Details

Данная работа посвящена разработке инструмента распознавания облаков и тумана на спутниковых снимках. Задачи, которые решались в ходе исследования: 1. Анализ существующих методов сегментации. 2. Подготовка и предобработка спутниковых данных. 3. Разработка и усовершенствование архитектуры модели. 4. Обучение и оптимизация модели. 5. Тестирование и оценка результатов. В работе проведён обзор актуальных подходов к сегментации облаков и организована подготовка спутниковых снимков для обучения нейросетевой модели. Разработанная архитектура была обучена с оптимизацией гиперпараметров и контролем ключевых метрик, что позволило обеспечить стабильное выделение объектов на тестовых данных. Полученные результаты подтвердили преимущество предложенного решения над базовыми методами и его готовность к интеграции в системы мониторинга земной поверхности.

The given work is devoted to the development of a tool for recognizing clouds and fog in satellite images. The tasks addressed in the course of the research were: 1. Analysis of existing segmentation methods. 2. Preparation and preprocessing of satellite data. 3. Development and refinement of the model architecture. 4. Training and optimization of the model. 5. Testing and evaluation of results. In this work, we reviewed current approaches to cloud segmentation and set up a pipeline for preparing satellite imagery to train the neural network model. The proposed architecture was trained with hyperparameter tuning and monitoring of key metrics, ensuring stable object delineation on test data. The results confirmed the superiority of our solution over baseline methods and its readiness for integration into land‐surface monitoring systems.

• ПЕРЕЧЕНЬ УСЛОВНЫХ ОБОЗНАЧЕНИЙ И ТЕРМИНОВ
• ВВЕДЕНИЕ
• ГЛАВА 1. ИССЛЕДОВАНИЕ ПРЕДМЕТНОЙ ОБЛАСТИ И СУЩЕСТВУЮЩИХ АНАЛОГОВ
• ГЛАВА 2. ДАННЫЕ И МЕТОДОЛОГИЯ
• 2.1. Спутниковые снимки и их разметка
• 2.2. Характеристика спутника
• 2.3. Анализ содержимого датасета
• ГЛАВА 3. АНАЛИЗ ИСХОДНОГО МОДУЛЯ
• 3.1. Изучение исходного программного модуля
• 3.2. Первичное испытание программного модуля
• 3.3. Анализ результатов
• ГЛАВА 4. ФОРМИРОВАНИЕ ОБУЧАЮЩЕЙ ВЫБОРКИ
• 4.1. Поиск внешних ресурсов
• 4.2. Отбор субсцен
• 4.3. Организация и конвертация данных
• 4.4. Ручная разметка
• 4.5. Итоговая выборка
• ГЛАВА 5. УСОВЕРШЕНСТВОВАНИЕ ПРОГРАММНОГО МОДУЛЯ
• 5.1. Выбор технологического стека
• 5.2. Исходная архитектура ResUnetPlusPlus
• 5.3. Расширенные аугментации
• 5.4. Комбинированная функция потерь
• 5.5. Оптимизация архитектуры
• 5.6. LR-scheduler
• 5.7. Код программного модуля
• ГЛАВА 6. ОБУЧЕНИЕ МОДИФИЦИРОВАННОГО МОДУЛЯ
• 6.1. Подготовка окружения и данных
• 6.2. Организация тренировочного цикла
• 6.3. Результаты обучения
• ГЛАВА 7. ИСПЫТАНИЕ МОДУЛЯ И АНАЛИЗ РЕЗУЛЬТАТОВ
• 1.
• 2.
• 3.
• 4.
• 5.
• 6.
• 7.
• 7.1. Испытание на разнообразных данных
• 7.2. Анализ качества распознавания
• 7.3. Сравнение с исходным модулем
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
• ПРИЛОЖЕНИЕ
• Листинг 1. cloud_detection.ipynb