Методологія Ідентифікації Шламонакопичувачів З Використанням Методів Машинного Навчання На Геопросторових Зображеннях

Abstract

В останні роки спостерігається зростання випадків деформації промислових шламонакопичувачів, результатом якої у багатьох випадках є руйнівний вплив на навколишнє середовище та екосистему. Моніторинг шламонакопичувачів має вирішальне значення для запобігання руйнівним наслідкам деформації. Традиційні методи моніторингу вимагають великих ресурсів та також малоефективні для раннього виявлення потенційної деформації. Віддалений моніторинг на основі геопросторових зображень є перспективним напрямком для моніторингу шламонакопичувачів з метою раннього виявлення потенційної деформації. В роботі представлено формалізацію етапів та визначення методології моніторингу шламонакопичувачів на основі геопросторових зображень з використанням методів машинного навчання: визначено засоби моніторингу, формалізовано етапи, розроблено технічну блок-схему процесу. Визначена методологія включає наступні етапи: (1) формування вибірки та передобробка зображень, (2) класифікація з використанням алгоритмів машинного навчання, (3) валідація результатів класифікації та визначення моделі з найвищою точністю. Методологіязаснована на використанні Google Earth Engine (GЕЕ). Засоби платформи включають інтерактивний сервер додатків, що працює з відкритим каталогом даних, обчислювальне інтегроване середовище розробки, геопросторовий API (клієнтські бібліотеки надають оболонки Python і JavaScript для веб-API в архітектурі REST. Практичну реалізацію та оцінку якості запропонованої методології проведено на основі даних зображень шламонакопичувача содового виробництва ВАТ «Лисичанська сода». Проведено попередню обробку зображень: 1) відбір зображень без хмар, для покращення результатів подальшого аналізу, 2) об’єднання шарів зображень ДДЗ, 3) анотація об’єктів, 4) розділення даних на тестовий та тренувальний набори даних пікселів. Класифікацію реалізовано з використанням алгоритмів CART, RF та SVM Ефективність моделей визначено на основі точності ідентифікації. Найвища точність на тестових даних досягнута з використанням SVM, що становила 98,05%.