Задача машинного анализа спутниковых снимков отличается от остальных задач распознавания изображений. Причиной этому служит сама специфика спутниковой фотографии, что делает данную область интересным объектом исследования. Цель работы: исследовать возможность применения технологий машинного обучения, а именно свёрточных нейронных сетей, к задаче классификации типа использования земельных участков в городской черте. Для достижения цели были выделены несколько задач: • Определить архитектуру нейронной сети • Получить данные для обучения свёрточной нейронной сети • Провести обучение и тестирование моделей Результаты работы: работа была поделена на несколько этапов: поиск и работу с данными, разработку архитектуры нейронной сети, обучение сети и анализ результатов. По итогу были собраны шесть датасетов для шести городов Европы и один общий датасет. Удалось достичь наибольшей точности классификации типа использования земли в 0,75, что является многообещающим результатом, демонстрирующим эффективность выбранного подхода к решению проблемы. Область применения: урбанистика, проектирование и развитие пригородных территорий.

The topic of final qualifying work: «The analysis of city satellite imagery using convolutional neural networks» The problem of satellite imagery analysis differs from other general image classification problems. The difference reason is satellite imagery nature itself, which makes stated area an interesting object for research. The aim of the work: to investigate the possibility of applying machine-learning technology, convolutional neural networks in particular, to the landuse classification of task of urban areas. Several issues were specified for achieving the work aim: • Specify the neural network architecture • Acquire the learning data for convolutional neural network • Conduct model learning and testing Work results: the work was divided into several stages: data search and processing, neural network architecture development, network learning and result analysis. As a result six datasets were con-structed for six European cities and one common dataset. The maximum classification accuracy 0.75 was achieved, which is a promising result, showing the effectivity of chosen approach to solving the problem. The scope of appliance: urban studies, urban and suburban areas design and development.