Ямашкина Екатерина Олеговна - аспирант, кафедра вычислительной техники Института информационных технологий.
119454, Москва, пр-т Вернадского, д. 78.
Ekaterina O. Yamashkina - Postgraduate Student, Computer Technology Department, Institute of Information Technologies, MIREA - Russian Technological University.
78, Vernadskogo pr., Moscow, 119454.
Scopus Author ID 57222118879, RSCI SPIN-code 9940-1751
Ямашкин Станислав Анатольевич – кандидат технических наук, доцент, кафедра автоматизированных систем обработки информации и управления Института электроники и светотехники.
430005, Саранск, ул. Большевистская, д. 68.
ResearcherlD N-2939-2018, Scopus Author ID 9133286400, SPIN-код РИНЦ 5569-7314
Stanislav A. Yamashkin - Cand. Sci. (Eng.), Associate Professor, Department of Automated Information Processing and Management Systems, Institute of Electronics and Lighting Engineering, Ogarev Mordovia State University.
68, Bolshevistskaya ul., Saransk, 430005.
ResearcherID N-2939-2018, Scopus Author ID 9133286400, RSCI SPIN-code 5569-7314
Платонова Ольга Владимировна - кандидат технических наук, доцент, заведующий кафедрой вычислительной техники Института информационных технологий.
119454, Москва, пр-т Вернадского, д. 78.
Scopus Author ID 57222119478, SPIN-код РИНЦ 4680-5904
Olga V. Platonova - Cand. Sci. (Eng.), Associated Professor, Head of the Computer Technology Department, Institute of Information Technologies, MIREA - Russian Technological University.
78, Vernadskogo pr., Moscow, 119454.
Scopus Author ID 57222119478, RSCI SPIN-code 4680-5904
Коваленко Сергей Михайлович - кандидат технических наук, профессор, кафедра вычислительной техники Института информационных технологий.
119454, Москва, пр-т Вернадского, д. 78.
Scopus Author ID 57222117274, SPIN-код РИНЦ 7308-8250
Sergey M. Kovalenko - Cand. Sci. (Eng.), Professor, Computer Technology Department, Institute of Information Technologies, MIREA - Russian Technological University.
78, Vernadskogo pr., Moscow, 119454.
Scopus Author ID 57222117274, RSCI SPIN-code 7308-8250
Цели. Цели настоящего исследования - разработка и апробация нейросетевой модели для анализа пространственных данных. Преимуществом предложенной модели является наличие большого количества степеней свободы, что позволяет гибко конфигурировать модель, исходя из решаемой проблемы. Данная разработка входит в состав базы знаний репозитория моделей глубокого машинного обучения, включающего подсистему динамической визуализации на основе адаптивных веб-интерфейсов с интерактивной возможностью прямого редактирования архитектуры и топологии нейросетевых моделей.
Методы. Решение проблемы повышения точности анализа и классификации пространственных данных основано на привлечении геосистемного подхода, предполагающего анализ генетической однородности территориально-смежных образований различного масштаба и иерархического уровня. Для апробации предложенной методики применен открытый набор данных EuroSAT, сформированный для обучения и тестирования моделей машинного обучения с целью эффективного решения проблемы классификации систем землепользования и растительного покрова с использованием спутниковых снимков Sentinel-2. Онтологическая модель репозитория, в который входит модель, декомпозируется на домены моделей глубокого машинного обучения, решаемых задач и данных. Это позволяет дать комплексное определение формализуемой области знаний: каждая хранимая нейросетевая модель сопоставлена с набором конкретных задач и наборами данных.
Результаты. Апробация модели для набора EuroSAT, алгоритмически расширенного с позиции геосистемного подхода, дает возможность повысить точность классификации в условиях дефицита обучающих данных в пределах 9%, а также приблизиться к точности глубоких моделей ResNet50 и GoogleNet.
Выводы. Внедрение созданной модели в репозиторий позволит не только сформировать базу знаний моделей для анализа пространственных данных, но и решить проблему подбора эффективных моделей для решения задач в области цифровой экономики.
Objectives. The paper aimed to develop and validate a neural network model for spatial data analysis. The advantage of the proposed model is the presence of a large number of degrees of freedom allowing its flexible configuration depending on the specific problem. This development is part of the knowledge base of a deep machine learning model repository including a dynamic visualization subsystem based on adaptive web interfaces allowing interactive direct editing of the architecture and topology of neural network models.
Methods. The presented solution to the problem of improving the accuracy of spatial data analysis and classification is based on a geosystem approach for analyzing the genetic homogeneity of territorial-adjacent entities of different scales and hierarchies. The publicly available EuroSAT dataset used for initial validation of the proposed methodology is based on Sentinel-2 satellite imagery for training and testing machine learning models aimed at classifying land use/land cover systems. The ontological model of the repository including the developed model is decomposed into domains of deep machine learning models, project tasks and data, thus providing a comprehensive definition of the formalizing area of knowledge. Each stored neural network model is mapped to a set of specific tasks and datasets. Results. Model validation for the EuroSAT dataset algorithmically extended in terms of the geosystem approach allows classification accuracy to be improved under training data shortage within 9% while maintaining the accuracy of ResNet50 and GoogleNet deep learning models.
Conclusions. The implemention of the developed model into the repository enhances the knowledge base of models for spatial data analysis as well as allowing the selection of efficient models for solving problems in the digital economy.
The authors declare that there are no conflicts of interest present.