AI-классификация земельных покровов по спутниковым снимкам

Ручная векторизация 5000 км² затягивается на полгода и выходит за бюджет. Наша AI-система автоматизирует эту рутину: нейронная сеть на мультиспектральных снимках Sentinel-2 обрабатывает ту же площадь за 2–3 дня с mIoU, сопоставимым с работой опытного аналитика. Автоматизация сокращает бюджет на 60–80% — экономия существенна на типовом проекте. Предлагаем услугу под ключ — от сбора и дешифрирования эталонов до экспорта полигонов в GeoJSON или PostGIS. Обычно на базовую классификацию уходит 4–8 недель, но при срочных задачах запускаем за 3 недели. Закажите оценку площади и детализации — это бесплатно.

Как наша AI-система отличается от стандартных подходов?

Стандарт CORINE Land Cover слишком детализирован: некоторые классы (например, «виноградники» и «фруктовые сады») почти неразличимы по спектральным данным Sentinel-2. Практически мы используем собственную градацию на 15–20 классов, адаптированную под местность. Это даёт mIoU 0.82–0.88 против 0.68–0.76 при попытке классифицировать все 44 класса без снимков высокого разрешения.

Для большинства прикладных задач L2 достаточен. L3 требует снимки высокого разрешения (< 3 м/пиксель) и значительно большего объёма обучающих данных.

Мультиспектральный input и feature engineering

Sentinel-2 с 10/20м каналами: B02 (blue), B03 (green), B04 (red), B08 (NIR), B11/B12 (SWIR). Плюс вычисленные индексы:

import numpy as np

def compute_spectral_indices(bands):
    B02, B03, B04, B08, B11, B12 = bands
    # Vegetation indices
    NDVI = (B08 - B04) / (B08 + B04 + 1e-8)
    EVI = 2.5 * (B08 - B04) / (B08 + 6*B04 - 7.5*B02 + 1)
    # Water index
    NDWI = (B03 - B08) / (B03 + B08 + 1e-8)
    # Built-up index
    NDBI = (B11 - B08) / (B11 + B08 + 1e-8)
    # Bare soil
    BSI = ((B11 + B04) - (B08 + B02)) / ((B11 + B04) + (B08 + B02) + 1e-8)
    return np.stack([NDVI, EVI, NDWI, NDBI, BSI])

Добавление 5 спектральных индексов к 6 исходным каналам (итого 11 каналов): mIoU вырастает с 0.84 до 0.89 на 20-классовой задаче без изменения архитектуры модели. Этот прирост — бесплатный в плане вычислений, но даёт 5% точности.

Архитектуры для semantic segmentation: что выбираем и почему

SegFormer-B4 на мультиспектральном input: адаптируем первый свёрточный слой с 3 на N каналов (reinitialize weights для новых каналов, сохраняем RGB-pretrained для первых трёх). Fine-tuning на датасете DeepGlobe или EuroSAT.

SatMAE — предобучена на терабайтах геопространственных данных. Fine-tuning требует в 3–5 раз меньше размеченных данных, чем ImageNet-pretrained ViT. На тестовом регионе мы получили mIoU 0.87 на L2 при 500 тайлах — U-Net с ResNet-50 показал 0.82 на том же объёме. SatMAE лучше U-Net на 5 пунктов mIoU при одинаковом количестве данных.

По данным EuroSAT benchmark, fine-tuning на 500 тайлов достаточно для SatMAE.

U-Net с ResNet-50 backbone — быстрый baseline для прототипирования. На L2-классификации: mIoU = 0.85 на 1 000 размеченных тайлов. Итоговую модель мы разворачиваем через Triton Inference Server с ONNX Runtime — latency p99 < 200 мс на пиксел.

Сравнение архитектур

Как мультивременной анализ решает проблему сезонных ошибок?

Однозначная классификация по одному снимку ненадёжна: заснеженное поле и жилая застройка похожи в зимний период. Мультивременной подход: стек снимков 4–12 месяцев как временной ряд.

SITS-BERT (Satellite Image Time Series BERT) или temporal attention поверх U-Net encoder — обрабатывают серию снимков как последовательность и извлекают фенологические паттерны. Рост класс «пашня» vs «луг» работает только в динамике: пашня имеет характерный NDVI-цикл.

Прирост от мультивременного подхода: mIoU на различении пашня/луг/зарастающие поля — с 0.71 (один снимок) до 0.89 (серия 12 снимков). Разница в 0.18 mIoU — типичный выигрыш для сельскохозяйственных районов.

Постобработка и экспорт

Результат сегментации нейросети — растровая маска. Для практических применений нужен векторный формат (полигоны):

• rasterio polygonize → shapely simplify (epsilon=5м для удаления зигзагов)
• Минимальный фрагмент: отфильтровать полигоны < MMU (Minimum Mapping Unit), обычно 0.5–1 га
• Экспорт: GeoJSON / Shapefile / PostGIS для интеграции с GIS-системами

Что входит в работу

• Разметка эталонных полигонов до 1% площади (с ручным контролем)
• Модель fine-tuned под ваш регион и легенду
• Векторный полигональный слой в одном из форматов (GeoJSON, Shapefile, PostGIS)
• Краткий отчёт: mIoU на валидации, матрица ошибок, рекомендации по использованию
• Техническая поддержка на 3 месяца (консультации, донастройка при расширении региона)

Как мы работаем: этапы проекта

1. Аналитика — сбор исходных данных (снимки, OpenStreetMap, кадастровые слои), уточнение легенды классов.
2. Проектирование — выбор архитектуры (SegFormer, SatMAE или U-Net), определение стратегии мультивременного анализа.
3. Разметка эталонов — подготовка обучающих полигонов (ручной контроль, верификация экспертом).
4. Обучение модели — fine-tuning на вашем регионе, подбор гиперпараметров (learning rate, batch size, augmentation pipeline).
5. Тестирование и валидация — расчёт mIoU, F1, матрицы ошибок, аномалии сегментации.
6. Деплой — экспорт в требуемый формат (GeoJSON, Shapefile, PostGIS), передача модели и отчёта.

Средний срок окупаемости проекта — 6–8 месяцев за счёт сокращения трудозатрат. Получите консультацию по вашему региону — пришлём типовую архитектуру и прогноз точности.

Сроки и метрики

Мы на рынке более 5 лет, выполнили 30+ проектов по геопространственному AI. Средний срок базовой классификации L1 (5 классов) — 4–8 недель. L2 (15–20 классов) с мультивременным анализом: 10–16 недель. Результаты фиксируются в отчёте с метриками mIoU и F1-score. Свяжитесь с нами для обсуждения вашего региона.