Автоматизация инвентаризации лесов: как CV-модели и vision-трансформеры анализируют спутниковые снимки крон
Newswise выпустил материал об использовании ИИ для подсчёта деревьев по спутниковым снимкам. Задача: сегментация крон или детекция объектов на спутниковых данных.
Пайплайн под капотом
Вход: спутниковый снимок или мозаика в RGB или мультиспектральных каналах. Выход: маска крон или bbox-объекты с координатами. Между ними — нейросеть, как правило на основе свёрточных архитектур или vision-трансформеров. Обучение идёт на размеченных полигонах: оператор обводит кроны вручную. Пост-обработка: кластеризация соседних объектов, фильтрация шума, разрешение перекрытий. Разметка здесь дороже самой модели — это известное узкое место всего направления.
Контекст для ниши
Earth Observation через ML востребован в трёх вертикалях: углеродные реестры и климатический мониторинг, страховые оценки после лесных пожаров, инвентаризация зелёных зон в городской урбанистике. Подсчёт деревьев — частный случай задачи land cover classification, более простой, чем детекция вырубок или оценка биомассы. Цена ошибки модели различается по вертикалям: для углеродного учёта она критична, для городских насаждений допустима в пределах погрешности. Отсюда разные требования к метрикам и разным тестовым наборам.
Что не раскрыто
Без полного текста Newswise нельзя проверить три ключевых параметра: разрешение входных снимков, источник и размер обучающей выборки, метрики на независимом тесте. Эти цифры отличают рабочий инструмент от демо-ролика на нескольких тайлах. Остаётся открытым и вопрос валидации на разных биомах: тропический лес с сомкнутым пологом и тайга требуют разных подходов, и модель, обученная на одном, обычно деградирует на другом.