ПРОГНОЗУВАННЯ РИЗИКУ ЗАМІНУВАННЯ ТЕРИТОРІЙ З ВИКОРИСТАННЯМ АНСАМБЛЮ МОДЕЛЕЙ МАШИННОГО НАВЧАННЯ
DOI:
https://doi.org/10.31649/1997-9266-2026-185-2-40-47Ключові слова:
логістична регресія, машинне навчання, ансамбль моделей, прогнозуванняАнотація
Мінна небезпека залишається однією з найсерйозніших гуманітарних проблем сучасної України. Внаслідок повномасштабної війни значні території заміновані. За даними міжнародних організацій, потенційно небезпечними вважаються близько чверті площі країни. Традиційні методи розмінування потребують значних ресурсів та часу, тому виникає потреба у створенні інтелектуальних систем прогнозування ризику замінування, здатних автоматично визначати зони підвищеної небезпеки та покращити процес планування розмінування. Запропоновано метод прогнозування ризику замінування територій із застосуванням машинного навчання та геоінформаційних технологій. Сформовано багатошарову вибірку, що охоплює геопросторові, соціально-економічні та військові ознаки. Просторова сітка охоплює понад 0,55 млн комірок розміром 500×500 м, що забезпечує високий рівень деталізації покриття замінованих територій країни. Для аналізу даних використано чотири базові алгоритми: Logistic Regression, Random Forest, XGBoost та Invariant Risk Minimization. На їх основі реалізовано ансамблеву архітектуру типу Stacked Generalization, у якій метамодель поєднує результати базових моделей у єдиний прогноз. Для оцінювання якості моделей застосовано метрики AUC, Precision, Recall та F1-score. За результатами експериментів найвищу точність продемонстрував ансамбль моделей, перевищивши показники найкращої окремої моделі XGBoost. Це підтверджує ефективність інтеграції різних типів моделей для підвищення точності прогнозування. Встановлено, що використання ансамблевих алгоритмів дозволяє автоматизовано та з високою точністю прогнозувати ризик замінування територій, підвищуючи ефективність планування розмінування та безпеку населення.
Посилання
J. Cervantes, F. Garcia-Lamont, L. Rodríguez-Mazahua, and A. Lopez, “A comprehensive survey on support vector machine classification: Applications, challenges and trends,” Neurocomputing, vol. 408, pp. 189-215, 2020. https://doi.org/10.1016/j.neucom.2019.10.118 .
P. Zhang, Y. Jia, and Y. Shang, “Research and application of XGBoost in imbalanced data,” International Journal of Distributed Sensor Networks, vol. 18, no. 6, 2022. https://doi.org/10.1177/15501329221106935 .
M. Arjovsky, L. Bottou, I. Gulrajani, and D. Lopez-Paz, “Invariant Risk Minimization,” arXiv preprint arXiv:1907.02893, 2019. https://doi.org/10.48550/arXiv.1907.02893 .
E. Richardson, et al., “The receiver operating characteristic curve accurately assesses imbalanced datasets,” Patterns, vol. 5, no. 6, 2024. https://doi.org/10.1016/j.patter.2024.100994 .
P. Kosmas, W. Rafique, J. Barras, S. P. Joglekar, and D. Zheng, “Predictive Analysis of Landmine Risk,” IEEE Access,
no. 7, pp.107259-107269, 2019. https://doi.org/10.1109/ACCESS.2019.2929677 .
R. Cirillo, et al., “Desk-AId: Humanitarian Aid Desk Assessment with Geospatial AI for Predicting Landmine Areas,” arXiv preprint arXiv:2405.09444, 2024. https://doi.org/10.48550/arXiv.2405.09444 .
M. D. Rubio, S. Zeng, Q. Wang, H. Heidari, and F. Fang, “RELand: Risk Estimation of Landmines via Interpretable Invariant Risk Minimization,” ACM Journal on Computing and Sustainable Societies, vol. 2, no. 2, pp. 1-29, 2024. https://doi.org/10.1145/3648437 .
L. Sun, “Landmine Classification and Prediction Using Machine Learning Techniques,” in Proc. IEEE ICIPCA, 2025,
pp. 407-414. https://doi.org/10.1109/ICIPCA65645.2025.11138774 .
E. Vivoli, M. Bertini, and L. Capineri, “Deep learning-based real-time detection of surface landmines using optical imaging,” Remote Sensing, vol. 16, no. 4, p. 677, 2024, https://doi.org/10.3390/rs16040677 .
S. Lameri, F. Lombardi, P. Bestagini, M. Lualdi, and S. Tubaro, “Landmine detection from GPR data using convolutional neural networks,” in Proc. 25th European Signal Processing Conf., 2017, pp. 508-512, https://doi.org/10.23919/EUSIPCO.2017.8081259 .
Y. Lin, H. Dong, H. Wang, and T. Zhang, “Bayesian Invariant Risk Minimization” in Proc. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2022, pp. 16000-16009. https://doi.org/10.1109/CVPR52688.2022.01555 .
A. Krtalić, and M. Bajić, “Development of the TIRAMISU Advanced Intelligence Decision Support System,” European Journal of Remote Sensing, vol. 52, no. 1, pp. 40-55, 2019. https://doi.org/10.1080/22797254.2018.1550351 .
O. A. Pryshchenko, et al., “Implementation of an artificial intelligence approach to GPR systems for landmine detection,” Remote Sensing, vol. 14, no. 17, p. 4421, 2022. https://doi.org/10.3390/rs14174421 .
DeepStateMap, Frontline dynamics and military activity 2025. [Electronic resource]. Available: https://deepstatemap.live .
State Emergency Service of Ukraine (DSNS), “Interactive map of areas that may be contaminated with explosive objects,” 2025. [Electronic resource]. Available: https://mine.dsns.gov.ua/ .
##submission.downloads##
-
pdf
Завантажень: 0
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, згодні з такими умовами:
- Автори зберігають авторське право і надають журналу право першої публікації.
- Автори можуть укладати окремі, додаткові договірні угоди з неексклюзивного поширення опублікованої журналом версії статті (наприклад, розмістити її в інститутському репозиторії або опублікувати її в книзі), з визнанням її первісної публікації в цьому журналі.
- Авторам дозволяється і рекомендується розміщувати їхню роботу в Інтернеті (наприклад, в інституційних сховищах або на їхньому сайті) до і під час процесу подачі, оскільки це сприяє продуктивним обмінам, а також швидшому і ширшому цитуванню опублікованих робіт (див. вплив відкритого доступу).
