The object of research, development or design (in Russian) : Архивные данные с оптической полезной нагрузки космического аппарата ДЗЗ KazSTSat. Бортовой комплекс управления на основе OBCARM. Машинное обучение, обработка данных на борту космического аппарата, метод до-обучения transfer-learning.

The object of research, development or design (in Kazakh) : KazSTSat ЖҚЗ ғарыш аппаратының оптикалық пайдалы жүктемесінен алынған мұрағаттық деректер. Obcarm негізіндегі борттық басқару кешені. Машиналық оқыту, ғарыш аппаратының бортында деректерді өңдеу, Трансфер-learning дейінгі оқыту әдісі.

Aim of work (in Russian) : Целью исследования является разработка системы автоматической предобработки данных на борту спутников с возможностью обнаружения облаков с использованием существующего бортового компьютера, интегрированного с программируемой логической интегральной схемой (ПЛИС). Для достижения поставленной цели будут использоваться нейронные сети, обученные на основе доступных казахстанских спутниковых изображений.

Aim of work (in Kazakh) : Зерттеудің мақсаты-бағдарламаланатын логикалық интегралды схемамен (FPGA) біріктірілген қолданыстағы борттық компьютерді пайдалана отырып, спутниктік борттағы бұлттарды анықтау мүмкіндіктерін әзірлеу. Тағы бір мақсат-қол жетімді қазақстандық спутниктік кескіндер негізінде нейрондық желіні оқыту үшін машиналық оқытудың есептеу қабілеттерін пайдалану.

Методы исследования (на русском) : Идентификация источников данных наблюдений за Землей. Передача и предварительная обработка данных из внешних источников. Установка серверов хранения данных на территории Ghalam. Веб-ориентированный обзор научной литературы по современным моделям нейронных сетей. Исследование применимости выявленных моделей для обнаружения облаков на борту. Идентификация входных параметров моделей и проведение бенчмарк-тестов. Установка высокопроизводительной рабочей станции на территории Ghalam.

Методы исследования (на казахском) : Жерді бақылау деректерінің көздерін сәйкестендіру. Сыртқы көздерден деректерді беру және алдын ала өңдеу. Ghalam аумағында деректерді сақтау серверлерін орнату. Нейрондық желілердің заманауи модельдері туралы ғылыми әдебиеттерге Веб-негізделген шолу. Борттағы бұлттарды анықтау үшін анықталған модельдердің қолданылуын зерттеу. Модельдердің кіріс параметрлерін анықтау және эталондық сынақтарды жүргізу. Ghalam аумағында жоғары өнімді жұмыс станциясын орнату.

Obtained results and novelty (in Russian) : Разработан отчет по доступным и использованным источникам космических данных ДЗЗ с результатами последующей предобработки. Идентифицированы наборы данных 38 и 95 Cloud. Они содержат в себе космоснимки полученные со спутников Landsat 8 в 4 каналах. Осуществлены сбор и пред-обработка космоснимков со спутника KazSTSat за период 2018-2024 гг. Создана собственная база данных космических снимков (изображений) для обучения нейронной сети на территории Ghalam с использованием сервера хранения данных размером 48ТБ. Разработан отчет с обзором научной литературы по моделям нейронных сетей, подходящих для задач проекта. По результатам исследования идентифицированы 5 наиболее подходящих архитектур для глубокого обучения космоснимков. Проведен анализ применимости выявленных моделей для обнаружения облаков на борту космического аппарата. Основными критериями выбора модели нейросети для обнаружения облаков на борту космического аппарата являлись бенчмарк тесты на открытом наборе данных, и размер модели. Были выявлены входные параметры для моделей перед проведением бенчмарк тестов. В целях ускоренного обучения и эффективного использования трудовых ресурсов, в рамках проекта на территории Ghalam была установлена высокопроизводительная рабочая станция с двумя GPU. Проведены предварительные эксперименты и сравнительный анализ с различными архитектурами на основе данных Cloud-38/95.

Obtained results and novelty (in Kazakh) : Кейіннен өңдеу нәтижелері бар ЖҚЗ ғарыштық деректерінің қолжетімді және пайдаланылған көздері бойынша есеп әзірленді. 38 және 95 Cloud деректер жиынтығы анықталды. Олар Landsat 8 спутниктерінен 4 арнада алынған ғарыштық суреттерді қамтиды. Кейіннен құрылатын деректер базасына көшіру үшін KazSTSat спутнигінен ғарыштық суреттерді жинау және өңдеу жүзеге асырылды. IMP форматындағы шикі суреттер 2018-2024 жылдар аралығында жинақталған. 48tb деректерді сақтау серверін қолдана отырып, Ghalam аумағында нейрондық желіні оқыту үшін ғарыштық суреттердің жеке мәліметтер базасы құрылды. Жоба тапсырмаларына сәйкес келетін нейрондық желі модельдері бойынша ғылыми әдебиеттерге шолу жасалған есеп. Зерттеу нәтижелері бойынша ғарыштық суреттерді терең оқыту үшін ең қолайлы 5 сәулет анықталды. Ғарыш аппаратының бортында бұлттарды анықтау үшін анықталған модельдердің қолданылуына талдау жүргізілді. Ғарыш аппаратының бұлттарды анықтау үшін нейрондық желі моделін таңдаудың негізгі критерийлері ашық деректер жиынтығындағы бенчмарк тесттер және модель өлшемі болды. Алдын ала бағалаулар мен техникалық сипаттамалардан эталондық сынақтарды өткізер алдында модельдер үшін кіріс параметрлері анықталды. Жеделдетілген оқыту және еңбек ресурстарын тиімді пайдалану мақсатында жоба аясында Ghalam аумағында екі GPU бар жоғары өнімді жұмыс станциясы орнатылды. Cloud-38/95 деректері негізінде әртүрлі архитектуралармен алдын ала эксперименттер және салыстырмалы талдау жүргізілді.

The main constructive and technical economic indicators (in Russian) : Наиболее подходящей моделью нейронной сети является UNet, благодаря своей структуре и модификациям показывающая лучшие результаты. Unet с механизмом «attention» превосходит другие модели по метрикам валидации, сохраняя при этом компактный размер. Ожидаемые результаты подтверждают теоретические предположения, что нейросети являются наиболее эффективным решением в области распознавания облаков, достигая точности определения свыше 94%. Научно-технический эффект: Результаты научно-технической программы могут быть предоставлены отечественным научным центрам для дальнейшего сотрудничества. Проект указывает отечественным и мировым научным и промышленным сообществам на адаптацию высокого уровня технологической зрелости машинного обучения в казахстанской науке и космической промышленности. Это может привести к новым научным сотрудничествам с ведущими исследовательскими центрами за пределами Казахстана. Экономический эффект: Успешная реализация данного исследовательского проекта приведет к продвижению технологий периферийных вычислений на борту космического аппаратов внутри страны. Успешная реализация технологий периферийных вычислений на борту космического аппаратов позволит освободить ручной труд и ускорить процесс принятия решений.

The main constructive and technical economic indicators (in Kazakh) : Нейрондық желінің ең қолайлы моделі UNet болып табылады, оның құрылымы мен модификациясының арқасында жақсы нәтиже көрсетеді. «Attention» механизмі бар Unet шағын өлшемді сақтай отырып, валидация көрсеткіштері бойынша басқа модельдерден асып түседі. Күтілетін нәтижелер нейрондық желілер бұлтты тану саласындағы ең тиімді шешім болып табылады және 94% - дан жоғары анықтау дәлдігіне қол жеткізеді деген теориялық болжамдарды қолдайды. Ғылыми-техникалық әсер: ғылыми-техникалық бағдарламаның нәтижелері одан әрі ынтымақтастық мақсатында отандық ғылыми орталықтарға ұсынылуы мүмкін. Жобаны іске асыру отандық және әлемдік ғылыми және өнеркәсіптік қоғамдастыққа Қазақстанның ғылымы мен ғарыш өнеркәсібіндегі машиналық оқытудың бейімделуіне және технологиялық жетілуінің жоғары деңгейін көрсетуге мүмкіндік береді. Бұл Қазақстаннан тыс жетекші ғылыми орталықтармен жаңа ғылыми ынтымақтастыққа әкелуі мүмкін. Экономикалық әсер: бұл зерттеу жобасын сәтті жүзеге асыру ғарыш аппараттарының бортында деректерді өңдеу технологияларын ел ішінде ілгерілетуге әкеледі. Ғарыш кемесінің бортында деректерді өңдеу технологияларын сәтті іске асыру қол еңбегін босатады және шешім қабылдау процесін жеделдетеді.

Level of implementation (in Russian) : База данных космоснимков для обучения нейросетей на основе казахстанских снимков полностью внедрена на территории ТОО Ghalam.

Level of implementation (in Kazakh) : Қазақстандық ғарыш суреттер негізінде нейрожелілерді оқытуға арналған ғарыштық суреттердің дерекқоры Ghalam ЖШС аумағында толығымен енгізілген.

Efficiency (in Russian) : База данных позволяет эффективно иметь доступ к сегментированным космоснимкам сотрудникам компании. Имеется возможность удаленного подключения к базе данных по запросу.

Efficiency (in Kazakh) : Деректер базасы компания қызметкерлеріне сегменттелген ғарыштық суреттерге тиімді қол жеткізуге мүмкіндік береді. Сұраныс бойынша дерекқорға қашықтан қосылу мүмкіндігі бар.

Field of application (in Russian) : Потенциальными потребителями результатов исследований программы являются подведомственные организации Министерства цифрового развития, инноваций и аэрокосмической промышленности Республики Казахстан, университеты, исследовательские институты и другие компании в космическом секторе. Другое применение результатов исследования может быть найдено среди коммерческих компаний, работающих с беспилотными летательными аппаратами для обнаружения облаков в реальном времени.

Field of application (in Kazakh) : Күтілетін нәтижелердің нысаналы тұтынушылары: осы зерттеу жобасының нәтижелерін Қазақстан Республикасы цифрлық даму, инновациялар және аэроғарыш өнеркәсібі министрлігінің еншілес ұйымдары, университеттер, зерттеу институттары және ғарыш саласындағы басқа да компаниялар сияқты әртүрлі мүдделі тараптар пайдалана алады. Зерттеу нәтижелерінің тағы бір қолданылуы олардың коммерциялық дрондық компанияларының нақты уақыттағы бұлттарды анықтау үшін пайдалануы болуы мүмкін.