TY - JOUR

T1 - ПРИМЕНЕНИЕ МАШИННОГО ОБУЧЕНИЯ МЕТОДОМ СЛУЧАЙНОГО ЛЕСА И СИСТЕМ УПРАВЛЕНИЯ БОЛЬШИМИ ПРОСТРАНСТВЕННЫМИ ДАННЫМИ ДЛЯ ВОССТАНОВЛЕНИЯ РЯДОВ ДАННЫХ ВЕГЕТАЦИОННЫХ ИНДЕКСОВ

AU - Воробьева, Анна Андреевна

PY - 2024/11/20

Y1 - 2024/11/20

N2 - В данной статье рассмотрены содержание и результаты работы, посвященной разработке модели машинного обучения, позволяющей осуществить восстановление неполных данных с применением технологий облачных вычислений. Задача рассмотрена на примере исследования, посвященного моделированию данных для восполнения отсутствующих значений вегетационных индексов, основываясь на открытых каталогах данныхплатформ облачных вычислений. Предложенная методика основана на использовании многолетней периодичной выборки значений вегетационных индексов и обучения модели на больших объемах данных для повышения качества восстановления рядов. Указанный в работе подход позволяет добиться более высокой точности, нежели использование привосстановлении данных классических способов интерполяции, что делает моделируемые значения пригодными для использования при решении различных практических задач. Предложенная в работе методика реализована на примере восстановления значений нормализованного разностного вегетационного индекса, используемого для мониторинга иоценки состояния растительного покрова. В качестве исходных данных использовались массивы значений, полученные из каталогов облачной среды Google Earth Engine, предназначенной для обработки и анализа данных дистанционного зондирования Земли, по территории центральной части Новгородской области. Также, для ускорения процесса обучениямодели и увеличения эффективности и производительности, использовались возможности платформы Google Colaboratory, что позволило не применять в исследовании локальные вычислительные мощности и специализированное программное обеспечение. Этот подход может быть адаптирован для восстановления других индексов или разрешения неполноты данных в различных предметных областях, что подчеркивает его универсальность и потенциальное практическое применение

AB - В данной статье рассмотрены содержание и результаты работы, посвященной разработке модели машинного обучения, позволяющей осуществить восстановление неполных данных с применением технологий облачных вычислений. Задача рассмотрена на примере исследования, посвященного моделированию данных для восполнения отсутствующих значений вегетационных индексов, основываясь на открытых каталогах данныхплатформ облачных вычислений. Предложенная методика основана на использовании многолетней периодичной выборки значений вегетационных индексов и обучения модели на больших объемах данных для повышения качества восстановления рядов. Указанный в работе подход позволяет добиться более высокой точности, нежели использование привосстановлении данных классических способов интерполяции, что делает моделируемые значения пригодными для использования при решении различных практических задач. Предложенная в работе методика реализована на примере восстановления значений нормализованного разностного вегетационного индекса, используемого для мониторинга иоценки состояния растительного покрова. В качестве исходных данных использовались массивы значений, полученные из каталогов облачной среды Google Earth Engine, предназначенной для обработки и анализа данных дистанционного зондирования Земли, по территории центральной части Новгородской области. Также, для ускорения процесса обучениямодели и увеличения эффективности и производительности, использовались возможности платформы Google Colaboratory, что позволило не применять в исследовании локальные вычислительные мощности и специализированное программное обеспечение. Этот подход может быть адаптирован для восстановления других индексов или разрешения неполноты данных в различных предметных областях, что подчеркивает его универсальность и потенциальное практическое применение

KW - Google Earth Engine

KW - NDVI

KW - Python

KW - regression

UR - https://www.mendeley.com/catalogue/89428434-a6be-319c-9df3-d48006c025a1/

UR - https://www.mendeley.com/catalogue/89428434-a6be-319c-9df3-d48006c025a1/

U2 - 10.35595/2414-9179-2024-1-30-295-305

DO - 10.35595/2414-9179-2024-1-30-295-305

M3 - статья

VL - 30

SP - 295

EP - 305

JO - ИНТЕРКАРТО/ИНТЕРГИС

JF - ИНТЕРКАРТО/ИНТЕРГИС

SN - 2414-9179

IS - часть 1

ER -