Okhrimchuk, RomanRomanOkhrimchuk0009-0003-9472-6530Demidov, VsevolodVsevolodDemidovSliusar, KaterynaKaterynaSliusar2025-05-302025-05-302024-12-20Okhrimchuk, 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.UDC 528.8; 004.93210.17721/1728-2713.107.15https://ir.library.knu.ua/handle/15071834/6600Background. Coastline changes can have a significant impact on coastal landscape, ecosystems and communities. Therefore, monitoring of such a highly dynamic system as sea-land is an urgent task that can be solved both by traditional methods and by using depth learning techniques to improve the efficiency of processing such as class of tasks. The object of the authors' research is the coastline along the coast of the western part of the Crimean Peninsula, the study of which by traditional methods has become impossible due to the temporary occupation of the Crimean Peninsula since 2014. The paper considers the main coastal indicators and methods of coastline digitization. The main types of satellite images as well as their combinations are compared for effective utilization of the shoreline mapping task. Many methods are used to recognize and extract shorelines in satellite images, which are generally divided into three groups: indexing, edge detection and classification methods. Methods. Authors compared the main depth learning models that can be used to efficiently recognize the coastline and its boundaries in satellite images, which include ISODATA (Iterative Self-Organizing Data Analysis Technique), Maximum Likelihood Estimation (MLE), Random Forest (RF), K-Nearest Neighbors (KNN), Support Vector Machine (SVM), U-Net, and Segment Anything Model (SAM). Results. The outlines of the Crimean Peninsula coastline were obtained on the basis of PlanetScope images using ISODATA, MLE, RF, KNN, SVM, U-Net, SAM methods. The obtained images and their performance were compared. The study included the development of a Python code to automatically generate reports including information on five evaluation metrics, such as accuracy (98.96), recall (99.45), precision (97.27), F1-score (98.34), and IoU (96.74), which facilitated the evaluation of different approaches and methods. Conclusions. The comparative analysis highlights the advantage of the U-Net model for shoreline extraction from remotely sensed images. U-Net consistently provides the most accurate and detailed segmentation in different scenarios, demonstrating robustness and accuracy.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.ukCoastlineDeep Learning MethodsConvolutional Neural NetworkU-Net modelCrimean Peninsulaберегова лініяметоди глибинного навчаннязгорткова нейронна мережамодель U-NetКримський півострівСтаття