Современные технологии дистанционного зондирования Земли (ДЗЗ) предоставляют огромные объемы данных, которые могут быть использованы для решения широкого круга задач — от мониторинга сельскохозяйственных угодий до контроля за городской инфраструктурой. Однако эффективная обработка этих данных остается сложной задачей, требующей передовых технологий искусственного интеллекта.

Данные дистанционного зондирования Земли (ДДЗ) обладают рядом особенностей, которые усложняют автоматическое обнаружение объектов:

• высокое разрешение изображений: современные спутники обеспечивают детализацию до 30 см на пиксель, что создает огромные объемы данных для обработки,

• разнообразие масштабов объектов: от отдельных автомобилей до целых городских районов,

• сложная фоновая обстановка: объекты часто маскируются природным ландшафтом или городской застройкой,

• изменчивость условий съемки: погодные условия, время суток, угол съемки и пр.

Как отмечается в статистическом сборнике «Индикаторы цифровой экономики: 2026», подготовленном совместно ВШЭ и Минцифры, 54,4% организаций, использующих данные, полученные из различных источников, включая данные дистанционного зондирования Земли, сталкиваются с недостаточной эффективность анализа этих данных, связанных с нехваткой подходящих алгоритмов для их обработки.

Недавно проведенные исследования в области обработки данных ДЗЗ привели к разработке новых алгоритмов на базе сверточных нейронных сетей, в частности модификаций архитектуры YOLO (You Only Look Once), которые демонстрируют значительное улучшение по сравнению с существующими решениями. Например, исследование, проведенное под научным руководством к.т.н. Андриянова Никиты Андреевича, Доцента Кафедры искусственного интеллекта Факультета информационных технологий и анализа больших данных Финансового университета «Обнаружение объектов на данных дистанционного зондирования земли». Разработанные новые алгоритмы на базе сверточных нейронных сетей, в частности архитектуры YOLO, позволяют находить объекты с более высокой точностью и скоростью по сравнению с аналогами.

Адаптация архитектуры YOLO для данных ДЗЗ заключается в модификация сетевой структуры для учета особенностей спутниковых изображений, оптимизации для обнаружения мелких объектов, характерных для спутниковых снимков. Это направлено на учёт особенностей изображений данного типа: например, использование ориентированных ограничивающих рамок для объектов, расположенных плотно друг к другу, и ограничивающие рамки сильно пересекаются. Это помогает избежать нерелевантных рамок, так как нейронная сеть часто находит несколько рамок, в которые попадает один и тот же объект; пониженная дискретизация карты признаков позволяет получить больше информации о местоположении малых объектов, так как пониженная дискретизация содержит больше данных; использование модулей внимания с учётом масштаба, пространства и задач, что повышает способность модели распознавать признаки разного масштаба и пространственные особенности.

В целом, повышение точности обнаружения объектов достигается путем внедрения механизмов внимания для фокусировки на релевантных областях изображения за счет использования многомасштабного подхода для обнаружения объектов различных размеров. Ускорение обработки данных обеспечивается оптимизацией вычислительной сложности для работы с большими изображениями, сокращением времени обработки одного спутникового снимка и возможность обработки в реальном времени потоковых данных.

Доцент Кафедры бизнес-информатики Факультета информационных технологий и анализа больших данных Финансового университета при Правительстве РФ Башкирова Ольга Владимировна отмечает: «Разработанные алгоритмы могут применяться, в том числе, и для целей улучшения экологической обстановки – контроля за состоянием лесопосадок, состоянием водных ресурсов и мониторинга изменения ландшафтов».