ГІПЕРСПЕКТРАЛЬНИЙ АНАЛІЗ ДЛЯ РОЗПІЗНАВАННЯ ТА КЛАСИФІКАЦІЇ МАТЕРІАЛІВ ЗЕМНОЇ ПОВЕРХНІ

DOI 10.31673/2412-4338.2025.022314

Анотація

В даній статті проаналізовано сучасні підходи до класифікації гіперспектральних зображень, включно з методами машинного навчання, які демонструють високу ефективність. Гіперспектральний аналіз дозволяє точно ідентифікувати матеріали на земній поверхні завдяки спектральним характеристикам об’єктів. Проте класифікація гіперспектральних зображень залишається складною через високу розмірність даних, нестачу позначених зразків і значні обчислювальні витрати.
Авторами розглянуто алгоритми XGBoost та Random Forest, які використовуються для точного розпізнавання матеріалів на основі їхніх спектральних характеристик, що є основою розробки ефективної системи класифікації об'єктів земної поверхні та дозволяє зменшити обчислювальні витрати, зберегти точність розпізнавання. Здійснено порівняльний аналіз продуктивності двох обраних моделей за такими показниками, як Confusion Matrix, Accuracy, Sensitivity, Specificity, Precision та Recall.
Особливу увагу приділено проблемі зменшення розмірності даних, що є необхідним етапом у класифікації гіперспектральних зображень. Використання відповідних методів дозволяє зменшити навантаження на обчислювальні системи та підвищити продуктивність алгоритмів. Окрім того, у дослідженні розглядається адаптивність класифікаційних моделей до різних наборів даних, що є важливим аспектом для їхнього подальшого застосування у реальних умовах.
Результати дослідження показують, що запропонована система класифікації забезпечує точне визначення матеріалів на земній поверхні. Отримані висновки можуть бути застосовані у військовій розвідці для виявлення об’єктів, моніторингу змін навколишнього середовища та розпізнаванні потенційно небезпечних матеріалів. Запропоновані методи та моделі дозволяють підвищити ефективність аналізу гіперспектральних даних, що відкриває нові перспективи для подальших досліджень даної галузі.

Ключові слова: гіперспектральний аналіз, ROSIS, XGBoost, RandomForestClassifier, задача класифікації, розпізнавання зображень.