Кваліфікаційну роботу присвячено дослідженню та програмній імплементації згорткової нейронної мережі архітектури U-Net для автоматизованої семантичної сегментації просторових даних. У процесі дослідження формалізовано математичну постановку задачі піксельної класифікації в умовах екстремального дисбалансу класів. Розроблено конвеєр попередньої обробки даних, що включає розбиття зображень на фрагменти та інтенсивну стохастичну аугментацію. Для ефективної оптимізації ваг моделі імплементовано комбіновану функцію втрат (лінійна комбінація Binary Cross-Entropy та Dice Loss).
Експериментальне дослідження проведено на мультиспектральних зображеннях з набору даних DeepGlobe Land Cover. Отримані кількісні результати оцінено за допомогою метрик просторового перекриття (IoU, Dice Coefficient, AUC-PR). На основі візуального зіставлення прогнозних масок виявлено явище семантичної неоднозначності еталонної розмітки: розроблена модель успішно локалізувала об'єкти рослинності (міські дерева, лісосмуги), які не були розмічені експертами через географічну таксономію датасету. Доведено, що архітектура U-Net володіє високою здатністю до вилучення просторово-спектральних ознак і є дієвим інструментом для автоматизованого аналізу даних дистанційного зондування Землі.
