By this author

Международное сотрудничество в исследовании и использовании космического пространства в мирных целях (к 55-летию программы “Интеркосмос”)

Issue number 2 from 15.09.2025

2 0

Use of Deep Learning and Cloud Services for Mapping Agricultural Fields on the Example on the Base of Remote Sensing Data of the Earth

Issue number 6 from 15.09.2025

В научных учреждениях Министерства сельского хозяйства РФ и РАН в течение последних лет проводятся исследования по внедрению в практику новых технологий использования аэрокосмической информации в АПК. В статье, на примере Ставропольского края, рассматривается возможность применения облачных сервисов таких как google earth engine (GEE) и системы по машинному обучению Kaggle для картирования сельскохозяйственных (с/х) полей методами глубокого обучения на основе данных дистанционного зондирования Земли (ДЗЗ). В качестве данных для подбора обучающей и валидационной выборки использовались медианальные изображения космической системы Sentinel 2 за вегетационный сезон 2022 г. Общий объем подготовленной учебной и тренировочной выборок составил 3998 изображений. Одной из проблем для исследователей и производителей в области с/х является отсутствие централизованных и верифицированных источников геопространственных данных. Методы глубокого обучения способны решить эту проблему, автоматизируя задачу оцифровки геометрий с/х полей на основании данных ДЗЗ. Одним из ограничений в широком использовании глубокого обучения является его высокая потребность к вычислительным ресурсам, которые пока не всегда доступны исследователю или производителю в области с/х. В работе описан процесс подготовки необходимых данных для работы с нейросетью, включающий коррекцию и получение космических снимков при помощи платформы Google earth engine, их дальнейшую стандартизацию для обучения нейронной сети в сервисе Kaggle, и ее дальнейшее использование локально. В рамках исследования применялась нейросеть архитектуры U-net. Итоговое качество классификации составило 97%. Порог разделения на классы по результатам классификации установлен эмпирически и составил 0.62. Предложенный подход позволил в значительной степени снизить требования к локальному использованию вычислительной мощности ПК. Все наиболее ресурсоемкие процессы, связанные с обработкой космических снимков, были выполнены в системе GEE, а процесс обучения перенесен на ресурсы системы Kaggle. Предложенное совмещение облачных сервисов и методов глубокого обучение может способствовать более широкому распространению применения современных технологий в с/х производстве и научных исследованиях.

1 0

First Russian Scientific Experiments on the Natural Environment Study Using Unmanned Aerial Vehicles

Issue number 1 from 15.09.2025

Информация, получаемая со спутников ДЗЗ в течение многих лет, успешно используется в различных хозяйственных отраслях Российской Федерации. Однако бывают случаи, когда невозможно оперативно получить спутниковые данные наблюдений за состоянием природно-техногенной среды различных районов страны (наличие облачного покрова Земли, непрохождение орбит космических аппаратов в заданном районе в указанное время съемки, различное пространственное разрешение аппаратуры и др.). В этом случае у заказчиков космической съемки возникает необходимость получения подспутниковой информационной продукции в том виде, с которым имеют дело конкретные пользователи (например, состояние и объем биомассы лесных, сельскохозяйственных, экологических экосистем и др. в момент съемки). Поэтому для подспутниковых оперативных наблюдений потребовалось создание системы локального мониторинга на базе малой авиации: беспилотных летательных аппаратов с минимальным набором различной бортовой аппаратуры (черно-белых и цветных панорамных фотокамер, ИК-радиометров, радаров, лазеров и др.) в зависимости от поставленной задачи.

2 0