Introduction. The article presents research findings on the comprehension of perceptively simple visual information in two -dimensional and three -dimensional spaces. The purpose of the article is to identify the relationship between the accuracy of solving the problem of simple visual and motor monitoring of a moving object and the technology of presenting information: using a helmet of virtual reality and on a standard electronic display. Materials and Methods. The study used theoretical (system analysis) and empirical (experimental) research methods as well as mathematical statistics techniques and cluster analysis. Results. The study has summarized the experience of using virtual reality technologies for instruction and vocational training of operators for various industries. The importance of ensuring the adequacy of the perception of the virtual object, taking into account the physiological characteristics of the visual perception of the subject is emphasized. The authors provide recommendations for using virtual media and information on electronic displays in various operator situations. Conclusions. The article concludes that the use of virtual reality technology does not lead to a statistically significant change in accuracy of solving simple visual-motor problems in comparison with the technology of presenting information on the screen of a standard video monitor. Thus, the widespread replacement of information display equipment from electronic displays with means of displaying virtual content to solve simple visual-motor problems in the process of training operators of remote equipment is not appropriate.

Введение. Использование тренажёрных комплексов и симуляторов рассматривается сегодня в качестве эффективного средства подготовки операторов сложных технологических комплексов. При этом наблюдается широкое расхождение в составе используемых технических средств тренажёрных комплексов, что ставит вопрос о зависимости результатов обучения от используемых технологий. Цель – оценка точности решения простейших сенсорно-когнитивных задач, значимых для эффективной профессиональной деятельности, в условиях восприятия информации в виртуальных средах и при восприятии информации с электронных дисплеев. Проверялась гипотеза о зависимости результатов решения сенсорно-когнитивных задач в зависимости от используемой технологии представления информации. Объектом являются простейшие сенсорно-когнитивные задачи на основе оценки центра масс геометрических объектов. Данная задача выбрана как типовая для операторов, связанных с погрузочно-разгрузочными работами, включающая сенсорную компоненту в части оценки геометрических форм и когнитивную компоненту. Методы решения задачи сводятся к использованию методов кластерного анализа, включая методы понижения размерности t-SNE, а также метод машинного обучения без учителя k-means, позволяющие выявить закономерности результатов эксперимента. Результаты. В ходе анализа статистически значимых различий в результатах измерения как точности восприятия размеров и форм геометрических объектов, так и скорости этого процесса при различных способах отображения видеоинформации оператору обнаружить не удалось, что свидетельствует о том, что способ предъявления информации на результаты не влияет. Выводы. Установлено, что погружение в виртуальные среды не оказывает существенного как негативного, так и позитивного эффекта на точность восприятия геометрических размеров и форм объектов оператором. Учитывая прочие преимущества виртуальных сред, можно предполагать, что обучение операторов манипуляторов задачам наведения в виртуальных средах будет иметь незначительные преимущества по сравнению с обучением их в симуляторах на основе электронных дисплеев, прежде всего, возможно за счёт некоторого элемента новизны. Introduction. The use of training complexes and simulators is now considered to be an effective means of preparing operators of complex technological systems. At the same time, there is a considerable divergence in the composition of the technical equipment applied in the training complexes, which raises the question of dependence between training results and technologies used. The study is aimed at evaluating the accuracy of solving the simplest sensory-cognitive tasks significant for effective professional activity in conditions of information perception in virtual environments and from electronic displays. The hypothesis was tested about the dependence of the results of solving sensory-cognitive tasks on the modality of information presentation. The object of the study is elementary sensory-cognitive tasks based on the assessment of the center of mass of geometric objects. These tasks were chosen as typical ones faced by operators involved in the loading and unloading process. Such a task encompasses a sensory component in terms of geometric shape assessment and a cognitive one. The methods for solving the problem are those of cluster analysis including the t-SNE dimensionality reduction technique and the K-means unsupervised machine learning algorithm that allow the identification of patterns in the experiment results. Results. The analysis revealed no statistically significant differences in the results of measuring either the accuracy of the perception of geometric object sizes and shapes or the speed of this process when using different modalities of presenting video information to the operator. This indicates that the way the information is presented does not affect the results. Conclusion. It has been established that immersion in virtual environments does not have a significant negative or positive effect on the accuracy of the operator’s perception of the sizes and shapes of geometric objects. Given the other advantages of virtual...

Remote sensing data processed using rule-based and machine learning methods are widely used for Individual Tree Detection (ITD) and Tree Species Classification (TSC), yet the performance of different sensors, platforms and methods remains inconsistent across studies. The ITD and TSC tasks are interconnected, such that the performance of the detector at the ITD stage can substantially affect the subsequent TSC performance. A key factor affecting performance is the choice of data representation (2D, semi-2D or 3D), which is largely influenced by the sensor type (RGB, MSI, HSI and LiDAR) and the data acquisition platform (unmanned aerial vehicle, manned aerial or satellite). Accordingly, this review separately compares methodological configurations reported for the ITD and TSC stages, considering data source, data representation, and method family. The two tasks are treated as consecutive and methodologically related, but their quantitative performance is analyzed separately. The cross-study analysis revealed a general trend toward higher median reported ITD performance for LiDAR-based representations among the methodological groups included in the comparison. LiDAR-derived structural information may also benefit TSC when combined with spectral data. Furthermore, multispectral data appeared to provide a favorable complement to LiDAR by adding species-related spectral information associated with leaf biochemical and physiological properties.

Статья посвящена применению метода машинного обучения k-means и вегетационных индексов для классификации древесных пород на основе материалов съемки с БПЛА. Вегетационные индексы анализируют спектральные характеристики растений, что особенно полезно для классификации схожих видов деревьев, поскольку они имеют разные спектральные сигнатуры. Исследование проведено на двух лесных участках с распределением деревьев «сосна – береза» и «сосна – ель». Данные были собраны с 5 спектральных датчиков – cинего (470 нм), зеленого (560 нм), красного (665 нм), дальнего красного (720 нм) и инфракрасного (840 нм). Детекция крон деревьев была произведена по RGB изображениям, полученным с помощью спектральных датчиков и модели DeepForest. Далее внутри границы детектированных крон деревьев данные со спектральных датчиков обрабатывались для расчета вегетационных индексов каждого дерева. Пиксели по каждому дереву из матричного вида были разложены в вектор, отсортированный по возрастанию. Из каждого вектора были рассчитаны следующие параметры: минимальное, максимальное, среднее, медианное значения, а также 25-й и 75-й квантили и энтропия Шеннона. После чего применялся метод понижения размерности PCA и кластеризации k-means для разделения типов деревьев. Результаты показали, что в случае с сосной и елью точность классификации превышала 80%, тогда как для сосны и березы метрики были менее успешными, что может быть связано с сезонными изменениями индексов. В обоих случаях лучшими индикаторами оказались DVI, демонстрируя высокую эффективность для определенных лесных покрытий. The article is devoted to the use of the k-means machine learning method and vegetation indices for the classification of tree species based on UAV survey materials. Vegetation indices analyze the spectral characteristics of plants, which is especially useful for distinguishing similar tree species, as they exhibit different spectral signatures. The study was conducted on two forest plots with tree distributions of pine-birch and pine-spruce. Data were collected from five spectral sensors: Blue (470 nm), Green (560 nm), Red (665 nm), Far Red (720 nm), and Infrared (840 nm). Tree crown detection was performed using RGB images captured by spectral sensors and the DeepForest model. Within the boundaries of the detected crowns, spectral sensor data were processed to calculate the vegetation indices for each tree. Pixels for each tree from the matrix view were decomposed into a vector, sorted in ascending order. The following parameters were calculated from each vector: minimum, maximum, mean, median values, as well as the 25th and 75th percentiles and Shannon entropy. Dimensionality reduction via PCA and k-means clustering were then applied to differentiate tree types. The results showed that for pine and spruce, classification accuracy exceeded 80%, whereas for pine and birch, the metrics were less successful, possibly due to seasonal changes in the indices. In both cases, DVI proved to be the most effective indicator, demonstrating high efficiency for certain forest covers.