Застосування штучного інтелекту для детекції вирв на територіях, пошкоджених військовими діями
DOI:
https://doi.org/10.17721/1728-2713.113.14Ключові слова:
штучний інтелект, супутниковий моніторинг, детекції контурів вирв, комп'ютерний зір, оптимізація гіперпараметрів, рекультивація земельАнотація
Вступ. Значні пошкодження земельних ресурсів унаслідок військових дій зумовили необхідність впровадження сучасних підходів до оцінювання їх деградації та визначення потреб у відповідній рекультивації. У межах проведеного дослідження запропоновано методи застосування технологій штучного інтелекту (ШІ) для оперативного моніторингу пошкоджених територій і розрахунку обсягів ресурсів, необхідних для їх відновлення.
Методи. Опрацювання супутникових та аерофотознімків здійснено з використанням алгоритмів комп'ютерного зору, зокрема згорткових нейронних мереж YOLOv5 і Faster R-CNN, а також методів контурної детекції та перетворення Гафа. Для підвищення ефективності обробки даних було застосовано хмарну інфраструктуру Amazon Web Services (AWS), а також реалізовано оптимізацію гіперпараметрів за допомогою бібліотеки Optuna.
Результати. Результатами дослідження підтверджено ефективність запропонованого підходу. Використання моделей, адаптованих з проекту PyCDA (первинно призначеного для детекції планетарних кратерів), дало змогу з високою точністю ідентифікувати вирви, спричинені вибухами. Розроблено алгоритми евристичної детекції контурів, що підвищують точність аналізу, а також реалізовано методики оцінювання обсягів рекультивації на основі геометричних моделей і супутникових спостережень. Оптимізовані алгоритмічні параметри забезпечили підвищення продуктивності автоматизованої системи обробки даних.
Висновки. Практичну значущість дослідження підтверджено створенням комплексного інструментарію для оцінювання стану деградованих земель і формування стратегій їх відновлення. Запропоновані рішення рекомендовано до використання в роботі державних установ, екологічних служб та наукових організацій, що здійснюють ліквідацію наслідків деградації земельних ресурсів і планування заходів рекультивації.
Посилання
Akiba, T., Sano, S., Yanase, T., Ohta, T., & Koyama, M. (2019). Optuna: A next-generation hyperparameter optimization framework. Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, 2623–2631. https://doi.org/10.1145/3292500.3330701
Ballard, D. H. (1981). Generalizing the Hough transform to detect arbitrary shapes. Pattern Recognition, 13(2), 111–122. https://doi.org/10.1016/0031-3203(81)90009-1
Benedix, G. K., Norman, C. J., Bland, P. A., Towner, M. C., Paxman, J., & Tan, T. (2018). Automated detection of Martian craters using a convolutional neural network. 49th Lunar and Planetary Science Conference. https://www.hou.usra.edu/meetings/lpsc2018/pdf/2202.pdf
Canny, J. (1986). A computational approach to edge detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 8(6), 679–698. https://doi.org/10.1109/TPAMI.1986.4767851
Duda, R. O., & Hart, P. E. (1972). Use of the Hough transformation to detect lines and curves in pictures. Communications of the ACM, 15(1), 11–15. https://doi.org/10.1145/361237.361242
Fedyshyn, T. I. (2024). Metrological support of the cyber-physical system for soil monitoring [Doctoral dissertation, Lviv Polytechnic National University] [in Ukrainian]. https://lpnu.ua/sites/default/files/2024/radaphd/27655/disertaciyafedishintetyaniigorivni.pdf
Ghorbanzadeh, O., Meena, S. R., Blaschke, T., & Aryal, J. (2019). UAV-based slope failure detection using deep-learning convolutional neural networks. Remote Sensing, 11(17), 2046. https://doi.org/10.3390/rs11172046
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
Institute for Soil Protection of Ukraine. (2024). Report on scientific activity for 2024. ISPU [in Ukrainian]. https://www.iogu.gov.ua/link/press_center/magazines/magazine_2024.html
Jocher, G., Chaurasia, A., & Qiu, J. (2023). Ultralytics YOLOv8. GitHub. https://github.com/ultralytics/ultralytics
Jocher, G., et al. (2020). YOLOv5 Repository Documentation. GitHub. https://github.com/ultralytics/yolov5
Kussul, N., Drozd, S., Yailymova, H., Shelestov, A., Lemoine, G., & Deininger, K. (2023). Assessing damage to agricultural fields from military actions in Ukraine: An integrated approach using statistical indicators and machine learning. Remote Sensing Applications: Society and Environment, 31, 100976. https://doi.org/10.1016/j.rsase.2023.100976
Kussul, N., Shelestov, A., Yailymov, B., Yailymova, H., Lemoine, G., & Deininger, K. (2025). Assessment of war-induced agricultural land use changes in Ukraine using machine learning applied to Sentinel satellite data. International Journal of Applied Earth Observation and Geoinformation, 140, 104551. https://doi.org/10.1016/j.jag.2025.104551
Lysenko, V., Bolbot, I., Martynenko, O., Lendel, T., & Nakonechna, K. (2022). Software of a mobile robot for phytomonitoring. Machinery and Energetics, 13(1), 5–10. https://doi.org/10.31548/machenergy2022.01.005
Lysenko, V., Bolbot, I., Romasevych, Y., Loveykin, V., & Voytiuk, V. (2018). Algorithms of robotic electrotechnical complex control in agricultural production. Control Systems: Theory and Applications, 271–289.
Modern trends in the development of geodesy, land management and environmental management (2024). Proceedings of the International Scientific-Practical Conference (June 13–14, 2024). Odesa: ONAFT. https://osau.edu.ua/wp-content/uploads/2024/10/Zbirnyk-tez-konf-13-14.06.2024.pdf [in Ukrainian].
Modern trends in the development of geodesy, land management and environmental management (2024). Materials of the International Scientific-Practical Conference (June 13–14, 2024). Odesa: ONAFT. https://osau.edu.ua/wp-content/uploads/2024/10/Zbirnyk-tez-konf-13-14.06.2024.pdf
Mueller, H., Gonzalez, L., & Abou-Chakra, K. (2021). Detecting war damage using deep learning and spatio-temporal satellite image analysis. Computers, Environment and Urban Systems, 90, 101709. https://doi.org/10.1016/j.compenvurbsys.2021.101709
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 779–788. https://doi.org/10.1109/CVPR.2016.91
Shapiro, L. G., & Stockman, G. C. (2001). Computer vision. Prentice Hall.
Shelestov, A., Drozd, S., Mikava, P., Barabash, I., & Yailymova, H. (2023). War damage detection based on satellite data. Proceedings of the 11th International Conference on Applied Innovations in IT (ICAIIT 2023), 89–95. https://doi.org/10.25673/101923
Shen, L., et al. (2021). Efficient hyperparameter optimization techniques in machine learning. Neural Computing and Applications, 33(12), 7381–7396. https://doi.org/10.1007/s00521-020-05501-z
Silburt, A., Ali-Dib, M., Zhu, C., Jackson, A., Valencia, D., Kissin, Y., & Wu, K. (2019). Lunar crater identification via deep learning. Icarus, 317, 27–38. https://doi.org/10.1016/j.icarus.2018.06.022
Sticher, V., Wegner, J. D., & Pfeifle, B. (2023). Toward the remote monitoring of armed conflicts. PNAS Nexus, 2(6), pgad181. https://doi.org/10.1093/pnasnexus/pgad181
Szeliski, R. (2022). Computer vision: Algorithms and applications (2nd ed.). Springer. https://doi.org/10.1007/978-3-030-34372-9
Tiede, D., Krafft, P., Füreder, P., & Lang, S. (2016). Stratified template matching to support refugee camp analysis in OBIA workflows. Remote Sensing, 9(4), 326. https://doi.org/10.3390/rs9040326
Tonkha, O., Bolbot, I., Kravchenko, V., Rudenskyi, R., Saiapin, S., & Tsyhanov, O. (2025). Technologies of reclamation of damaged lands using AI and robotic devices: Scientific and methodological recommendations. National University of Life and Environmental Sciences of Ukraine.
Van Etten, A., Lindenbaum, D., & Bacastow, T. M. (2018). SpaceNet: A remote sensing dataset and challenge series. arXiv. https://doi.org/10.48550/arXiv.1807.01232
Wang, C. Y., et al. (2020). YOLOv5: Improved object detection architecture. arXiv. https://doi.org/10.48550/arXiv.2004.10934
Weir, D., & McQuillan, D. (2019). Mapping military impacts on the environment: A GIS-based approach to conflict pollution. Journal of Political Ecology, 26(1), 697–718. https://doi.org/10.2458/v26i1.23169
Wu, J., Gan, W., Chao, H. C., & Yu, P. S. (2024). Geospatial big data: Survey and challenges. arXiv. https://doi.org/10.48550/arXiv.2404.18428
Yailymova, H., Kussul, N., Shelestov, A., & Yailymov, B. (2025). Impact assessment of Kakhovka Dam destruction on agricultural land in Ukraine. Science of Remote Sensing, 12, 100257. https://doi.org/10.1016/j.srs.2025.100257
Yao, J., et al. (2018). Adaptive Hough transform for circle detection. IEEE Transactions on Image Processing, 27(6), 2720–2733. https://doi.org/10.1109/TIP.2018.2806231
Zhang, L., et al. (2016). Robust circle detection via parameter optimization. Pattern Recognition, 54, 35–48. https://doi.org/10.1016/j.patcog.2016.01.008
Ziou, D., & Tabbone, S. (1998). Edge detection techniques: A review. International Journal of Pattern Recognition and Image Analysis, 8(4), 537–559.
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Олена Глазунова, Ігор Болбот, Роман Руденський, Володимир Кравченко, Олексій Циганов, Оксана Тонха
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
Ознайомтеся з політикою за посиланням: https://geology.bulletin.knu.ua/licensing
