AI-класифікація земельного покриву за супутниковими знімками

Ручна векторизація 5000 км² затягується на півроку та виходить за бюджет. Наша AI-система автоматизує цю рутину: нейронна мережа на мультиспектральних знімках Sentinel-2 обробляє ту саму площу за 2–3 дні з mIoU, порівнянним з роботою досвідченого аналітика. Автоматизація скорочує бюджет на 60–80% — економія до 150 000 грн на проекті площею 1000 км². Пропонуємо послугу під ключ — від збору та дешифрування еталонів до експорту полігонів у GeoJSON або PostGIS. Зазвичай на базову класифікацію йде 4–8 тижнів, але при термінових задачах запускаємо за 3 тижні. Замовте оцінку площі та деталізації — це безкоштовно.

Як наша AI-система відрізняється від стандартних підходів?

Стандарт CORINE Land Cover надто деталізований: деякі класи (наприклад, «виноградники» та «фруктові сади») майже нерозрізненні за спектральними даними Sentinel-2. Практично ми використовуємо власну градацію на 15–20 класів, адаптовану під місцевість. Це дає mIoU 0.82–0.88 проти 0.68–0.76 при спробі класифікувати всі 44 класи без знімків високої роздільної здатності. Наша нейромережа для геоданих спеціалізується на автоматичному дешифруванні та векторизації полігонів.

Для більшості прикладних задач L2 достатній. L3 потребує знімки високої роздільної здатності (< 3 м/піксель) та значно більшого обсягу навчальних даних. За 5 років досвіду ми виконали 30+ проектів, що підтверджує надійність.

Мультиспектральний input та feature engineering

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

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])

Додавання 5 спектральних індексів до 6 вихідних каналів (всього 11 каналів): mIoU зростає з 0.84 до 0.89 на 20-класовій задачі без зміни архітектури моделі. Цей приріст — безкоштовний в плані обчислень, але дає 5% точності.

Архітектури для semantic segmentation: що обираємо та чому

SegFormer-B4 на мультиспектральному input: адаптуємо перший згортковий шар з 3 на N каналів (reinitialize weights для нових каналів, зберігаємо RGB-pretrained для перших трьох). Fine-tuning на датасеті DeepGlobe або EuroSAT.

SatMAE — переднавчена на терабайтах геопросторових даних. Fine-tuning потребує в 3–5 разів менше розмічених даних, ніж ImageNet-pretrained ViT. На тестовому регіоні ми отримали mIoU 0.87 на L2 при 500 тайлах — U-Net з ResNet-50 показав 0.82 на тому ж обсязі. SatMAE краще U-Net на 5 пунктів mIoU, але при цьому інференс SegFormer в 1.5 рази швидше за SatMAE (120 vs 250 мс).

За даними EuroSAT, fine-tuning на 500 тайлів достатньо для SatMAE.

U-Net з ResNet-50 backbone — швидкий baseline для прототипування. На L2-класифікації: mIoU = 0.85 на 1 000 розмічених тайлів. Підсумкову модель ми розгортаємо через Triton Inference Server з ONNX Runtime — latency p99 < 200 мс на піксел.

Порівняння архітектур

Як мультичасовий аналіз вирішує проблему сезонних помилок?

Однозначна класифікація за одним знімком ненадійна: засніжене поле та житлова забудова схожі в зимовий період. Мультичасовий підхід: стек знімків 4–12 місяців як часовий ряд.

SITS-BERT (Satellite Image Time Series BERT) або temporal attention поверх U-Net encoder — обробляють серію знімків як послідовність та вилучають фенологічні патерни. Розрізнення класу «рілля» vs «луг» працює тільки в динаміці: рілля має характерний NDVI-цикл. Такий підхід забезпечує точний аналіз землекористування AI.

Приріст від мультичасового підходу: mIoU на розрізненні рілля/луг/заростаючі поля — з 0.71 (один знімок) до 0.89 (серія 12 знімків). Різниця в 0.18 mIoU — типовий виграш для сільськогосподарських районів.

Постобробка та експорт

Результат сегментації нейромережі — растрова маска. Для практичних застосувань потрібен векторний формат (полігони):

• rasterio polygonize → shapely simplify (epsilon=5м для видалення зигзагів)
• Мінімальний фрагмент: відфільтрувати полігони < MMU (Minimum Mapping Unit), зазвичай 0.5–1 га
• Експорт: GeoJSON / Shapefile / PostGIS для інтеграції з GIS-системами

Що входить в роботу

• Розмітка еталонних полігонів до 1% площі (з ручним контролем)
• Модель fine-tuned під ваш регіон та легенду
• Векторний полігональний шар в одному з форматів (GeoJSON, Shapefile, PostGIS)
• Короткий звіт: mIoU на валідації, матриця помилок, рекомендації щодо використання
• Технічна підтримка на 3 місяці (консультації, доналаштування при розширенні регіону)
• Надаємо гарантію на результат: якщо mIoU нижче обіцяного, ми безкоштовно доналаштовуємо модель.

Як ми працюємо: етапи проекту

1. Аналітика — збір вихідних даних (знімки, OpenStreetMap, кадастрові шари), уточнення легенди класів.
2. Проектування — вибір архітектури (SegFormer, SatMAE або U-Net), визначення стратегії мультичасового аналізу.
3. Розмітка еталонів — підготовка навчальних полігонів (ручний контроль, верифікація експертом).
4. Навчання моделі — fine-tuning на вашому регіоні, підбір гіперпараметрів (learning rate, batch size, augmentation pipeline). Для боротьби з дисбалансом класів використовуємо комбінацію Dice loss та Focal loss. Аугментація включає випадкове масштабування, повороти, горизонтальне віддзеркалення та колірні зсуви.
5. Тестування та валідація — розрахунок mIoU, F1, матриці помилок, аномалії сегментації.
6. Деплой — експорт в необхідний формат (GeoJSON, Shapefile, PostGIS), передача моделі та звіту.

Середній термін окупності проекту — 6–8 місяців за рахунок скорочення трудовитрат. Отримайте консультацію по вашому регіону — надішлемо типову архітектуру та прогноз точності.

Терміни та метрики

Ми на ринку більше 5 років, виконали 30+ проектів з геопросторового AI. Середній термін базової класифікації L1 (5 класів) — 4–8 тижнів. L2 (15–20 класів) з мультичасовим аналізом: 10–16 тижнів. Результати фіксуються у звіті з метриками mIoU та F1-score. Зв'яжіться з нами для обговорення вашого регіону.