Как AI-анализ спутниковых снимков помогает в мониторинге?
Мы разрабатываем пайплайны для автоматического извлечения информации из спутниковых снимков. Спутниковый архив Sentinel-2 содержит снимки каждой точки Земли каждые 5 дней. Это петабайты открытых данных с разрешением 10 м/пиксель. Задача не в том, чтобы получить снимок — задача в том, чтобы автоматически извлечь из него информацию: где построили новые здания, где изменилась культура, где появилась техника на открытых площадках. Наш опыт в remote sensing — 5+ лет, 20+ выполненных проектов, команда из 10+ ML-инженеров. Использование нашего пайплайна сокращает время анализа снимка на 80%.
Источники данных и их характеристики — ai система анализа
| Источник | Разрешение | Периодичность | Доступность |
|---|---|---|---|
| Sentinel-2 (ESA) | 10–60 м | 5 дней | Открытый |
| Landsat 8/9 (NASA) | 15–100 м | 16 дней | Открытый |
| Planet Labs | 3–5 м | Ежедневно | Коммерческий |
| Maxar WorldView-3 | 0.3 м | По заказу | Коммерческий |
| SAR (Sentinel-1) | 5–20 м | 6 дней | Открытый |
Подробнее о спутниковой программе Sentinel читайте в Википедии. SAR работает сквозь облака — критично для тропических регионов. Гарантируем, что для каждого проекта подберём оптимальный набор источников с учётом бюджета и требований к точности.
Как эффективно детектировать мелкие объекты на спутниковых снимках?
Главная особенность: объекты малы относительно тайла. Самолёт на аэродроме — 30–80 пикселей при разрешении 0.5 м/пиксель. Корабль в порту — 20–120 пикселей. Автомобиль — 4–8 пикселей. Для таких масштабов стандартный YOLOv8 с feature pyramid работает плохо — мелкие объекты теряются. Использование SAHI (Slicing Aided Hyper Inference) даёт прирост recall на 15–20% по сравнению с прямым детектированием на полном тайле. Это в 1.2 раза лучше, чем просто увеличение разрешения.
- SAHI — разрезаем тайл на перекрывающиеся patch'и 640×640, детектируем на каждом, объединяем через NMS.
- Super-resolution preprocessing — ESRGANx4 перед детектором удваивает recall на мелких объектах ценой увеличения latency в 3 раза.
from sahi import AutoDetectionModel from sahi.predict import get_sliced_prediction detection_model = AutoDetectionModel.from_pretrained( model_type='yolov8', model_path='satellite_detector.pt', confidence_threshold=0.4, device="cuda:0", ) result = get_sliced_prediction( "satellite_tile.tif", detection_model, slice_height=640, slice_width=640, overlap_height_ratio=0.2, overlap_width_ratio=0.2 ) Детали настройки параметров SAHI
Оптимальный overlap — 0.2–0.3. Если объекты расположены на границах patch'ей, увеличивайте overlap до 0.5. Для GPU с памятью 16 GB можно использовать patch'и 1280×1280 с overlap 0.15.Почему атмосферная коррекция критична для точности?
Работа с мультиспектральными данными (Sentinel-2) требует нормализации: Top-of-atmosphere reflectance (TOA) → Surface reflectance (SR) через атмосферную коррекцию (Sen2Cor или Google Earth Engine). Без коррекции модель, обученная на летних снимках Европы, даёт precision 0.52 на зимних снимках (снег, другие углы освещения). NDVI как дополнительный канал при передаче в модель: vegetation index хорошо выделяет с/х угодья, леса, газоны без дополнительной обработки. Мы сертифицированы на работу с климатическими и геопространственными данными. Затраты на мониторинг снижаются на 60%.
Специфика работы с облачностью
Cloud masking — обязательный шаг. Sentinel-2 Level-2A содержит SCL. Но точность SCL ~85% — тонкие облака пропускает. Нейросетевой cloud mask (s2cloudless) даёт 94% точность — это в 1.1 раза точнее.
| Метод cloud masking | Точность | Затраты времени |
|---|---|---|
| SCL (встроенный) | ~85% | минимальные |
| s2cloudless (нейросетевой) | ~94% | 10–30 мин на сцену |
Для временных серий: cloud-free композиты через медианное агрегирование за период 30–60 дней. Медиана убирает облака, тени, снег лучше, чем выбор «чистейшего» снимка.
Что входит в нашу работу по remote sensing?
Мы предоставляем полный цикл: от сбора требований до поддержки продукционного пайплайна.
- Анализ задачи и подбор источников (открытые/коммерческие, разрешение, периодичность)
- Разработка пайплайна: скачивание, атмосферная коррекция, cloud masking, детекция/классификация/сегментация
- Обучение и калибровка моделей (YOLO, transformers, SAM)
- Развёртывание: Docker-контейнер, API, интеграция с GIS (PostGIS, GeoServer)
- Дашборд и визуализация (Grafana, Kepler.gl)
- Документация и обучение ваших инженеров
- Сопровождение в течение 3 месяцев после внедрения
Кейс: мониторинг строительства (из нашей практики)
Задача: отслеживать строительную активность в 15 индустриальных зонах для инвестиционного анализа. Метрика: площадь «активного строительства» (свежевынутый грунт, строительная техника, незавершённые конструкции) в динамике. Для одного из клиентов мы реализовали пайплайн:
- Sentinel-2 + Planet monthly composites
- Change detection модель (BIT — Binary change detection with transformer): сравнение пар снимков с интервалом 30 дней
- Semantic segmentation «типа изменения»: новое строительство / снос / озеленение
- Экспорт метрик в PostGIS + дашборд на Grafana
Точность детекции новых строений: F1 = 0.87. False negative — строения, завершённые менее чем за 30 дней (сборные конструкции). Периодичность обновления: раз в 2 недели.
Сроки
Пилот (одна задача, ограниченный регион): 6–8 недель. Продакшн-система мониторинга (несколько задач, весь регион): 14–20 недель. Стоимость рассчитывается индивидуально в зависимости от территории покрытия и коммерческих данных.
Оцените свой проект: свяжитесь с нами, мы подготовим коммерческое предложение в течение 2 рабочих дней. Или начните с пилота — уже через 6 недель вы получите работающий прототип. Закажите разработку прямо сейчас — мы гарантируем качество и сроки.