Предложена информационная технология определения поврежденных в результате засухи посевов на основе геопространственного анализа и слияния данных. Источниками данных о повреждениях служат спутниковые снимки, полученные с различных космических аппаратов, векторные данные о границах полей и наземные заверочные измерения. Для идентификации повреждений предложен метод слияния данных разного пространственного разрешения, базирующийся на интеллектуальных вычислениях и геопространственном анализе информации. Предложенный метод апробирован на одном из районов Автономной Республики Крым.

Проаналізовано особливості виділення нечітких фрагментів об'єктів на зображеннях за допомогою локальної ентропії, обгрунтовано можливість та описано алгоритм оптимізації вибору граничного значення ентропії для цього процесу. Наведено результати експериментальних досліджень застосування предиктора до ентропійного виділення нечітких фрагментів об'єктів на зображеннях.

Запропоновано методологію побудови ретроспективних карт земного покриву для території України, засновану на використанні інтелектуальних методів обробки супутникових даних, а саме нейромережевої класифікації часових рядів космічних знімків супутників "Landsat-4", "Landsat-5", "Landsat-7". Отримано карти грунтово-рослинного покриву для всієї території України за 1990, 2000 і 2010 рр. з середньою точністю класифікації 95 % (отриманою на незалежній тестовій вибірці).

Задачу картографування великих територій земного покриву розглянуто як задачу автоматизованого оброблення великих обсягів геопросторових даних, які можуть містити різні невизначеності. Для її розв'язання запропоновано використовувати 3 різних парадигми: метод декомпозиції, метод активного навчання зі сфери інтелектуальних обчислень і метод відновлення супутникових знімків. Комплексне застосування цих трьох складових надає можливість мінімізувати участь експерта у розв'язанні задачі. При розв'язанні задачі класифікації земного покриву проаналізовано також 3 різних варіанти злиття даних. Показано ефективність методу злиття даних, що зводиться до розв'язання задачі класифікації на базі часових рядів даних. Завдяки розробленій автоматизованій методології задача класифікації та картографування земного покриву була вперше розв'язана для всієї території України за 1990, 2000 і 2010 роки з 30-метровим просторовим розрізненням.

Предложена методология для решения проблемы обработки больших объемов спутниковых и геопространственных данных. Иерархическая структура модели глубинного обучения основывается на нейросетевом подходе и на методах геопространственного анализа. С помощью разработанной методологии построены карты изменения земного покрова территории Украины высокого разрешения за период 1990 - 2010 гг. Показана эффективность этого подхода для анализа изменения площади необрабатываемых сельскохозяйственных земель, в том числе в восточных областях во время оккупации.

Проаналізовано сучасний стан досліджень, що проводяться в Україні у сфері прикладних проблем дослідження Землі, в контексті виконання Україною демонстраційного проекту Європейського космічного агентства "Sentinel-2 for Agriculture" (Sen2-Agri), участі в проекті SIGMA Сьомої Рамкової програми за підтримки Єврокомісії, експерименті JECAM та моніторинговій ініціативі GEOGLAM групи GEO. Основною науковою проблемою є великі об'єми геопросторових та супутникових даних, які потребують розроблення сучасних методів і технологій автоматизованої високопродуктивної обробки. Значний доробок у сфері супутникового агромоніторингу, прогнозування врожайності, оцінки валового збору основних сільськогосподарських культур та тісна співпраця з європейськими партнерами відкривають нові можливості для подальшого інноваційного розвитку нашої держави.

Проведено дослідження та описано методи визначення індикаторів деградації земель. Дослідження у межах роботи дозволять сформулювати методи одержання кількісних оцінок землекористування та їхніх змін для території України. Для оцінки змін земного покриву аналізуються наявні джерела даних для території України. Розглянуто набори даних по території України для створення карт земного покриву та методики оцінки грунтово-рослинного покриву, зокрема для оцінки ступеня деградації земель та забезпечення рівня LDN (Land Degradation Neutrality) за підтримки ООН. Для оцінювання динаміки зміни земного покриву на території України обрано 2000, 2010 та 2016 рр. Як джерела даних використано власні карти, створені за розробленою методологією, що передбачає використання нейромережевої класифікації часових рядів супутникових даних. Для 2000 та 2010 рр. карти земного покриву з просторовим розрізненням 30 м для всієї території України створені на основі зображень "Ландсат-4, -5, -7" у межах проекту FP-7SIGMA. Проведений аналіз показав, що загальна точність глобальних карт земного покриву поступається регіональним картам земного покриву на 10 % для 2000 р. та на 12 % для 2010 р. Для 2016 р. створено карту на основі супутникових даних "Сентінель" із просторовим розрізненням 10 м. З використанням створених карт оцінено зміни земного покриву для 2000 - 2010 та 2000 - 2016 рр. Оцінку проведено для таких типів земного покриву: ліс - в необроблювані землі, ліс - в оброблювані землі, ліс - в голу землю. Ідентифіковано основні проблеми на території України, місця, де відбуваються масштабні зміни земного покриву. Оцінено площі для кожного із переходів. Порівняно площі лісів, одержані на основі національних карт земного покриву із статистикою за три роки (2000, 2010 та 2016 рр.).

Розглянуто питання щодо розробки сучасної технології на основі відкритих даних, сумісної з сервісом Urban Atlas програми Copernicus. У межах проекту програми Н2020 ERA-PLANET SMURBS (SMart URBan Solutions for air quality, disasters and city growth) було розроблено міський атлас Києва, що став першим містом за межами ЄС, для якого створено такий продукт. Дана технологія базується на використанні безкоштовних супутникових даних спостережень Землі та класифікації земного покриву із використанням методів машинного навчання власної розробки та геостатистичного аналізу щільності забудови за векторною картою міста з відкритих джерел, зокрема даних OSМ (Open Street Мар). Особливостями запропонованого рішення є використання лише відкритих джерел даних і щорічне оновлення інформації про земний покрив/землекористування в місті. Надалі розроблену технологію можна буде застосувати і до інших міст.

Наведено розв'язання задачі підвищення точності класифікації та завчасності оцінки площ класів земного покриву (ЗП), а також забезпечення високої точності картографування земної поверхні на великих територіях шляхом розробки методів злиття різнорідних геопросторових даних великих обсягів і створення автоматизованої технології картографування. Удосконалено метод класифікації ЗП за супутниковими даними великих обсягів на основі використання ансамблю нейронних мереж. Розроблено методи злиття гетерогенних супутникових даних на рівнях пікселів і прийняття рішень для побудови карти, які реалізовано у створеній автоматизованій інформаційній технології картографування для всієї території України в межах сервіс-орієнтованого підходу. Розроблений метод картографування ЗП використано під час побудови карт для території України на основі Landsat - 4 / 5 / 7 за 2010 р., 2000 р. та 1990 р. Одержані карти дали можливість оцінити загальні тенденції різного призначення ЗП в Україні. На основі розробленої технології вирішено проблеми оцінки збитків від посухи та порушення сівозміни, побудовано карти ЗП для території Київської області протягом 2013 - 2015 рр. (із використанням супутникових даних Landsat - 8, Sentinel - 1).

Забезпечення подальшого економічного зростання сільського господарства України потребує освоєння та ефективного використання інноваційних технологій. Зокрема, супутниковий аналіз надає змогу відслідковувати стан сільськогосподарських угідь шляхом моніторингу їх якісних і кількісних показників природно-кліматичних характеристик. У межах проекту Світового банку "Підтримка прозорого землекористування в Україні" у співпраці комерційної компанії EOS Data Analytics із Інститутом космічних досліджень НАН України та ДКА України розроблено технологію супутникового моніторингу використання сільськогосподарських земель в Україні. На основі створеної технології побудовано карти класифікації земного покриву на базі трьох наборів даних: наземні дані вздовж доріг, дані фермерів та супутникові дані (часові ряди оптичних даних "Sentinel-2" та радарних даних "Sentinel-1"). Для створення карт класифікацій використано алгоритм Random Forest, реалізований на базі хмарної платформи Google Earth Engine. Одержано оцінку точності та порівняно площі посівів сільськогосподарських культур по всій території України. За результатами експерименту наведено порівняння класифікації на двох окремих наборах даних для навчання - наземних даних, зібраних вздовж доріг, та даних фермерів. В результаті одержано валідовану карту посівів сільськогосподарських культур, яку було представлено на офіційному порталі ДержГеоКадастру України. Наведено основні результати, одержані в ході аналізу сільськогосподарських земель України, а також результати порівняння зі статистичними даними.

Україна є асоційованим членом Європейського Союзу і в найближчі роки очікується, що всі дані та сервіси, якими вже користуються країни ЄС, стануть доступними і для України. Відсутність якісних національних продуктів по оцінці розвитку та плануванню росту міст призводить до неможливості оцінювання впливу міст на екологію та здоров'я людей. Перші кроки до створення такого роду продуктів для території міст України були розпочаті в межах Європейського проєкту "SMart URBan Solutions for air quality, disasters and city growth" (SMURBS), в межах якого фахівці інституту космічних досліджень НАН України та ДКА України отримали перший міський атлас для міста Києва, який був подібний до Європейського. Проте, отриманий продукт мав значно менше типів землекористування, аніж Європейський і тому постало питання покращення розробленої технології. Мета роботи - аналіз існуючої технології побудови європейського сервісу Urban Atlas та її покращення шляхом розробки уніфікованого алгоритму побудови міського атласу з використанням всіх наявних відкритих геопросторових та супутникових даних для міст України. Для розробки такої технології за основу взята власна технологія класифікації часових рядів супутникових даних з просторовим розрізненням 10 метрів для побудови карти земного покриву, а також алгоритм уніфікації відкритих геопросторових даних до міських атласів Copernicus. Розроблена в роботі технологія побудови міського атласу, що базується на інтелектуальній моделі класифікації земного покриву, може бути поширена і на інші міста України. В подальшому створення такого продукту на основі даних за різні роки дозволить оцінити зміни землекористування та здійснювати прогноз щодо подальшого розширення міст. Запропонована інформаційна технологія побудови міського атласу буде корисною для оцінки динаміки росту міст та тісно пов'язаних з цим соціальних та економічних показників їх розвитку. На її основі можна також оцінити індикатори досягнення цілей сталого розвитку, такі як 11.3.1 "Співвідношення темпів споживання землі та темпів приросту населення". Показано, що отриманий міський атлас для міста Києва має високий рівень якості та має порівнювані класи землекористування з Європейськими продуктами. Це свідчить, що такий продукт може використовуватися у державних службах з питань прийняття управлінських рішень.

Увагу приділено розробці методів геопросторового аналізу та розв'язанню задач спостереження Землі, зокрема, класифікації земного покриву. Зазначено, що ці методи базуються на використанні інтелектуальних підходів до обробки геопросторових даних великого об'єму, таких як глибинне навчання. Увагу приділено аналізу поточного стану прикладної області, що розглядається, та запропоновано нові методи попередньої обробки геопросторової інформації та постобробки результатів використання інтелектуальних моделей. Надано рекомендації щодо налаштування параметрів індуктивних нейромережевих моделей та їх використання для розв'язання цілої низки актуальних прикладних задач. Зауважено, що для розв'язання таких задач використано дані з різних джерел, зокрема супутникові дані, що надаються сучасними космічними системами.

На сьогоднішній день у відкритому доступі є велика кількість супутникових даних і продуктів на їх основі. Інтегруючи їх з різнорідною соціально-економічною інформацією та картами грунтів, модельними біофізичними даними із застосуванням сучасних методів машинного навчання та сучасних підходів до обробки геопросторових даних, маємо можливість створювати карти деградації землі. Оскільки при створенні карти деградації основними інтелектуальними складовими є карти класифікації, карти продуктивності та карти вирубки лісів, то саме ці 3 продукти впливають на загальну достовірність результатів. Для їх валідації визначено необхідні метрики якості, а також проведено відповідні розрахунки. При оцінці карти земного покриву використано тестові незалежні дані для побудови матриці невідповідності, а також виконано порівняння отриманих площ основних сільськогосподарських культур зі статистичними даними. Продуктивність сільськогосподарських земель оцінено за допомогою часового ряду карт класифікації земного покриву, біофізичного моделювання розвитку рослин Crop Growth Modeling System (CGMS), а також біофізичних параметрів росту рослин із використанням супутникових даних і біофізичних моделей розвитку рослин. Оцінка точності карт LAI (CGMS) базується на порівнянні значень індексу Leaf area index (LAI), змодельованих за допомогою програмного фреймворку CGMS, із даними наземних вимірів LAI, зібраними шляхом проведення наземних досліджень. Проведено числові експерименти для оцінки якості моделей і результатів карт вирубок лісів на незалежній тестовій вибірці, яка не використовувалась на етапі навчання нейронної мережі. Проаналізовано карти деградації за декілька років і проведено їх валідацію відносно врожайності, зокрема для регіону, який зазнав значних змін, на території України.

Розвиток сучасних технологій спостереження Землі, збільшення обсягу відкритих даних та розроблення нових підходів до їхнього оброблення відкривають нові можливості у проведенні прикладних досліджень економічної активності людства. Основним підходом у цій галузі є застосування методів глибинного навчання у процесах оброблення даних та аналізу їхніх часових рядів. Виконано огляд базисних розділів глибинного навчання (з погляду геопросторового аналізу): підвищення рівня розрізнення графічних даних, використання трансферного навчання для оптимізації процесів навчання, масштабування глибоких нейронно-мережевих моделей та аналізу часових рядів за допомогою рекурентних нейронних мереж.

Мета роботи - розв'язання важливої прикладної задачі пошуку сміттєзвалищ на базі методів машинного навчання з використанням супутникових даних високого просторового розрізнення. Проблема накопичення та зберігання відходів на легальних і несанкціонованих сміттєзвалищах актуальна і на сьогоднішній день. В Україні щороку утворюються мільйони тонн побутових відходів. Найбільші площі під полігони зайняті в Донецькій, Дніпропетровській, Одеській, Запорізькій областях. Так, у Донецькій області площі під сміттєзвалища займають 330 гектарів. Для моніторингу сміттєзвалищ використовуються різні технології, які базуються на супутникових даних і методах штучного інтелекту. Нині існують сервіси, за допомогою яких відстежується розташування сміттєзвалищ, але не надається інформація про територію сміттєзвалища та зміни її площі в часі. У процесі виконання досліджень вирішено важливу задачу відокремлення полігонів від кар'єрів і штучних об'єктів шляхом поєднання попіксельної та об'єктної класифікації. Розроблено інтелектуальну інформаційну технологію на основі нейромережевого підходу та побудові на її основі геопросторового продукту розміщення звалищ для Донецької області, а саме карти класифікації звалищ відходів. Запропонований алгоритм машинного навчання на основі історичних і сучасних супутникових даних надає можливість відстежувати площу полігону відходів та її зміни в часі. Розроблену інформаційну технологію апробовано на території чотирьох територіальних громад у Донецькій області, а саме: Ольгинської, Мирноградської, Курахівської та Покровської. У результаті проведених досліджень також розроблено інформаційну панель, яка надає оперативні дані та надає змогу оцінювати динаміку змін сміттєзвалищ у регіоні в часі та просторі.

Мета роботи - дослідження тимчасових змін типів земного покриву в межах природно-заповідного фонду (ПЗФ) України; аналіз зміни лісового покриву (вирубка чи лісовідновлення) за відкритими даними Global Forest Change 2000 - 2020 із просторовою роздільною здатністю 30 м із визначенням найбільш проблемних типів заповідників, де відбувалась вирубка лісів у 2000 - 2020 рр. Іншим аспектом дослідження є моніторинг використання земель ПЗФ для сільського господарства, зміни площ сільськогосподарських полів у часі та їх порівняння. Це дослідження проведено на основі власних карт земного покриву з просторовою роздільною здатністю 10 м за 2016 - 2020 рр., а також у порівнянні з відкритим набором даних World Cover Map для України за 2020 р. Для створення власних карт земного покриву для всієї України використано оптичні супутникові (Sentinel-2) і радарні дані (Sentinel-1). Описано технологію побудови карт класифікації земного покриву для великих територій на основі супутникових даних. Розглянуто основні етапи попередньої обробки супутникових даних, методологію злиття даних різної та однорідної природи за різні часові дати. За допомогою наборів геопросторових продуктів досліджено динаміку змін площі лісу та посівних угідь за різними видами природно-заповідного фонду України за 2000 - 2020 рр. Найбільшу частку ліси займають у заповідних урочищах, парках-пам'ятках садово-паркового мистецтва та дендрологічних парках (більше 73 % лісів), з яких найбільші зміни відбулися в заповідних урочищах на 1,81 % площ (1,7 тис. га) та дендрологічних парках - на 1,02 % площ (17 га). Дослідження та результати показали, що в цілому на національному рівні зміни з часом не суттєві (до 3 % для лісів і до 2 % для сільськогосподарських площ), однак вони мають велике значення, оскільки природні ресурси обмежені, а якість життя людства залежить насамперед від природи, екології та якості навколишнього середовища.

Проблема сталого розвитку міст привертає широку увагу в країнах всього світу, оскільки вона тісно пов'язана із якістю життя суспільства. Зростання площ міських територій часто є непропорційним відносно темпів зростання населення в країнах, що розвиваються, і тому цю розбіжність не можна контролювати за допомогою статистики. Здійснено дослідження на основі даних дистанційного зондування землі та статистичних даних. Запропоновані методи надають можливість порівняти глобальний картографічний шар людських поселень (Global Human Settlement Layer - GHSL), що містить в собі інформацію про забудову, з власною картою земного покриву, а також розрахувати індикатор цілі сталого розвитку (ЦСР) 11.3.1 "Співвідношення рівня землекористування до рівня зростання населення" з використанням супутникових і геопросторових даних, які надають можливість розрахувати рівень землекористування, а також здійснити його валідацію, спираючись на глобальні продукти. Обчислення темпів зростання населення є більш простим і доступним, тоді як рівень споживання землі є дещо складним і вимагає використання нових методів. Оцінюючи рівень споживання землі, необхідно визначити, що таке "споживання землі", оскільки це може охоплювати аспекти "споживаної", "збереженої" або доступної для "освоєння" землі для таких випадків, як земля, зайнята водно-болотними угіддями. Крім того, немає жодного однозначного показника, чи є земля, яка забудовується, справді "новозабудованою" (або вільною), чи вона принаймні частково "перепланована". Як наслідок відсоток загальної міської землі, яка була нещодавно забудована (спожита), використовуватиметься як міра споживання землі. Повністю забудовану територію також іноді називають забудованою. У зв'язку з цим розроблено 2 підходи для обрахунку наведеного індикатора: один із них - для рівня країни, для чого використовуються глобальні продукти, а інший - для регіонального рівня, для чого використовуються місцеві карти класифікації, розроблені та створені за власною методологією. Результати дослідження демонструють, що дані GHSL мають високу точність для оцінки індикатора ЦСР на рівні країни або регіону, проте для розрахунку цього індикатора на рівні міста краще використовувати місцеві карти класифікації. Розроблена методологія класифікації земного покриву в хмарній платформі Google Earth Engine демонструє хороші результати з високим просторовим розрізненням 10 м і може використовуватися для аналізу забудованих територій різних міст за супутниковими даними.

Цілі сталого розвитку (ЦСР), також відомі як глобальні цілі, прийняті Організацією Об'єднаних Націй у 2015 р. як універсальний заклик до дій щодо подолання бідності, захисту планети, забезпечення миру та покращання якості життя всіх людей до 2030 р. Цілі розвитку спрямовані на те, щоб до 2030 р. покінчити з усіма формами голоду, щоб усі люди отримували достатню кількість поживної їжі протягом усього року. Це сприятиме сталому сільському господарству, підтримці дрібних фермерів і рівному доступу до землі, технологій і ринків. Окрім цього, важливо вжити термінові заходи, щоб зменшити втрату природних середовищ існування та біорізноманіття, які є частиною нашої спільної спадщини та підтримують глобальну продовольчу та водну безпеку, пом'якшують наслідки зміни клімату та адаптацію до них, а також забезпечують мир і безпеку. Задля розвитку цього напрямку в Україні, в межах Європейського проєкту ERA-PLANET програми Horizon 2020 "Європейська мережа для дослідження нашої планети", використовуються дані спостереження Землі та супутникові дані для моніторингу ефективності використання природних ресурсів, а також для оцінки прогресу в досягненні ЦСР. Розроблено технології обрахунку трьох конкретних індикаторів, а саме: 2.4.1. "Частка сільськогосподарських площ з продуктивним і сталим сільським господарством"; 15.1.1 "Площа лісів як частка загальної площі земного покриву"; 15.3.1 "Частка землі, яка деградувала відносно загальної площі земного покриву". Основна проблема, яка вирішується для території України, пов'язана з відсутністю якісних наборів даних, їх низьким просторовим розрізненням і меншою точністю у порівнянні з регіональними продуктами. Запропоновано нову вдосконалену методологію для обчислення карти продуктивності землі на основі супутникових даних високого просторового розрізнення.

Наведено математичну модель на базі методу групового врахування аргументів (МГУА) для оцінки даних про якість повітря на рівні землі за допомогою супутникових спостережень. Забруднення повітря є серйозною екологічною проблемою, яка має значний вплив на екосистеми, здоров'я людини та зміну клімату. Наземні мережі моніторингу якості повітря забезпечують прямі вимірювання рівня забруднення, але у багатьох регіонах світу обмежені кількістю станцій. Супутникове дистанційне зондування пропонує нові можливості для послідовного та детального моніторингу якості повітря як доповнення до наземних спостережень. Однак існують певні обмеження, включно з низьким просторовим розрізненням супутникових даних, невизначеностями вимірювань і низькою частотою зйомки. Розроблено модифіковану модель МГУА для зіставлення даних супутникових спостережень з наземними даними про якість повітря для дрібних твердих частинок (PM2,5) і твердих частинок розміром менше 10 мк (PM10) у м. Київ, Україна. Модель оптимально реконструює нелінійні функціональні залежності між часовими рядами супутникових і наземних змінних, одночасно оптимізуючи загальну складність моделі. Проведено кілька обчислювальних експериментів на реальних наборах даних. Результати показали сильну кореляцію між прогнозованими та емпірично спостережуваними значеннями на незалежному 25 %-му тестовому зразку (досягнуто 0,8889 для PM2,5). Для оптимізованої моделі МГУА вимагалось у 2 - 3 рази менше параметрів, ніж для порівнюваної архітектури нейронної мережі, щоб досягти того самого рівня точності. Це демонструє здатність запропонованого підходу точно оцінювати концентрації забруднення на рівні землі з високою роздільною здатністю на основі супутникових даних, використовуючи МГУА-моделювання. Розроблена модель надає більш повну просторово-часову картину розподілу забруднення для значного покращання можливостей моніторингу навколишнього середовища, інформування громадськості та підтримки науково обгрунтованих політичних рішень щодо стратегій пом'якшення впливу забруднення на довкілля. Підкреслюється, що злиття супутникових і наземних даних за допомогою моделювання МГУА надає змогу значно вдосконалити можливості оцінки якості повітря, щоб краще зрозуміти дрібномасштабну динаміку забруднення, захистити населення та розробити ефективні рішення для захисту навколишнього середовища.