СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ОБРАБОТКИ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ

Аннотация

Современные технологии дистанционного зондирования Земли (ДЗЗ) предоставляют широкий спектр данных, среди которых особое значение имеют гиперспектральные (HSI) и мультиспектральные (MSI) снимки. В данной статье проводится сравнительный анализ методов машинного обучения (ML), применяемых для обработки HSI и MSI данных. Основная цель исследования – оценка эффективности различных ML–алгоритмов в задачах классификации, прогнозирования и редукции размерности данных. В качестве методологии рассмотрены традиционные алгоритмы (SVM (Support Vector Machines), Random Forest) и современные нейросетевые архитектуры (CNN (convolutional neural network), автоэнкодеры). Проведен анализ преимуществ и ограничений ML–методов в зависимости от типа входных данных и целевой задачи. Полученные результаты демонстрируют, что гиперспектральные данные требуют более мощных вычислительных методов, тогда как мультиспектральные данные позволяют достичь приемлемой точности при использовании менее сложных алгоритмов. Исследование подчеркивает значимость интеграции современных ML–методов в обработку данных ДЗЗ, что способствует развитию автоматизированных систем анализа и интерпретации изображений дистанционного зондирования.