DeepSense närvivõrgu arhitektuuri uurimine põllumajandusürituste tuvastamiseks
Nimi
Kyrylo Medianovskyi
Kokkuvõte
Tänapäeval sai satelliidi pilte laialt saadaval ja see leiab rakendust erinevates valdkondades. Põllumajandus on üks neist valdkondadest. Visuaalsete andmete abil on võimalik automatiseerida terve hulk erinevaid protsesse. Tuhandeid inimesi üle Euroopa Liidu on seotud põldtunnustamisega. Nad kontrollivad põllukultuuride tüüpe ja arvestavad niitmiseid, mis juhtu kruntidel. Eestis on vegetatsiooni perioodil esineb suhteliselt pilvine ja vihmane ilm. See põhjustab katkestusi ja müra satelliitpiltide andmetes. Sellega on vaja arendada müra taluvat automatiseeritut niitmise tuvastamise süsteemi.
Selle teosega niitmise tuvastamise süsteemi ehitamiseks said valitud põhitunnused. Nende hulka kuulub VV ja VH polarisatsiooni sidusus Sentinel-1 koos Sentinel-2 normaliseeritud erinevuse taimestiku indeksiga. DeepSense arhitektuuri on rakendatud ja hinnatud niitmise sündmuse avastamise mehhanismina. Süsteem oli koolitatud Eestis 2018 aastal märgistatud andmetega, mis sisaldavad infot üle 1700 põllu kohta. Optimaalse konfiguratsiooni hüperparameetrid on saadud katsetamise ajal rakendades vastava arhitektuuri. Kavandatud muudatused DeepSense raamistikus võimaldasid saavutada 94 % sündmuste täpsust hooaja alguses ja 93% hooaja lõpus, sündmuste täpsust saadud 5-kordse ristvalidatsiooniga.
DeepSense rakendamine võimaldas edestada puhta konvolutsionaalse mudeli, mis põhineb hooaja lõpu täpsusmõõdiku peal (93% vs 90%).Väljapakutud arhitektuur saab kasutusele võtta niitmise sündmuste avastamiseks.
Selle teosega niitmise tuvastamise süsteemi ehitamiseks said valitud põhitunnused. Nende hulka kuulub VV ja VH polarisatsiooni sidusus Sentinel-1 koos Sentinel-2 normaliseeritud erinevuse taimestiku indeksiga. DeepSense arhitektuuri on rakendatud ja hinnatud niitmise sündmuse avastamise mehhanismina. Süsteem oli koolitatud Eestis 2018 aastal märgistatud andmetega, mis sisaldavad infot üle 1700 põllu kohta. Optimaalse konfiguratsiooni hüperparameetrid on saadud katsetamise ajal rakendades vastava arhitektuuri. Kavandatud muudatused DeepSense raamistikus võimaldasid saavutada 94 % sündmuste täpsust hooaja alguses ja 93% hooaja lõpus, sündmuste täpsust saadud 5-kordse ristvalidatsiooniga.
DeepSense rakendamine võimaldas edestada puhta konvolutsionaalse mudeli, mis põhineb hooaja lõpu täpsusmõõdiku peal (93% vs 90%).Väljapakutud arhitektuur saab kasutusele võtta niitmise sündmuste avastamiseks.
Lõputöö keel
inglise
Lõputöö tüüp
Magister - Informaatika
Juhendaja(d)
Amnir Hadachi
Kaitsmise aasta
2020