Разработка алгоритма автоматической классификации сельскохозяйственных земель по результатам аэрофотосъемки
Contacts:
-
ДБ
Дмитрий БенинПреподаватель
-
Надежда Владимировна ГавриловскаяПреподаватель
-
НМ
Николай МякшинПреподаватель
🐍 Дополнительная профессиональная программа повышения квалификации
«Подготовка специалистов по созданию алгоритма автоматической классификации сельскохозяйственных земель по результатам аэрофотосъемки»
🎯 Научитесь программировать на Python с нуля и применять его в реальных задачах: от автоматизации до машинного обучения
Уровень: Начальный → Продвинутый
Формат: Онлайн + практика
Продолжительность: 22 академических часа (3 занятия по 6 часов и 1 на 4 часа)
Язык: Русский
Требования: Базовое владение компьютером (не требуется опыт программирования)
📌 О курсе
Этот курс — ваш надёжный старт в мир программирования и анализа данных. Мы начинаем с нуля: установки Python и настройки среды разработки, и шаг за шагом ведём вас к реальным практическим навыкам, включая работу с файлами, обработку изображений, геоданных, построение моделей машинного обучения и интеграцию решений в реальные системы.
🏛️ Курс реализуется при поддержке:
МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ
в рамках федерального проекта «Кадры для будущего» («КАДРЫ ДЛЯ БАС»)
Национального проекта «Наука и университеты»Опорный университет «20.35»
— современная образовательная и технологическая платформа для подготовки высококвалифицированных кадров в области цифровых технологий, искусственного интеллекта и геоинформационного анализа
🎯 Цель программы
Подготовка специалистов, способных разрабатывать и внедрять алгоритмы автоматической обработки аэрофотоснимков и спутниковых данных для мониторинга и классификации сельскохозяйственных угодий с использованием методов машинного обучения, глубокого обучения и геопространственного анализа.
📌 О программе
Данная дополнительная профессиональная программа повышения квалификации разработана в ответ на вызовы цифровизации аграрного сектора и потребность в высококвалифицированных кадрах, способных работать с большими объёмами визуальных данных.
Курс сочетает фундаментальные знания по программированию на Python с практическими навыками обработки растровых и векторных геоданных, создания моделей машинного и глубокого обучения, а также интеграции решений в реальные системы.
Программа ориентирована на практическое применение и завершается реализацией проекта: создание алгоритма автоматической классификации типов сельхозугодий по аэрофотоснимкам.
🧩 Что вы изучите
- ✅ Основы Python: синтаксис, функции, структуры данных, работа с файлами
- ✅ Работа с изображениями: обработка растровых данных, привязка к координатной системе, форматы GeoTIFF, PNG, JPEG
- ✅ Геопространственные данные: векторные форматы (Shapefile, KML, GeoJSON), работа с координатными системами (CRS), анализ в GeoPandas
- ✅ Привязка и векторизация: георегистрация изображений, преобразование растров в векторные объекты
- ✅ Сохранение результатов: экспорт в KML для Google Earth и GIS-систем
- ✅ Машинное обучение: задачи классификации и регрессии, подготовка данных, оценка моделей
- ✅ Глубокое обучение: сверточные нейронные сети (CNN), U-Net, архитектуры для сегментации
- ✅ Подготовка данных: разметка, аугментация, очистка, валидация
- ✅ Обучение и оценка модели: точность, полнота, F-мера, confusion matrix
- ✅ Интеграция в конвейер: запуск модели на новых данных, CLI, API (Flask/FastAPI), мониторинг
💡 Чему вы научитесь
- Устанавливать и настраивать среду разработки (Python, Jupyter, VS Code)
- Обрабатывать и анализировать аэрофотоснимки и спутниковые данные
- Привязывать изображения к реальным координатам и извлекать векторные объекты
- Готовить данные для обучения моделей: разметка, аугментация, нормализация
- Строить и оценивать модели классификации и сегментации
- Интегрировать обученные модели в рабочие процессы и автоматизировать обработку
- Экспортировать результаты в KML и визуализировать в Google Earth
🛠️ Используемые технологии и библиотеки
- Python 3.x, Jupyter Notebook, VS Code
- NumPy, Pandas, Matplotlib, Seaborn
- Rasterio, Fiona, GeoPandas, Shapely, pyproj
- scikit-learn, TensorFlow / Keras, Albumentations
- OpenCV, LabelImg, Segmentation Models
- Flask, FastAPI, joblib, pickle
📚 Формат занятий
- Лекции с демонстрациями
- Практические задания после каждого модуля
- Разбор типичных ошибок и антипаттернов
- Поддержка преподавателя в течение всего курса
- Доступ к материалам после завершения
🐍 Python — не просто язык. Это инструмент будущего. Начните с нами — и почувствуйте силу кода.
🌾 Цифровое сельское хозяйство начинается с данных.
Вы — те самые кадры, которые строят будущее аграрной отрасли.