Machine Learning-Based Monitoring of War-Damaged Water Bodies in Ukraine Using Satellite Images
| dc.contributor.author | Sergieieva, K. | en |
| dc.contributor.author | Kavats, Olena O. | en |
| dc.contributor.author | Vasyliev, Volodymyr | en |
| dc.contributor.author | Kavats, Yurii V. | en |
| dc.contributor.author | Kovrov, Oleksandr | en |
| dc.date.accessioned | 2024-11-20T08:58:00Z | |
| dc.date.available | 2024-11-20T08:58:00Z | |
| dc.date.issued | 2024 | |
| dc.description | O. Kavats: ORCID 0000-0002-0172-7856; Yu. Kavats: ORCID 0000-0002-0180-5957 | en |
| dc.description.abstract | ENG: Water resources are Ukraine's strategic environmental asset. As a result of the destruction caused by the Russo-Ukrainian War, critical water infrastructure has been severely damaged. This makes it essential to effectively manage and conserve water resources in the face of increasing anthropogenic impact. The use of machine learning methods to monitor water bodies' conditions based on optical and Synthetic Aperture Radar (SAR) satellite images allows for automating analysis processes and providing more accurate and timely results, which is important for making reasonable management decisions. In this study, information tools for mapping and assessing the dynamics of surface water body changes were developed based on Sentinel-1 and Sentinel-2 data using a convolutional neural network. They were used for the mapping of surface water bodies in the Lower Dnipro sub-basin affected by the destruction of the Kakhovka Hydropower Plant dam. To improve the result of satellite image mixed pixels classification in shallow areas of swampy water bodies at the bottom of the destroyed Kakhovka Reservoir, it is proposed to use a block data model and a probabilistic approach to assess the presence of "water" and "ground" class objects in the images, which allows to achieve mapping accuracy of up to 96%. | en |
| dc.description.abstract | UKR: Водні ресурси є стратегічним екологічним активом України. Внаслідок руйнувань, спричинених російсько-українською війною, критично важлива водна інфраструктура зазнала серйозних пошкоджень. Це робить необхідним ефективне управління та збереження водних ресурсів в умовах зростаючого антропогенного впливу. Використання методів машинного навчання для моніторингу стану водних об'єктів на основі оптичних та отриманих за допомогою радара зі синтезованою апертурою (РСА) знімків дозволяє автоматизувати процеси аналізу та отримувати більш точні та своєчасні результати, що є важливим для прийняття обґрунтованих управлінських рішень. У цьому дослідженні розроблено інформаційні інструменти для картографування та оцінки динаміки змін поверхневих водних об'єктів на основі даних Sentinel-1 та Sentinel-2 з використанням згорткової нейронної мережі. Вони були використані для картографування поверхневих водних об'єктів суббасейну Нижнього Дніпра, що постраждали від руйнування греблі Каховської ГЕС. Для покращення результату класифікації змішаних пікселів космічних знімків на мілководних ділянках заболочених водойм на дні зруйнованого Каховського водосховища запропоновано використовувати блокову модель даних та імовірнісний підхід до оцінки наявності на знімках об'єктів класу «вода» та «земля», що дозволяє досягти точності картографування до 96%. | uk_UA |
| dc.description.sponsorship | Dnipro University of Technology, Dnipro; National University of Water and Environmental Engineering, Rivne, Ukraine | en |
| dc.identifier.citation | Sergieieva K., Kavats O., Vasyliev V., Kavats Yu., Kovrov O. Machine Learning-Based Monitoring of War-Damaged Water Bodies in Ukraine Using Satellite Images. CEUR Workshop Proceedings. Vol. 3790 : Proc. of the 12th International Conference Information Control Systems & Technologies (ICST 2024), Odesa, Ukraine, September 23–25, 2024. Odesa, 2024. P. 422–434. | en |
| dc.identifier.issn | 1613-0073 | |
| dc.identifier.uri | https://ceur-ws.org/Vol-3790/ | en |
| dc.identifier.uri | https://crust.ust.edu.ua/handle/123456789/19230 | en |
| dc.language.iso | en | |
| dc.publisher | CEUR-WS Team, Aachen, Germany | en |
| dc.subject | machine learning | en |
| dc.subject | convolution neural network | en |
| dc.subject | block model | en |
| dc.subject | Sentinel-1 | en |
| dc.subject | Sentinel-2 | en |
| dc.subject | water | en |
| dc.subject | машинне навчання | uk_UA |
| dc.subject | згорткова нейронна мережа | uk_UA |
| dc.subject | блокова модель | uk_UA |
| dc.subject | вода | uk_UA |
| dc.subject | КІТС | uk_UA |
| dc.subject.classification | TECHNOLOGY::Information technology::Image analysis | en |
| dc.title | Machine Learning-Based Monitoring of War-Damaged Water Bodies in Ukraine Using Satellite Images | en |
| dc.title.alternative | Моніторинг пошкоджених війною водних об'єктів в Україні на основі машинного навчання з використанням супутникових знімків | uk_UA |
| dc.type | Article | en |