Царинюк, Олександр2024-04-262024-04-262023Царинюк О. В. Застосування методів машинного навчання для класифікації супутникових зображень: огляд літератури та ключових фреймворків / Царинюк О. В. // Наукові записки НаУКМА. Комп'ютерні науки. - 2023. - Т. 6. - С. 36-40. - https://doi.org/10.18523/2617-3808.2023.6.36-40https://ekmair.ukma.edu.ua/handle/123456789/29242https://doi.org/10.18523/2617-3808.2023.6.36-40In the era of digital technology and space exploration, efficient analysis of satellite imagery has become increasingly crucial. This article provides a comprehensive examination of machine learning methods applied to the classification of satellite images, alongside an exploration of key tools and frameworks utilized in this field. Central to this research is the analysis of contemporary classification approaches, particularly through the use of deep neural networks. The article delves into the significance of satellite imagery in various applications, ranging from urban planning and environmental monitoring to agricultural and disaster management. It emphasizes the challenges posed by the vast volume and high resolution of satellite data, underscoring the necessity for sophisticated analytical tools. A substantial focus is placed on convolutional neural networks (CNNs), renowned for their efficacy in image recognition tasks. The article reviews the evolution of CNNs and their pivotal role in advancing satellite image analysis, highlighted by case studies and successful applications. Additionally, this study offers a look at PyTorch and TensorFlow, two of the most prominent machine learning frameworks. Their integration, features, and suitability for geospatial data analysis are critically evaluated. The article discusses PyTorch’s notable integration with ArcGIS, providing a unique advantage for geospatial applications. TensorFlow’s extensive ecosystem and its adaptability for various computational environments are also examined. To ensure a balanced perspective, the article includes a literature review of seminal studies and papers that have shaped the domain of satellite imagery analysis. This includes an overview of groundbreaking works and recent advancements, providing readers with a contextual understanding of the field’s evolution. In conclusion, the article not only serves as a guide to current methodologies and tools in satellite image analysis but also as a window into the potential future developments in this rapidly evolving field.У розвитку цифрових технологій і космічної галузі значущу роль відведено ефективному аналізу супутникових зображень. У цій статті докладно розглянуто методи машинного навчання, які застосовують для класифікації таких зображень, а також для вивчення ключових інструментів і фреймворків, які активно використовують у цьому напрямі. В основі дослідження — аналіз сучасних підходів до класифікації, зокрема за допомогою глибоких нейронних мереж. Окремий розділ присвячено популярним фреймворкам, як-от PyTorch, TensorFlow тощо, їхнім особливостям під час роботи з геоданими. Для об’єктивності подано літературний огляд відомих досліджень і робіт, що вплинули на розвиток цієї галузі.ukмашинне навчаннякласифікація зображеньсупутникові знімкиглибоке навчаннязгорткові нейронні мережіPyTorchTensorFlowГІСстаттяmachine learningimage classificationsatellite imagerydeep learningconvolutional neural networksPytTorchTensorFlowGISArticle