Порівняння двох супутникових знімків однієї території з різницею в 6 місяців — це години ручної роботи аналітика на кожен квадратний кілометр. Коли територія — 1 000 км², ручний аналіз стає нереальним. Change detection — базова концепція, на якій будуються всі сучасні підходи. Згідно з роботою ChangeFormer, F1 досягає 0.916 на датасеті LEVIR-CD. Модель обробляє ті ж дані за хвилини, реєструючи зміни площею від 100 м². При цьому основна складність — хибні спрацьовування через різницю в освітленні, сезонах і кутах зйомки (pseudo-changes). Ми розробили рішення, які знижують рівень хибних змін до 10-15% і успішно впровадили їх для 10+ проектів — від моніторингу лісів до контролю будмайданчиків. Замовте консультацію: наші інженери підберуть архітектуру під ваше завдання за 2-3 дні. Економія на виявленні незаконних вирубок може сягати 2-3 млн гривень на рік для території 500 000 га. Строки окупності системи — менше року. В одному проекті економія склала 4 млн гривень на рік за рахунок скорочення польових перевірок.
Типи змін та методи детекції
Бінарна детекція (змінилося/не змінилося) — класифікує кожен піксель. Моделі: BIT, ChangeFormer, SNUNet. Семантична детекція визначає, що саме змінилося: ліс→вирубка, поле→забудова. Детекція об'єктів (instance-level) знаходить конкретні об'єкти — нові будівлі, зниклі кораблі.
Як вирішити проблему pseudo-changes?
Pseudo-changes — це зміни, яких немає в реальності, але вони видимі через різний час доби, сезон або атмосферу. На практиці FP rate без preprocessing становить 30-60%. Ми використовуємо комбінацію методів:
- Радіометрична нормалізація — приведення знімків до єдиного photometric baseline (histogram matching, pseudo-invariant features).
- Сезонна прив'язка — порівняння тільки знімків одного сезону (наприклад, квітень з квітнем).
- Калібрування ймовірностей — замість бінарного порогу використовуємо ймовірності, поріг підбирається індивідуально.
В результаті FP rate знижується до 10-15%, а точність детекції (F1) перевищує 0.9. Мультитемпоральний LSTM знижує кількість хибних спрацьовувань на 40% порівняно з парним порівнянням — це в 1.67 рази менше FP.
Технічні деталі хмарної фільтрації
Використовуємо алгоритм Fmask для виявлення хмар, потім маскуємо хмарні пікселі. Для часових рядів застосовуємо інтерполяцію сплайнами.Архітектура siamese networks
Стандартна архітектура: два ідентичні encoder'и (siamese) обробляють знімки T1 і T2, потім фічі конкатенуються або віднімаються, і decoder передбачає change map.
import torch
import torch.nn as nn
class SiameseChangeDetector(nn.Module):
def __init__(self, encoder, decoder):
super().__init__()
self.encoder = encoder # Спільні ваги для T1 і 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) # або 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 датасеті (0.5 м/піксель). SNUNet (densely connected UNet): F1 = 0.908 при меншому часі інференсу.
Що дає мультитемпоральний аналіз?
При безперервному моніторингу використовується не два знімки, а часовий ряд. LSTM або temporal transformer передбачають аномалію відносно медіанного composite за рік. Такий підхід враховує сезонні патерни та знижує кількість хибних змін на 40% порівняно з парним порівнянням. Recall підвищується на 0.05–0.1.
Кейс: моніторинг незаконних вирубок (з нашої практики)
Територія: 500 000 га тайги. Знімки: Sentinel-2, раз на 10 днів. Завдання: виявляти свіжі вирубки (≥ 1 га) протягом 30 днів після події.
Pipeline:
- Отримання та cloud-free composite знімків S2.
- Запуск ChangeFormer (14-канальний input: RGB+NIR+SWIR x2 дати).
- Полігонізація масок змін.
- Фільтрація за площею (≥ 100 px = 1 га при 10 м/px).
- Порівняння з легальними лісорубними квитками (векторні дані Держлісагентства).
- Генерація алерту для лісової охорони.
Результат: recall вирубок ≥ 1 га — 0.93, FP rate після порівняння з легальними вирубками — 8%, середній час від події до алерту — 12 днів. Економія на оперативному виявленні незаконних вирубок сягає 3-5 млн гривень на рік для лісгоспів.
Порівняння підходів до детекції змін
| Підхід | Точність (F1) | Час навчання | Об'єм розмітки |
|---|---|---|---|
| Бінарний ChangeFormer | 0.916 | 4-6 годин на GPU | 1000+ пар |
| Семантичний SCD | 0.85-0.90 | 8-12 годин | 5000+ пар з масками |
| Мультитемпоральний LSTM | 0.88-0.93 | 10-15 годин | 10000+ знімків |
Методи зниження pseudo-changes
| Метод | Зниження FP rate | Примітка |
|---|---|---|
| Радіометрична нормалізація | 15-25% | histogram matching |
| Сезонна прив'язка | 10-20% | тільки знімки одного сезону |
| Калібрування ймовірностей | 5-10% | поріг підбирається по валідації |
Що входить у роботу
- Аналіз завдання та підбір моделі (2-3 дні) — безкоштовно, оцінимо проект.
- Розмітка даних (якщо потрібно) — сертифіковані спеціалісти.
- Навчання та оптимізація моделі під ключ з гарантією точності не нижче 90%.
- Інтеграція з GIS-системою через API.
- Для генерації звітів використовуємо RAG-систему, яка вилучає релевантні кейси.
- Документація та навчання співробітників.
- Підтримка 6 місяців після впровадження.
Строки
Базова система бінарного change detection для одного регіону: 6–10 тижнів під ключ. Семантична детекція + мультитемпоральний моніторинг: 12–18 тижнів. Вартість розраховується індивідуально — зв'яжіться з нами, ми зробимо розрахунок за 1 день.
Наша команда має 5+ років досвіду в AI для супутникових даних і понад 20 реалізованих проектів. Працюємо з Sentinel-2, Landsat, Maxar. Надаємо сертифікат на якість обробки даних. Отримайте консультацію — відправте заявку, і ми зв'яжемося з вами.