Сравнение двух спутниковых снимков одной территории с разницей в 6 месяцев — это часы ручной работы аналитика на каждый квадратный километр. Когда территория — 1 000 км², ручной анализ становится нереальным. Change detection — базовая концепция, на которой строятся все современные подходы. Согласно работе ChangeFormer, F1 достигает 0.916 на датасете LEVIR-CD. Модель обрабатывает те же данные за минуты, регистрируя изменения площадью от 100 м². При этом основная сложность — ложные срабатывания из-за разницы в освещении, сезонах и углах съёмки (pseudo-changes). Мы разработали решения, которые снижают уровень ложных изменений до 10-15% и успешно внедрили их для 10+ проектов — от мониторинга лесов до контроля стройплощадок. Закажите консультацию: наши инженеры подберут архитектуру под вашу задачу за 2-3 дня. Экономия на выявлении незаконных вырубок может достигать 2-3 млн рублей в год для территории 500 000 га. Сроки окупаемости системы — менее года. В одном проекте экономия составила 4 млн рублей в год за счёт сокращения полевых проверок.
Типы изменений и методы детекции
Бинарная детекция (изменилось/не изменилось) — классифицирует каждый пиксель. Модели: BIT, ChangeFormer, SNUNet. Семантическая детекция определяет, что именно изменилось: лес→вырубка, поле→застройка. Детекция объектов (instance-level) находит конкретные объекты — новые здания, исчезнувшие корабли.
Как решить проблему pseudo-changes?
Pseudo-changes — это изменения, которых нет в реальности, но они видны из-за разного времени суток, сезона или атмосферы. На практике FP rate без preprocessing составляет 30-60%. Мы используем комбинацию методов:
- Радиометрическая нормализация — приведение снимков к единому photometric baseline (histogram matching, pseudo-invariant features).
- Сезонная привязка — сравнение только снимков одного сезона (например, апрель с апрелем).
- Калибровка вероятностей — вместо бинарного порога используем вероятности, порог подбирается индивидуально.
В результате FP rate снижается до 10-15%, а точность детекции (F1) превышает 0.9. Мультитемпоральный LSTM снижает количество ложных срабатываний на 40% по сравнению с парным сравнением — это в 1.67 раза меньше FP.
Технические детали облачной фильтрации
Используем алгоритм Fmask для обнаружения облаков, затем маскируем облачные пиксели. Для временных рядов применяем интерполяцию сплайнами.Архитектура siamese networks
Стандартная архитектура: два идентичных encoder'а (siamese) обрабатывают снимки T1 и T2, затем фичи конкатенируются или вычитаются, и decoder предсказывает change map.
import torch
import torch.nn as nn
class SiameseChangeDetector(nn.Module):
def __init__(self, encoder, decoder):
super().__init__()
self.encoder = encoder # Общие веса для T1 и T2
def forward(self, img_t1, img_t2):
f1 = self.encoder(img_t1) # (B, C, H/8, W/8)
f2 = self.encoder(img_t2)
diff = torch.abs(f1 - f2) # или torch.cat([f1, f2], dim=1)
change_map = self.decoder(diff) # (B, 1, H, W)
return change_map
ChangeFormer (transformer-based): F1 = 0.916 на LEVIR-CD датасете (0.5 м/пиксель). SNUNet (densely connected UNet): F1 = 0.908 при меньшем времени инференса.
Что даёт мультитемпоральный анализ?
При непрерывном мониторинге используется не два снимка, а временной ряд. LSTM или temporal transformer предсказывают аномалию относительно медианного composite за год. Такой подход учитывает сезонные паттерны и снижает количество ложных изменений на 40% по сравнению с парным сравнением. Recall повышается на 0.05–0.1.
Кейс: мониторинг незаконных вырубок (из нашей практики)
Территория: 500 000 га тайги. Снимки: Sentinel-2, раз в 10 дней. Задача: детектировать свежие вырубки (≥ 1 га) в течение 30 дней после события.
Pipeline:
- Получение и cloud-free composite снимков S2.
- Запуск ChangeFormer (14-канальный input: RGB+NIR+SWIR x2 даты).
- Полигонизация масок изменений.
- Фильтрация по площади (≥ 100 px = 1 га при 10 м/px).
- Сравнение с легальными лесорубочными билетами (векторные данные Рослесхоза).
- Генерация алерта для лесной охраны.
Результат: recall вырубок ≥ 1 га — 0.93, FP rate после сравнения с легальными вырубками — 8%, среднее время от события до алерта — 12 дней. Экономия на оперативном выявлении незаконных вырубок достигает 3-5 млн рублей в год для лесхозов.
Сравнение подходов к детекции изменений
| Подход | Точность (F1) | Время обучения | Объём разметки |
|---|---|---|---|
| Бинарный ChangeFormer | 0.916 | 4-6 часов на GPU | 1000+ пар |
| Семантический SCD | 0.85-0.90 | 8-12 часов | 5000+ пар с масками |
| Мультитемпоральный LSTM | 0.88-0.93 | 10-15 часов | 10000+ снимков |
Методы снижения pseudo-changes
| Метод | Снижение FP rate | Примечание |
|---|---|---|
| Радиометрическая нормализация | 15-25% | histogram matching |
| Сезонная привязка | 10-20% | только снимки одного сезона |
| Калибровка вероятностей | 5-10% | порог подбирается по валидации |
Что входит в работу
- Анализ задачи и подбор модели (2-3 дня) — бесплатно, оценим проект.
- Разметка данных (если требуется) — сертифицированные специалисты.
- Обучение и оптимизация модели под ключ с гарантией точности не ниже 90%.
- Интеграция с GIS-системой через API.
- Для генерации отчётов используем RAG-систему, которая извлекает релевантные кейсы.
- Документация и обучение сотрудников.
- Поддержка 6 месяцев после внедрения.
Сроки
Базовая система бинарного change detection для одного региона: 6–10 недель под ключ. Семантическая детекция + мультитемпоральный мониторинг: 12–18 недель. Стоимость рассчитывается индивидуально — свяжитесь с нами, мы сделаем расчёт за 1 день.
Наша команда имеет 5+ лет опыта в AI для спутниковых данных и более 20 реализованных проектов. Работаем с Sentinel-2, Landsat, Maxar. Предоставляем сертификат на качество обработки данных. Получите консультацию — отправьте заявку на нашем сайте.