Метод визначення пріоритетності гуманітарного розмінування територій на підставі прогнозу мінної небезпеки та геолокаційних даних

Ключові слова: геопросторовий аналіз небезпечних територій, ансамблеві моделі класифікації, машинне навчання моделей для прогнозування мінної небезпеки, пріоритезація гуманітарного розмінування територій, просторову активність користувачів мобільного застосунку

Анотація

Гуманітарне розмінування територій України є складним комплексним завданням, що потребує ефективної пріоритезації обмежених ресурсів. Традиційні підходи до планування гуманітарного розмінування територій переважно орієнтовані на оцінювання рівня мінної небезпеки без урахування присутності населення на потенційно небезпечних територіях, що обмежує їхню практичну ефективність. Розроблено метод визначення пріоритетності гуманітарного розмінування територій, що поєднує прогнозування мінної небезпеки методами машинного навчання з даними про просторову активність користувачів мобільного застосунку. Проведено порівняльний аналіз якості класифікації мінної небезпеки для алгоритмів Logistic Regression, Random Forest, XGBoost, Invariant Risk Minimization та ансамблевої моделі Stacked Generalization за метриками AUC, Precision, Recall і F1-score. Встановлено, що алгоритм XGBoost продемонстрував найкращі результати класифікації мінної небезпеки серед базових моделей, тоді як ансамблева модель забезпечила найвищу якість класифікації та перевищила результати базових алгоритмів за всіма ключовими показниками. Виявлено, що найбільш значущими предикторами мінної небезпеки є відстань до лінії фронту, тип землекористування та індекс інтенсивності бойових дій. Охарактеризовано закономірності взаємозв'язків між вхідними ознаками моделі та встановлено відсутність критичної мультиколінеарності між предикторами. Запропоновано зважену адитивну модель, яка поєднує прогнозований ризик мінування, показник просторової активності населення та доступність територій, де рекомендованими є параметри α = 0,5, β = 0,3, γ = 0,2. Встановлено, що комбінований підхід до визначення пріоритетності гуманітарного розмінування територій дає змогу під час відбору обмеженої частки найбільш пріоритетних зон забезпечити більше охоплення населення порівняно з підходом, що ґрунтується тільки на оцінюванні ризику. Аналіз чутливості моделі пріоритетності підтвердив її стійкість до зміни вагових коефіцієнтів у межах 0,1 без істотного погіршення ключових показників. Результати класифікації мінної небезпеки та пріоритезації територій можна використати як основу для створення системи підтримки прийняття рішень у сфері гуманітарного розмінування територій та системи інформування населення про мінну небезпеку.

Завантаження

Дані завантаження ще не доступні.

Біографії авторів

Д. І. Братасюк, Національний університет "Львівська політехніка", м. Львів

 аспірант, кафедра програмного забезпечення

Д. В. Федасюк, Національний університет "Львівська політехніка", м. Львів

д-р техн. наук, професор, завідувач кафедри програмного забезпечення

Посилання

Al-slemani, A. S. A., & Abubakr, G. (2024). Adaptive landmine detection and recognition in complex environments using YOLOv8 architectures. Journal of Smart Systems Research, 5(2), 110–120. https://doi.org/10.58769/joinssr.1542886

Arjovsky, M., Bottou, L., Gulrajani, I., & Lopez-Paz, D. (2019). Invariant risk minimization. arXiv preprint 1907.02893. https://doi.org/10.48550/arXiv.1907.02893

Baur, J., Dewey, K., Steinberg, G., & Nitsche, F. O. (2024). Modeling the effect of vegetation coverage on unmanned aerial vehicles-based object detection: A study in the minefield environment. Remote Sensing, 16(12), article ID 2046. https://doi.org/10.3390/rs16122046

Baur, J., Steinberg, G., Nikulin, A., Chiu, K., & de Smet, T. S. (2020). Applying deep learning to automate UAV-based detection of scatterable landmines. Remote Sensing, 12(5), article ID 859. https://doi.org/10.3390/rs12050859

Bratasiuk, D. I., & Fedasyuk, D. V. (2026). Prediction of landmine contamination risk using a machine learning model ensemble. Visnyk of Vinnytsia Politechnic Institute, 2(185), 40–47. https://doi.org/10.31649/1997-9266-2026-185-2-40-47

Camacho-Sanchez, C., Yie-Pinedo, R., & Galindo, G. (2023). Humanitarian demining for the clearance of landmine-affected areas. Socio-Economic Planning Sciences, 88, article ID 101611. https://doi.org/10.1016/j.seps.2023.101611

Cirillo, F., Solmaz, G., Peng, Y. H., Bizer, C., & Jebens, M. (2024). Desk-Aid: Humanitarian aid desk assessment with geospatial AI for predicting landmine areas. arXiv preprint 2405.09444. https://doi.org/10.48550/arXiv.2405.09444

DeepStateMap. (n.d.). Map of the war in Ukraine. URL: https://deepstatemap.live

Hutsul, T., Khobzei, M., Tkach, V., Krulikovskyi, O., Moisiuk, O., Ivashko, V., & Samila, A. (2024). Review of approaches to the use of unmanned aerial vehicles, remote sensing and geographic information systems in humanitarian demining: Ukrainian case. Heliyon, 10(7), article ID e29142. https://doi.org/10.1016/j.heliyon.2024.e29142

Kischelewski, B., Cathcart, G., Wahl, D., & Guedj, B. (2025). AI for explosive ordnance detection in clearance operations: The state of research. arXiv preprint 2411.05813. https://doi.org/10.48550/arXiv.2411.05813

Kischelewski, B., Guedj, B., & Wahl, D. (2025). RestoreAI: Pattern-based risk estimation of remaining explosives. arXiv preprint 2507.19873. https://doi.org/10.48550/arXiv.2507.19873

Kosmas, P., Rafique, W., Barras, J., Joglekar, S. P., & Zheng, D. (2019). Predictive analysis of landmine risk. IEEE ACCESS, 7, 107259–107269. https://doi.org/10.1109/ACCESS.2019.2929677

Krtalić, A., & Bajić, M. (2019). Development of the TIRAMISU advanced intelligence decision support system. European Journal of Remote Sensing, 52(1), 40–55. https://doi.org/10.1080/22797254.2018.1550351

Kryvenchuk, Y., & Doroshchuk, R. (2026). AI approaches for prioritization, survey, and quality control in humanitarian demining in Ukraine. Science and Technology Today, 3(57), 3233–3254. https://doi.org/10.52058/2786-6025-2026-3(57)-3233-3254

Ministry of Economy of Ukraine. Automation of demining processes and the use of AI: The Ministry of Economy signs a partnership agreement with Palantir. Ministry of Economy of Ukraine. URL: https://me.gov.ua/News/Detail?id=2e35612d-f83a-43af-bcd7-185b90c695c0&lang=enGB&showMenuTree=true& title=AutomationOfDeminingProcessesAndTheUseOfAiTheMinistryOfEconomySignsAPartnershipAgreementWithPalantir

Rubio, M. D., Zeng, S., Wang, Q., Alvarado, D., Moreno, F., Heidari, H., & Fang, F. (2024). RELand: Risk estimation of landmines via interpretable invariant risk minimization. ACM Journal on Computing and Sustainable Societies, 2(2), article number 23, 1–29. https://doi.org/10.1145/3648437

Saliba, A., Tout, K., Zaki, C., & Claramunt, C. (2024). A location-based model using GIS with machine learning, and a human-based approach for demining a post-war region. Journal of Location Based Services, 18(2), 162–184. https://doi.org/10.1080/17489725.2023.2298803

State Emergency Service of Ukraine (DSNS). (n.d.). Interactive map of areas that may be contaminated with explosive objects URL: https://mine.dsns.gov.ua/

Van den Heuvel, E., & Zhan, Z. (2022). Myths about linear and monotonic associations: Pearsons r, Spearmans ρ, and Kendalls τ. The American Statistician, 76(1), 44–52. https://doi.org/10.1080/00031305.2021.2004922

Vinueza-Martinez, J., Correa-Peralta, M., Ramirez-Anormaliza, R., Franco Arias, O., & Vera Paredes, D. (2024). Geographic information systems (GISs) based on WebGIS architecture: Bibliometric analysis of the current status and research trends. Sustainability, 16(15), article ID 6439. https://doi.org/10.3390/su16156439

Vivoli, E., Bertini, M., & Capineri, L. (2024). Deep learning-based real-time detection of surface landmines using optical imaging. Remote Sensing, 16(4), article ID 677. https://doi.org/10.3390/rs16040677

Опубліковано
2026-06-25
Як цитувати
Братасюк, Д. І., & Федасюк, Д. В. (2026). Метод визначення пріоритетності гуманітарного розмінування територій на підставі прогнозу мінної небезпеки та геолокаційних даних. Scientific Bulletin of UNFU, 36(3), 09–16. https://doi.org/10.36930/40360301
Розділ
Інженерія програмного забезпечення