Як AI-аналіз супутникових знімків допомагає в моніторингу?
Ми розробляємо пайплайни для автоматичного вилучення інформації з супутникових знімків. Супутниковий архів Sentinel-2 містить знімки кожної точки Землі кожні 5 днів. Це петабайти відкритих даних з роздільною здатністю 10 м/піксель. Завдання не в тому, щоб отримати знімок — завдання в тому, щоб автоматично вилучити з нього інформацію: де побудували нові будівлі, де змінилася культура, де з'явилася техніка на відкритих майданчиках. Наш досвід у remote sensing — 5+ років, 20+ виконаних проєктів, команда з 10+ ML-інженерів. Використання нашого пайплайну скорочує час аналізу знімка на 80%.
Джерела даних та їх характеристики — ai система аналізу
| Джерело | Роздільна здатність | Періодичність | Доступність |
|---|---|---|---|
| Sentinel-2 (ESA) | 10–60 м | 5 днів | Відкритий |
| Landsat 8/9 (NASA) | 15–100 м | 16 днів | Відкритий |
| Planet Labs | 3–5 м | Щодня | Комерційний |
| Maxar WorldView-3 | 0.3 м | На замовлення | Комерційний |
| SAR (Sentinel-1) | 5–20 м | 6 днів | Відкритий |
Детальніше про супутникову програму Sentinel читайте в Вікіпедії. SAR працює крізь хмари — критично для тропічних регіонів. Гарантуємо, що для кожного проєкту підберемо оптимальний набір джерел з урахуванням бюджету та вимог до точності.
Як ефективно детектувати дрібні об'єкти на супутникових знімках?
Головна особливість: об'єкти малі відносно тайлу. Літак на аеродромі — 30–80 пікселів при роздільній здатності 0.5 м/піксель. Корабель у порту — 20–120 пікселів. Автомобіль — 4–8 пікселів. Для таких масштабів стандартний YOLOv8 з feature pyramid працює погано — дрібні об'єкти губляться. Використання SAHI (Slicing Aided Hyper Inference) дає приріст recall на 15–20% порівняно з прямим детектуванням на повному тайлі. Це в 1.2 рази краще, ніж просто збільшення роздільної здатності.
- SAHI — розрізаємо тайл на перекривні патчі 640×640, детектуємо на кожному, об'єднуємо через NMS.
- Super-resolution preprocessing — ESRGANx4 перед детектором подвоює recall на дрібних об'єктах ціною збільшення latency в 3 рази.
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 ) Деталі налаштування параметрів SAHI
Оптимальний overlap — 0.2–0.3. Якщо об'єкти розташовані на межах патчів, збільшуйте overlap до 0.5. Для GPU з пам'яттю 16 GB можна використовувати патчі 1280×1280 з overlap 0.15.Чому атмосферна корекція критична для точності?
Робота з мультиспектральними даними (Sentinel-2) вимагає нормалізації: Top-of-atmosphere reflectance (TOA) → Surface reflectance (SR) через атмосферну корекцію (Sen2Cor або Google Earth Engine). Без корекції модель, навчена на літніх знімках Європи, дає precision 0.52 на зимових знімках (сніг, інші кути освітлення). NDVI як додатковий канал при передачі в модель: vegetation index добре виділяє с/г угіддя, ліси, газони без додаткової обробки. Ми сертифіковані на роботу з кліматичними та геопросторовими даними. Витрати на моніторинг знижуються на 60%.
Специфіка роботи з хмарністю
Cloud masking — обов'язковий крок. Sentinel-2 Level-2A містить SCL. Але точність SCL ~85% — тонкі хмари пропускає. Нейромережевий cloud mask (s2cloudless) дає 94% точності — це в 1.1 рази точніше.
| Метод cloud masking | Точність | Витрати часу |
|---|---|---|
| SCL (вбудований) | ~85% | мінімальні |
| s2cloudless (нейромережевий) | ~94% | 10–30 хв на сцену |
Для часових серій: cloud-free композити через медіанне агрегування за період 30–60 днів. Медіана прибирає хмари, тіні, сніг краще, ніж вибір «найчистішого» знімка.
Що входить в нашу роботу з remote sensing?
Ми надаємо повний цикл: від збору вимог до підтримки продукційного пайплайну.
- Аналіз задачі та підбір джерел (відкриті/комерційні, роздільна здатність, періодичність)
- Розробка пайплайну: скачування, атмосферна корекція, cloud masking, детекція/класифікація/сегментація
- Навчання та калібрування моделей (YOLO, transformers, SAM)
- Розгортання: Docker-контейнер, API, інтеграція з GIS (PostGIS, GeoServer)
- Дашборд та візуалізація (Grafana, Kepler.gl)
- Документація та навчання ваших інженерів
- Супровід протягом 3 місяців після впровадження
Кейс: моніторинг будівництва (з нашої практики)
Задача: відстежувати будівельну активність у 15 індустріальних зонах для інвестиційного аналізу. Метрика: площа «активного будівництва» (свіжовийнятий ґрунт, будівельна техніка, незавершені конструкції) в динаміці. Для одного з клієнтів ми реалізували пайплайн:
- Sentinel-2 + Planet monthly composites
- Change detection модель (BIT — Binary change detection with transformer): порівняння пар знімків з інтервалом 30 днів
- Semantic segmentation «типу зміни»: нове будівництво / знесення / озеленення
- Експорт метрик в PostGIS + дашборд на Grafana
Точність детекції нових будівель: F1 = 0.87. False negative — будівлі, завершені менш ніж за 30 днів (збірні конструкції). Періодичність оновлення: раз на 2 тижні.
Терміни
Пілот (одна задача, обмежений регіон): 6–8 тижнів. Продакшн-система моніторингу (кілька задач, весь регіон): 14–20 тижнів. Вартість розраховується індивідуально залежно від території покриття та комерційних даних.
Оцініть свій проєкт: зв'яжіться з нами, ми підготуємо комерційну пропозицію протягом 2 робочих днів. Або почніть з пілоту — вже через 6 тижнів ви отримаєте працюючий прототип. Замовте розробку прямо зараз — ми гарантуємо якість та терміни.