ШІ-ПІДХОДИ ПОЯСНЕННЯ СУПУТНИКОВИХ ЗНІМКІВ
DOI:
https://doi.org/10.34185/1991-7848.itmm.2026.01.063Ключові слова:
пояснюваний штучний інтелект, XAI, дистанційне зондування Землі, аерокосмічні знімки, інтерпретація моделей, атрибуція ознак, дистиляція моделей, супутникові даніАнотація
У роботі розглянуто сучасні підходи пояснюваного штучного інтелекту (Explainable Artificial Intelligence, XAI), що застосовуються для інтерпретації та обробки супутникових і аерокосмічних знімків у задачах дистанційного зондування Землі. Проаналізовано основні класи XAI-методів, зокрема атрибуцію ознак, дистиляцію моделей, внутрішньо інтерпретовані підходи та контрастивні пояснення, принципи їх роботи, переваги, обмеження та обчислювальні особливості. Наведено приклади практичного використання XAI для моніторингу природних катастроф, агромоніторингу, оцінки соціально-економічних індикаторів, класифікації землекористування та аналізу мультимодальних даних. Зроблено висновок, що XAI є важливим інструментом для підвищення надійності, прозорості та прийнятності результатів моделей штучного інтелекту у критично важливих прикладних застосуваннях.
Посилання
Höhl, A., Obadic, I., Fernández Torres, M. Á., Najjar, H., Oliveira, D., Akata, Z., Dengel, A., & Zhu, X. X. Opening the Black-Box: A Systematic Review on Explainable AI in Remote Sensing. arXiv preprint arXiv:2402.13791 (2024). URL: https://arxiv.org/abs/2402.13791
Kakogeorgiou, I. & Karantzalos, K. Evaluating explainable artificial intelligence methods for multi-label deep learning classification tasks in remote sensing. Journal of Arid Environments (Elsevier). URL: https://www.sciencedirect.com/science/article/pii/S0303243421002270
(P08) Recent Trends, Challenges, and Limitations of Explainable AI in Remote Sensing (scoping review). XAI4CV workshop paper. URL: https://xai4cv.github.io/assets/papers2024/P08.pdf
Klotz, J., Burgert, T., & Demir, B. On the Effectiveness of Methods and Metrics for Explainable AI in Remote Sensing Image Scene Classification. arXiv:2507.05916 (2025). URL: https://arxiv.org/abs/2507.05916
Interpretable Deep Learning Framework for Land Use and Land Cover Classification in Remote Sensing using SHAP. International Journal of Information Technology and Computer Engineering (2025). URL: https://ijitce.org/index.php/ijitce/article/view/1346/1165
Hnatushenko Vik., Honcharov O. Land cover mapping with Sentinel-2 imagery using deep learning semantic segmentation models (2024). Proceedings of the X International Scientific Conference "Information Technology and Implementation", p.1-18. URL: CEUR-WS.org/Vol-3909
