dc.language.iso | other | |
| dc.title | Подробная инструкция по работе с архитектурой MLP для классификации LULC | |
| dc.type | Learning Object |