Моделі глибинного навчання для сегментації море-cуша на основі даних дистанційного зондування землі

Okhrimchuk, R., Demidov, V., & Sliusar, K. (2025). Sea-Land Segmentation Models in Deep Learning from Remote Sensing Data. Visnyk of Taras Shevchenko National University of Kyiv. Geology, 4(107), 122-130.

Вступ. Зміни берегової лінії можуть значно впливати на прибережний ландшафт, екосистеми та спільноти. Тому моніторинг такої високодинамічної системи, як море-суша, є актуальним завданням, яке можна вирішувати як традиційними методами, так і з використанням методів глибинного навчання для підвищення ефективності обробки такого класу завдань. Об'єктом дослідження є берегова лінія вздовж узбережжя західної частини Кримського півострова, вивчення якої традиційними методами стало неможливим через тимчасову окупацію Кримського півострова з 2014 року. У роботі розглянуто основні прибережні індикатори та методи переведення берегової лінії у цифровий формат. Проведено порівняння основних типів супутникових зображень, а також їх комбінацій для ефективного використання завдання картографування берегової лінії. Для розпізнавання та виділення берегових ліній на супутникових знімках використовується безліч методів, які в цілому поділяються на три групи: методи індексування, виявлення країв та класифікації.

Методи. Автори порівнювали основні моделі глибинного навчання, які можна використовувати для ефективного розпізнавання берегової лінії та її кордонів на супутникових знімках, серед яких – ISODATA (Iterative Self-Organizing Data Analysis Technique), Maximum Likelihood Estimation (MLE), Random Forest (RF), K – Nearest Neighbors (KNN), Support Vector Machine (SVM), U-Net, і Segment Anything Model (SAM).

Результати. На основі знімків PlanetScope було отримано контури берегової лінії Кримського півострова методами ISODATA, MLE, RF, KNN, SVM, U-Net, SAM. Проведено порівняння отриманих зображень та ефективності їх роботи. Дослідження включало розробку коду Python для автоматичного створення звітів, що містять інформацію про п'ять оцінювальних метрик, таких як точність (98,96), повнота (99,45), влучність (97,27), коефіцієнт Дайса (98,34) та індекс Жаккара (96.74), що полегшило оцінку різних підходів і методів.

Висновки. Порівняльний аналіз наголошує на перевазі моделі U-Net для виділення берегової лінії на знімках дистанційного зондування. U-Net постійно забезпечує найбільш точну та детальну сегментацію у різних сценаріях, демонструючи стійкість та точність.