Skip to content

NSO-Clio/Predictive_assessment_of_forest_fire_occurrence

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

45 Commits
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

Предиктивная оценка возникновения лесных пожаров

О проекте

Наша команда разработала сегментационную модель машинного обучения, способную по снимкам со спутников указанной территории и метеорологическим данным возвращать маску потенциальных пожаров в ближайший месяц.

Заказчик

Минприроды, сделано в рамках хакатона Цифровой Прорыв сезон: Искусственный Интеллект

Преимущества продукта:

  • коэффициент корреляции Мэтьюса (MCC) >= 0.5 на тестовом датасете кейсодержателя
  • реализован веб интерфейс
  • простой в использовании программный модуль

Структура проекта

  • pipelines - папка в которой хранится анализ данных, а также скрипт преобразования файлов для обучение модели
  • submit - ноутбук того как мы делали сабмит на тестовую выборку
  • model - папка нашей библиотеки с моделью и ее весами
  • sample - примеры того что должна получать на вход модель из нашей библилтеки
  • branch/web-app - ветка с веб-интерфейсом сслфка для удобного перехода

Стэк технологий

  • numpy
  • pandas
  • scipy
  • rasterio
  • catboost
  • opencv

Архитектура

image

Работа с библиотекой

  • Для начала нужно склонировать проект с Github'a:
git clone --no-checkout https://github.com/NSO-Clio/Predictive_assessment_of_forest_fire_occurrence
cd Predictive_assessment_of_forest_fire_occurrence
  • И из репозитория взять папку model, которая является библиотекей, после чего расположить ее в своем проекте

  • После нужно установить requirements:

pip install -r requirements.txt
  • Пример кода использоавания
from model import CatNet


model = CatNet()

preproc_img = model.preproc(image_path='path/to/img.tiff', weather_data_path='path/to/weather_img.csv') # Получен преобразоаваное фото со спутника в датафрейм, а так же размер изображения для дальнейшего развертывания

predict = model.predict_segment(*preproc_img)

model.predict_segment(*preproc_img, save_path='save/path/mask.jpg')

Немного о модели

Мы выбрали итоговой моделью catboost бустинг, так как его предсказания наиболее точно соответствуют паттернам на истинных масках, в отличие от других явно переобучающихся моделей.

  • Пример какие файлы нужно подавать в модель вы увидите в папке sample

Команда

About

No description, website, or topics provided.

Resources

License

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published

Contributors 3

  •  
  •  
  •