Поле знято, ортофотоплан побудовано. Але як із 500 МП пікселів отримати межі полів і карту культур? Без AI-моделей це ручна дигіталізація, яка займає дні. Ми автоматизуємо цей процес за допомогою сучасних архітектур — SegFormer, HRNet та LSTM для часових рядів. Наша команда AI/ML-інженерів має 5+ років досвіду в агро-комп'ютерному зорі, реалізувала 30+ проектів, обробила понад 150 000 га. Гарантуємо промислову надійність: від автономної зйомки до інтеграції з вашою ГІС. Знижуємо витрати на обробку даних у 2–3 рази.
Що складно в агро-картографуванні
Як AI-система визначає межі полів?
На перший погляд — задача семантичної сегментації. На практиці — ні. Поля розділені межами шириною 30–50 см, які на супутниковому знімку 10 м/пікс просто зникають. Поля однієї культури зливаються візуально. Межі змінюються щосезону. Для точного виділення меж потрібні високороздільні знімки (< 0.5 м/пікс з дрона або < 1.5 м/пікс від комерційних супутників типу Maxar WorldView-4). Архітектура: DeepLabV3+ з EfficientNet-B4 або SegFormer з навчанням на датасетах типу AI4Boundaries (Європа, 340 000 полів) або FieldsOfTheWorld. Складність, на яку всі натикаються: межа між полем і дорогою (обидва об'єкти темні та лінійні). Рішення — додавання висотного каналу з DSM (digital surface model) як додаткової ознаки. Дорога пласка, межа часто має мікрорельєф. Економія часу на обробку даних — до 80% порівняно з ручною дигіталізацією.
Чому часовий ряд NDVI важливий для класифікації культур?
Одиночний знімок не дозволяє надійно розрізнити пшеницю та ячмінь — на одній стадії вони виглядають ідентично. Часовий ряд NDVI (phenological signature) вирішує проблему: різні культури проходять піки вегетації в різні терміни. Sentinel-2 дає знімки раз на 5 днів при ясному небі, Sentinel-1 (SAR) — незалежно від хмар. Архітектура для класифікації за часовим рядом: TempCNN або Transformer на послідовності ~20 знімків за сезон. Публічні передтреновані моделі: SITS-BERT. На практиці досягаємо OA (overall accuracy) 0.91–0.95 по 8–12 класах культур при достатньому обсязі розмітки (500+ полів на клас). Вартість обробки одного гектара знижується в 2–3 рази при переході на AI.
Фотограмметрія та побудова ортофотоплану
Пайплайн зйомки та обробки:
- Планування місії: Mission Planner, DJI Terra, Pix4Dcapture. Перекриття 75% поздовжнє / 70% поперечне для надійної фотограмметрії. Висота польоту = необхідний GSD × фокусна відстань / розмір пікселя матриці.
- Обробка: OpenDroneMap (open source) або Pix4Dmapper / Agisoft Metashape (комерційні). ODM на GPU (CUDA) обробляє 500 знімків за 45 хвилин на RTX 3090, що в 8 разів швидше за CPU.
Вихідні продукти:
- Ортофото (GeoTIFF, роздільна здатність 2–5 см/пікс)
- DSM / DTM (цифрова модель поверхні/рельєфу)
- Щільна точка хмара (3D)
- Мультиспектральні індексні карти (NDVI, NDRE, SAVI)
Порівняння джерел даних
| Джерело | Роздільна здатність | Частота зйомки | Вартість |
|---|---|---|---|
| Дрон | 2–10 см/пікс | На замовлення | Висока |
| Sentinel-2 | 10 м/пікс | Кожні 5 днів | Безкоштовно |
| Maxar WorldView-4 | 30 см/пікс | На замовлення | Висока |
| Landsat 8 | 30 м/пікс | Кожні 16 днів | Безкоштовно |
Як працює change detection?
Порівняння двох ортофото одного поля з різних дат — change detection. Задача для Siamese-мережі або U-Net з різницевим входом (дві епохи). Застосування: виявлення нових об'єктів (будівлі, дороги), зміна площ посівів, динаміка вегетації, наслідки несприятливих подій (затоплення, посуха).
Кейс: клієнт — агрохолдинг, 35 000 га в 4 регіонах. Задача — автоматичне оновлення цифрової карти полів раз на сезон без ручної дигіталізації. Система: Sentinel-2 щомісячний моніторинг + U-Net change detection (backbone EfficientNet-B4). Точність виявлення змін меж > 0.5 га: recall 0.89, precision 0.84. Скоротили час оновлення карт з 2 тижнів ручної роботи до 4 годин автоматичної обробки.
Порівняння архітектур сегментації
| Модель | IoU на межах | FPS на RTX 3090 | Параметри |
|---|---|---|---|
| U-Net (ResNet-50) | 0.72 | 45 | 24M |
| DeepLabV3+ (EfficientNet-B4) | 0.82 | 32 | 36M |
| SegFormer-B3 | 0.84 | 28 | 45M |
| HRNet-W48 | 0.86 | 18 | 66M |
SegFormer перевершує U-Net на 12% по IoU, але трохи повільніший. DeepLabV3+ — оптимальний баланс точності та швидкості.
Інтеграція з ГІС та агро-платформами
Всі вихідні дані у стандартних геопросторових форматах:
- Растрові продукти: GeoTIFF, Cloud Optimized GeoTIFF (COG) для стрімінгу
- Векторні дані: GeoJSON, Shapefile, GeoPackage
- Тайловий сервіс: XYZ-тайли або WMS/WMTS для інтеграції в веб-ГІС
Інтеграція з QGIS, ArcGIS, агро-платформами (Cropio, EOS Crop Monitoring, ClimateFieldView) через стандартні API або файловий експорт. Це дозволяє будувати зональні карти управління (VRA maps) для точного землеробства.
Автоматизація польотних операцій
Для регулярного моніторингу — dock station + автономний дрон. DJI Dock 2 + Matrice 3D або Parrot ANAFI Ai: дрон вилітає за розкладом, виконує місію, повертається та заряджається. CV-система обробляє дані автоматично без оператора. Замовте консультацію, щоб оцінити застосовність для ваших полів.
Що входить у роботу
- Технічне завдання та пілотна ділянка: обговорюємо вимоги, обираємо поле для тесту (до 50 га).
- Збір даних: організовуємо зйомку дроном або використовуємо знімки замовника.
- Розробка моделі: підбираємо архітектуру, навчаємо під ваші культури та регіон.
- Інтеграція: налаштовуємо пайплайн обробки, вивантажуємо результати у вашу ГІС.
- Документація та навчання: передаємо інструкції, проводимо вебінар для агрономів.
- Підтримка: технічна підтримка на 3 місяці, оновлення моделі по мірі надходження нових даних.
Типові помилки при плануванні місії
- Недостатнє перекриття знімків — якщо поздовжнє перекриття менше 70%, фотограмметрія дає розриви. Рекомендуємо 75%.
- Ігнорування висотних об'єктів — дерева та лінії електропередач створюють тіні та спотворюють DSM. Плануйте місію опівдні.
Терміни
Одноразове картографування та аналіз: 1–3 тижні. Система регулярного моніторингу з автоматичною обробкою та ГІС-інтеграцією: 2–4 місяці.
Отримайте консультацію безкоштовно — зв'яжіться з нами для оцінки ваших даних. Ми підберемо рішення під ваш бюджет і покажемо, як AI-платформа для точного землеробства окупається за один сезон.