Математик РУДН улучшил алгоритм машинного обучения для распознавания изображений со спутников
Системы современных спутников и радаров можно использовать для автоматического мониторинга землетрясений, извержений вулканов, пожаров и других катаклизмов, а также чтобы следить за состоянием почв, растительности, рек. Чтобы автоматизировать этот процесс, нужны сложные алгоритмы распознавания и классификации объектов, позволяющие компьютеру по набору пикселей понять, что изображено на снимке. Для этих целей используют машинное обучение — компьютер «просматривает» тысячи примеров и таким образом учится распознавать изображения самостоятельно. Чтобы улучшить результаты машинного обучения, часто используют комбинацию нескольких обучающих алгоритмов. Это дает более точные решения, чем каждый из них в отдельности. Математик РУДН разработал такой ансамблевый метод с использованием трех алгоритмов для обработки данных из нескольких источников.
Математики использовали данные пяти мини-спутников RapidEye и авиационного радара UAVSAR за 5 и 7 июля 2012 года — они снимали один и тот же участок местности в Канаде. Съемка RapidEye велась в пяти диапазонах светового спектра: синем (B), зеленом (G), красном ®, ближнем инфракрасном (NIR) и области, называемой «красный край» (RE), в которой происходит резкое усиление отражения зелёной растительности. Данные содержали 38 характеристик — спектральные каналы, индексы растительности, текстурные параметры и так далее. Их пространственное разрешение — то есть минимальный размер объекта, различимый на снимках, — около пяти метров. Радиолокационные изображения UAVSAR включали 49 различных характеристик, их пространственное разрешение — около 15 метров. Математики сопоставили полученные снимки со справочными данными об этой территории, собранными летом 2012 года. В них выделили семь типов растений — широколиственные растения, рапс, кукуруза, овес, горох, соя и пшеница. Новый алгоритм «обучили» на основе примеров полученных изображений и данных о типе посадок, а затем сравнили его предсказание с результатами работы других программ, устроенных по похожему принципу.
Новый метод показал более высокую точность интерпретации изображений, причем как на больших, так и на ограниченных объемах примеров для обучения алгоритмов. Если обучение проходило на 5% от всех данных, то новый алгоритм распознавал изображения верно в не менее 65% случаев, другие алгоритмы — в 52-60%. С увеличением доли обучающих данных до 50% от общего объема точность нового алгоритма повышалась до почти 90%, а других — до 75-86%. Таким образом, применение нового алгоритма было признано более эффективным.
«Наш метод может быть предложен для системы классификации землепользования и растительного покрова с помощью данных, полученных из разных источников. Например, спутников Landsat или Sentinel constellation», — кандидат технических наук Владимир Разумный, доцент департамента механики и мехатроники РУДН.
Результаты опубликованы в журнале International Journal of Image and Data Fusion
На I Всероссийской научно-практической конференции по экономике замкнутого цикла Российский университет дружбы народов представила магистрант второго курса института экологии (базовая кафедра экономики и замкнутого цикла) Вероника Бабердина. Она выступила с докладом «Барьеры использования отходов стекла как вторичного сырья для производства стеклотары и направления их преодоления в европейской части России».
Международная группа студентов РУДН из России, Китая, Руанды и Туниса создала инновационную концептуальную модель малоэтажного города для засушливых регионов с жарким климатом. Это, в частности, пустыни и полупустыни, характерные, например, для Южной Африки. Одна из особенностей проекта — пассивное охлаждение городских улиц за счет пластики архитектурных форм.
За последние пять лет больше всего научных работ ученых РУДН, относящихся к целям устойчивого развития, касались здоровья и благополучия человека. Это более половины от всех публикаций, посвященных ЦУР. В тройку также входят работы, в которых нашли отражение вопросы индустриализации, инноваций и инфраструктуры, а также ликвидации голода. При этом в числе основных партнеров по исследованиям в области ЦУР — страны ШОС+: в сотрудничестве с учеными из этих государств создается каждая четвертая статья университета по этой тематике. Именно пути стран ШОС+ в реализации ЦУР и посвящена международная конференция «В целях устойчивого развития цивилизации: сотрудничество, наука, образование, технологии», которая ежегодно проходит в РУДН.