METHODOLOGY FOR CREATING INTELLIGENT INFORMATION TECHNOLOGIES FOR RECOGNITION AND PROCESSING OF MULTISPECTRAL AEROSPACE IMAGES

I.M. Udovyk

doi:10.34185/1562-9945-5-166-2026-23

Автор(и)

І.М. Удовик

DOI:

https://doi.org/10.34185/1562-9945-5-166-2026-23

Ключові слова:

багатоспектральні аерокосмічні зображення, інтелектуальна інформаційна технологія, методологія створення, різнорідні дані, синергетична обробка, ба-гаторівнева інтеграція, просторово-спектрально-семантичне представлення, мультиагентний аналіз, мультимодальна інтерпретація, підтримка прийняття рі-шень

Анотація

Аналіз останніх досліджень і публікацій. Сучасні системи дистанційного зондування Землі формують різнорідні багатоспектральні, гіперспектральні, радіолокаційні, теплові й безпілотні дані. Методи їх корекції, інтеграції, розпізнавання, мультиагентного та мультимодального аналізу переважно розвиваються окремо. Невирішеною є проблема єдиної методології, що визначає вибір джерел і компонентів, формування представлень, узгодження рішень, контроль якості й невизначеності, збереження походження та адаптацію маршруту обробки.

Мета дослідження. Розробити й формалізувати методологію створення інтелектуальних інформаційних технологій розпізнавання та обробки багатоспектральних аерокосмічних зображень на основі синергетичної обробки різнорідних даних, багаторівневої інтеграції й адаптивного формування предметно залежної конфігурації.

Виклад основного матеріалу дослідження. Багатоспектральну сцену подано як багатовимірний інформаційний об’єкт, що поєднує просторові, спектральні, текстурні, контекстні, часові й семантичні характеристики. Запропонована методологія інтегрує систему принципів створення, формальну інформаційну модель, цикл Ψ–Φ–Λ узгодження даних, формування представлення та доказового узгодження рішень, адаптивний вибір конфігурації, інтелектуальне розпізнавання, мультиагентну кооперацію, мультимодальну інтерпретацію й наскрізний контроль якості Q, невизначеності U та походження μ. Процедура створення охоплює постановку задачі, формування реєстрів компонентів, перевірку сумісності, вибір допустимої конфігурації, виконання маршруту, верифікацію результату й реконфігурацію за зворотним зв’язком.

Висновки. Розроблена методологія, на відміну від фіксованих конвеєрних підходів, визначає керований процес створення предметно залежної технології на основі синергетичної обробки, інтегрованого просторово-спектрально-семантичного представлення, кооперації моделей і агентів, доказового узгодження рішень та адаптивного зворотного зв’язку. Структурно-функціональна верифікація встановила механізми повноти, узгодженості, модульності, розширюваності, адаптивності, простежуваності та інтерпретованості.

Посилання

1. Richards, J. A. (2013). Remote sensing digital image analysis: An introduction (5th ed.). Springer. https://doi.org/10.1007/978-3-642-30062-2

2. Schowengerdt, R. A. (2007). Remote sensing: Models and methods for image processing (3rd ed.). Academic Press.

3. Zhu, X. X., Tuia, D., Mou, L., Xia, G.-S., Zhang, L., Xu, F., & Fraundorfer, F. (2017). Deep learning in remote sensing: A comprehensive review and list of resources. IEEE Geo-science and Remote Sensing Magazine, 5(4), 8-36. https://doi.org/10.1109/MGRS.2017.2762307

4. Ma, L., Liu, Y., Zhang, X., Ye, Y., Yin, G., & Johnson, B. A. (2019). Deep learning in re-mote sensing applications: A meta-analysis and review. ISPRS Journal of Photogrammetry and Remote Sensing, 152, 166-177. https://doi.org/10.1016/j.isprsjprs.2019.04.015

5. Pohl, C., & Van Genderen, J. L. (1998). Multisensor image fusion in remote sensing: Con-cepts, methods and applications. International Journal of Remote Sensing, 19(5), 823-854. https://doi.org/10.1080/014311698215748

6. Li, S., Kang, X., Fang, L., Hu, J., & Yin, H. (2017). Pixel-level image fusion: A survey of the state of the art. Information Fusion, 33, 100-112. https://doi.org/10.1016/j.inffus.2016.05.004

7. Luo, X., Tong, X., Pan, H., Shen, H., & Du, P. (2025). A critical review on multi-sensor and multi-platform remote sensing data fusion approaches: Current status and prospects. In-ternational Journal of Remote Sensing, 46(3), 1327-1402. https://doi.org/10.1080/01431161.2024.2429784

8. Belgiu, M., & Drăguţ, L. (2016). Random forest in remote sensing: A review of applica-tions and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24-31. https://doi.org/10.1016/j.isprsjprs.2016.01.011

9. Mountrakis, G., Im, J., & Ogole, C. (2011). Support vector machines in remote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing, 66(3), 247-259. https://doi.org/10.1016/j.isprsjprs.2010.11.001

10. Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional networks for bio-medical image segmentation. In Medical Image Computing and Computer-Assisted Interven-tion - MICCAI 2015 (pp. 234-241). Springer. https://doi.org/10.1007/978-3-319-24574-4_28

11. Chen, L.-C., Zhu, Y., Papandreou, G., Schroff, F., & Adam, H. (2018). Encoder-decoder with atrous separable convolution for semantic image segmentation. In Computer Vision - ECCV 2018 (pp. 833-851). Springer. https://doi.org/10.1007/978-3-030-01234-2_49

12. Xie, E., Wang, W., Yu, Z., Anandkumar, A., Alvarez, J. M., & Luo, P. (2021). Seg-Former: Simple and efficient design for semantic segmentation with transformers. Advances in Neural Information Processing Systems, 34, 12077-12090.

13. Kirillov, A., Mintun, E., Ravi, N., et al. (2023). Segment Anything. Proceedings of the IEEE/CVF International Conference on Computer Vision, 4015-4026. https://doi.org/10.1109/ICCV51070.2023.00371

14. Cong, Y., Khanna, S., Meng, C., Liu, P., Rozi, E., He, Y., Burke, M., Lobell, D. B., & Ermon, S. (2022). SatMAE: Pre-training transformers for temporal and multi-spectral satellite imagery. Advances in Neural Information Processing Systems, 35, 197-211.

15. Liu, F., Chen, D., Guan, Z., Zhou, X., Zhu, J., Ye, Q., Fu, L., & Zhou, J. (2024). Remote-CLIP: A vision-language foundation model for remote sensing. IEEE Transactions on Geo-science and Remote Sensing, 62, 1-16. https://doi.org/10.1109/TGRS.2024.3390838

16. Guo, X., Lao, J., Dang, B., et al. (2024). SkySense: A multi-modal remote sensing foun-dation model towards universal interpretation for Earth observation imagery. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 27672-27683.

17. Huo, C., Chen, K., Zhang, S., et al. (2025). When remote sensing meets foundation mod-el: A survey and beyond. Remote Sensing, 17(2), Article 179. https://doi.org/10.3390/rs17020179

18. Xiao, A., Xuan, W., Wang, J., Huang, J., Tao, D., Lu, S., & Yokoya, N. (2025). Founda-tion models for remote sensing and Earth observation: A survey. IEEE Geoscience and Re-mote Sensing Magazine, 13(4), 297-324. https://doi.org/10.1109/MGRS.2025.3576766

19. Wooldridge, M. (2009). An introduction to multiagent systems (2nd ed.). John Wiley & Sons.

20. Li, C., Gan, Z., Yang, Z., Yang, J., Li, L., Wang, L., & Gao, J. (2024). Multimodal foun-dation models: From specialists to general-purpose assistants. Foundations and Trends in Computer Graphics and Vision, 16(1-2), 1-214. https://doi.org/10.1561/0600000110

21. Olevskyi, V., Udovyk, I., Hryshchak, D., Olevska, Y., & Zhuravlova, Y. (2024). Me-todolohichni osnovy informatsiinykh tekhnolohii analizu bahatokanalnykh aerokosmichnykh zobrazhen [Methodological foundations of information technologies for the analysis of mul-tichannel aerospace images]. Information Technology: Computer Science, Software Engineer-ing and Cyber Security, (4), 159-168. https://doi.org/10.32782/IT/2024-4-19 [in Ukrainian].

22. Hnatushenko, V., Hryshchak, D., Olevska, Y., Olevskyi, V., & Udovyk, I. (2025). Me-todolohiia obiednannia danykh bahatokanalnykh zobrazhen [Methodology for multichannel image-data fusion]. System Technologies, 6(161), 158-171. https://doi.org/10.34185/1562-9945-5-161-2025-16 [in Ukrainian].

23. Lytvynov, Y., Hnatushenko, V., & Udovyk, I. (2026). Vyiavlennia nelehalnykh smittiez-valyshch na suputnykovykh zobrazhenniakh iz vykorystanniam multyahentnoho pidkhodu [Detection of illegal dumpsites in satellite images using a multiagent approach]. Herald of Khmelnytskyi National University. Technical Sciences, 361(1), 523-530. https://doi.org/10.31891/2307-5732-2026-361-73 [in Ukrainian].

24. Honcharov, O. H., Udovyk, I. M., & Hnatushenko, V. V. (2026). Konstruiuvannia zapytiv dlia klasyfikatsii zemnoho pokryvu bez navchalnykh prykladiv za dopomohoiu multymodal-nykh movnykh modelei na znimkakh Sentinel-2 [Prompt engineering for zero-shot land-cover classification using multimodal language models on Sentinel-2 imagery]. System Technolo-gies, 4(165), 130-147. https://doi.org/10.34185/1562-9945-4-165-2026-13 [in Ukrainian].

25. Udovyk, I., & Khabarlak, K. (2026). Improved small agricultural plant segmentation us-ing post-training adaptive neural network. Computer Systems and Information Technologies, (1), 118-124. https://doi.org/10.31891/csit-2026-1-11