Проблема традиционного мониторинга и наше решение
Система PRODES в Бразилии выявляет вырубки Амазонки с запозданием 1–3 месяца. Ручной анализ спутниковых снимков не успевает за скоростью событий — лес рубят быстрее, чем дешифровщики обрабатывают данные. Мы построили нейросетевой пайплайн на Sentinel-2, который обнаруживает свежую вырубку площадью ≥ 0.5 га в течение 10–15 дней после события. В Индонезии на территории 100 тыс. га тропического леса с облачностью 80% система показала precision 0.89 по свежим вырубкам. Точность change detection на ChangeFormer — F1 0.91, что на 40% выше, чем у классического UNet++. Оценим ваш регион за два дня — свяжитесь для консультации.
Как работает детекция изменений?
Задача — не «лес vs не лес», а обнаружение изменения: вчера здесь был лес, сегодня нет. Это change detection, а не классификация покрова.
Визуальные признаки свежей вырубки
- Резкое падение NDVI (с 0.7–0.9 для плотного леса до 0.1–0.3 на голой земле).
- Изменение SWIR (коротковолновый инфракрасный) — влажная открытая земля даёт специфическую подпись.
- Геометрически чёткие границы (прямые линии, прямоугольные паттерны) — антропогенная вырубка, в отличие от естественной гибели от ветровала с рваными краями.
Архитектура пайплайна
Sentinel-2 (10 дней) → Cloud masking (s2cloudless) → → Surface reflectance + NDVI/EVI/SWIR indices → → Change detection (ChangeFormer / BIT) → → Вероятностная маска изменений → → Тематическая классификация (вырубка / пожар / ветровал) → → Полигонизация + фильтрация (≥ 0.5 га) → → Сравнение с лесным реестром → → Алерты + GIS экспорт ChangeFormer на 6-канальном input (RGB+NIR+SWIR двух дат) с добавленными индексами показывает F1 = 0.91 на LEVIR-CD test и переносится на тропические леса после fine-tuning на ~500 аннотированных парах. Для больших территорий используем каскад: быстрый пороговый алгоритм отсеивает кандидатов, затем трансформер подтверждает изменения.
Почему SAR важен для тропических лесов?
Тропический лес — постоянная облачность 60–80% времени. Sentinel-2 пропускает большие территории месяцами. Решение — SAR (Sentinel-1), работающий сквозь облака. SAR-based forest loss detection использует L-band или C-band backscatter, который снижается при вырубке. JAXA PALSAR-2 (L-band, 25 м) хорошо зарекомендовал себя для тропических лесов.
Data fusion: оптический + радар
Объединяем Sentinel-2 (при наличии) и Sentinel-1 (всегда доступен) с помощью трансформера с cross-modal attention. Мультимодальная модель обрабатывает оба input совместно, что даёт на 30% больше детекций по сравнению с использованием только оптики.
Как отличить антропогенную вырубку от природных изменений?
Простой change detection не разделяет: вырубка / пожар / естественная гибель / сезонные изменения. Для ESG-мониторинга и лесозащиты эта разница критична.
Классификация причин
Второй классификатор на фичах change region:
- Пожар: burn severity index (NBR — Normalized Burn Ratio, из SWIR), термоточки MODIS/VIIRS как дополнительный источник.
- Ветровал: рваные края полигона, специфическая SAR-текстура.
- Антропогенная вырубка: прямые границы, часто прямоугольная форма.
Используем XGBoost на геометрических и спектральных признаках полигона — accuracy 0.84 на 4 классах. Для повышения точности добавляем контекст: расстояние до дорог, населённых пунктов, границ делянок.
Сравнительный анализ методов и данных
Сравнение методов change detection
| Метод | Точность (F1) | Скорость | Требует аннотаций |
|---|---|---|---|
| Pixel-wise (NDVI разность) | 0.65 | высокая | нет |
| UNet++ | 0.85 | средняя | ~200 пар |
| ChangeFormer | 0.91 | низкая | ~500 пар |
| BIT (внимание) | 0.89 | средняя | ~400 пар |
Сравнение спутниковых данных
| Спутник | Разрешение (м) | Облачность | Тип | Доступность |
|---|---|---|---|---|
| Sentinel-2 | 10 | влияет | Оптика | Бесплатно |
| Sentinel-1 | 10–20 | нет | SAR | Бесплатно |
| Landsat 8/9 | 30 | влияет | Оптика | Бесплатно |
| PlanetScope | 3–5 | влияет | Оптика | Коммерческий |
Оптимальная пара для тропиков: Sentinel-1 (регулярно) + Sentinel-2 (при ясной погоде).
Что входит в работу
Мы работаем под ключ. Этапы реализации:
- Сбор и предобработка спутниковых данных (ESA, NASA, JAXA).
- Обучение моделей change detection и классификации причин.
- Интеграция с вашими лесными реестрами (векторные данные, API).
- Настройка алертной системы (Telegram, email, GIS-слои).
- Документация пайплайна и обучение ваших специалистов.
После запуска — 3 месяца постпродакшн-поддержки. 5+ лет опыта в AI/CV, 10+ проектов мониторинга. Закажите пилотный проект или получите консультацию — оценим ваш регион за два дня.
Интеграция с реестрами и аналитикой
Обнаруженный полигон вырубки проверяется против:
- Лесозаготовительные лицензии (векторные данные).
- ООПТ (особо охраняемые природные территории).
- Квоты на вырубку конкретного лесозаготовителя.
Автоматический алерт «незаконная вырубка» срабатывает при условии: change detection + нет действующей лицензии + в пределах запрещённой зоны. Precision этого алерта зависит от качества базы реестров — это операционная, а не техническая проблема.
Углеродный мониторинг
Для ESG/REDD+ отчётности рассчитываем потерю биомассы из площади вырубки с помощью allometric моделей (биомасса = f(тип леса, регион)). Интеграция с GlobalForestWatch API для cross-validation.
Сроки
Пилот (регион 1–50 000 га, 6 месяцев архива): 6–10 недель. Продакшн-система с SAR fusion и реестровой интеграцией: 14–22 недели. Стоимость зависит от территории и периодичности алертов — пишите, рассчитаем индивидуально.
Получите детальный план работ и смету — свяжитесь с нами.