В ходе проведенного исследования рассматривался процесс разработки и обучения нейронной сети U-Net для сегментации изображений озер и бугров пучения, основанных на данных синтетической апертурной радиолокации и интерферометрической синтетической апертурной радиолокации. Основной целью работы являлось создание эффективной модели глубокого обучения, способной автоматически выделять озера и бугры пучения на основе сложных радиолокационных изображений. Было проведено несколько этапов, включая сбор и аннотирование данных, выбор архитектуры нейронной сети, обучение и валидацию модели, а также оценку ее производительности. Описан процесс создания обучающего набора данных, который включает в себя аннотирование изображений, выделение признаков, а также подготовку данных для обучения. Рассмотрена архитектура U-Net, которая была выбрана из-за своей способности эффективно сегментировать объекты на изображениях. Обоснован выбор гиперпараметров, таких как количество фильтров, размер ядра свертки и функции активации, использован оптимизатор Adam для достижения быстрой и стабильной сходимости модели. Процесс обучения и валидации модели подробно описан с акцентом на использование валидационного подмножества для мониторинга производительности. Применены методы регуляризации, включая раннюю остановку, с целью предотвращения переобучения и улучшения обобщающей способности модели. В результате продемонстрирована значимость применения глубокого обучения для анализа данных синтетической апертурной радиолокации и интерферометрической синтетической апертурной радиолокации, а также подтверждена эффективность модели U-Net для решения задач сегментации.В ходе проведенного исследования рассматривался процесс разработки и обучения нейронной сети U-Net для сегментации изображений озер и бугров пучения, основанных на данных синтетической апертурной радиолокации и интерферометрической синтетической апертурной радиолокации. Основной целью работы являлось создание эффективной модели глубокого обучения, способной автоматически выделять озера и бугры пучения на основе сложных радиолокационных изображений. Было проведено несколько этапов, включая сбор и аннотирование данных, выбор архитектуры нейронной сети, обучение и валидацию модели, а также оценку ее производительности. Описан процесс создания обучающего набора данных, который включает в себя аннотирование изображений, выделение признаков, а также подготовку данных для обучения. Рассмотрена архитектура U-Net, которая была выбрана из-за своей способности эффективно сегментировать объекты на изображениях. Обоснован выбор гиперпараметров, таких как количество фильтров, размер ядра свертки и функции активации, использован оптимизатор Adam для достижения быстрой и стабильной сходимости модели. Процесс обучения и валидации модели подробно описан с акцентом на использование валидационного подмножества для мониторинга производительности. Применены методы регуляризации, включая раннюю остановку, с целью предотвращения переобучения и улучшения обобщающей способности модели. В результате продемонстрирована значимость применения глубокого обучения для анализа данных синтетической апертурной радиолокации и интерферометрической синтетической апертурной радиолокации, а также подтверждена эффективность модели U-Net для решения задач сегментации.