От снимка к прогнозу
Как ИИ меняет подход к мониторингу территорий
Использование данных дистанционного зондирования в решении повседневных задач давно перестало вызывать удивление. Главная проблема долгое время заключалась не в отсутствии данных, а в невозможности их быстро и точно обработать: специалисту физически сложно вручную анализировать гигабайты снимков, покрывающих десятки тысяч квадратных километров, и сопоставлять каждый пиксель с реальными объектами. Именно здесь на помощь приходит искусственный интеллект. Его роль в мониторинге пространства сегодня сводится к трем аспектам: он масштабирует анализ, связывает разрозненные данные в единую картину и, что важнее всего, позволяет перейти от простой фиксации происходящего к прогнозу и предиктивной аналитике.
Дмитрий Шадрин
Тимур Сабиров, Сколтех
Старший преподаватель Сколтеха (институт входит в группу ВЭБ.РФ) Дмитрий Шадрин, который входит в топ-2% самых цитируемых ученых мира по версии научного издательства Elsevier, рассказал «Ъ-Науке», какие технологии позволяют внедрять ИИ в мониторинг окружающей среды, как генеративные модели помогают повышать эффективное разрешение спутниковых снимков для решения прикладных задач и как его команда развивает мультимодальную платформу для предотвращения экологических чрезвычайных ситуаций.
Помощь в принятии решений
Начать стоит с самого простого и наглядного примера — классического мониторинга, который фиксирует то, что уже произошло. Спутник пролетает над территорией, алгоритм сегментирует снимок и выявляет поля, реки, леса. Через две недели — месяц спутник снимает ту же территорию снова, и при сравнении снимков становится понятно, что леса стало меньше или появились какие-либо изменения в водной поверхности или территориях сельхозугодий.
Такая полуавтоматическая аналитика приносит колоссальную пользу для мониторинга и оптимизации хозяйственной деятельности страны. Главная ценность для региональных служб по контролю оптимизации экономической деятельности в регионах — это возможность получать объективную и независимую оценку ситуации в регионе, опираясь на реальные оперативно обновляемые данные, а не только на статические учетные данные реестров. Данные со спутников, обработанные с помощью методов компьютерного зрения, показывают реальную картину: сколько на самом деле построено домов, объектов инфраструктуры, какова реальная площадь лесов и как она изменилась, в каких местах появились свалки.
Более того, ИИ помогает выявлять то, что раньше требовало колоссального ручного труда. Например, задача определения самостроя. Раньше, чтобы его выявить, нужны были обходы и сверки, на которые уходили годы. Сейчас все иначе: спутник сверхвысокого разрешения снимает территорию, алгоритм автоматически сегментирует дома, далее определенные координаты сверяются с базой данных, на основе чего сразу можно определить, какие постройки зарегистрированы, а какие нет. В масштабах страны это огромная экономия времени и ресурсов.
Почему сложность не в алгоритмах, а в данных
Сама постановка задачи классификации или сегментации в мониторинге известна уже десятки лет, а достаточно эффективные алгоритмы появились еще 8–10 лет назад. Настоящая проблема кроется не в алгоритмах, а в данных и их разнообразии.
Взять хотя бы так называемую проблему сдвига распределений (от англ. domain shift). Допустим, мы обучили алгоритм распознавать лес на Дальнем Востоке, но, если перенести эту модель в Сибирь, где другие особенности лесопородного состава, точность может просесть. Применить алгоритм, обученный на одном регионе, к разным регионам не получится: всегда требуются доработки, тонкая настройка под конкретную местность. Для России с ее различными климатическими зонами, кардинально отличающимися типами поверхности, масштабами это особенно актуально. Ввиду этого типичный подход заключается в том, что делается базовая модель, а затем она дообучается под каждый регион, если предполагаются сильные отличия в типе поверхности.
То же самое касается замены спутниковых группировок. Они не вечны: отработали 5–10 лет, и на смену запустили новый аппарат. Даже если сенсор похож, снимки все равно будут отличаться. Взять напрямую алгоритм, обученный на старых снимках, и применить к новым возможно, но точность также снизится. Поэтому нужно адаптировать модель на новых данных, и это интересная область исследований — адаптация алгоритмов с минимальными затратами. Это касается не только спутников: если говорить шире о компьютерном зрении, то данная задача актуальна и в видеоаналитике для разных приложений.
Есть и еще одна проблема — так называемый период повторного посещения спутника (от англ. satellite revisit period). Спутники, которые ориентированы на мониторинг территорий, не висят над одной точкой, но могут пролетать над ней раз в две недели. А если добавить к этому погодные условия — облачность, недостаток освещения,— то за все лето можно получить всего несколько качественных снимков нужной поверхности. Это сильно усложняет мониторинг.
Разрешение, генеративные подходы и восстановление изображений
Здесь на помощь приходят генеративные подходы. Отдельное перспективное направление — повышение эквивалентного пространственного разрешения снимков. Спутники с разрешением лучше одного метра на пиксель — это хорошие снимки, позволяющие решать широкий спектр актуальных прикладных задач, но зачастую такие данные не дешевые.
Поэтому было предложено адаптировать алгоритмы повышения разрешения для спутниковых снимков. Допустим, у нас есть снимок с разрешением 10 метров на пиксель и алгоритм сегментирует лес с некоей точностью. Затем мы применяем генеративную модель, повышаем разрешение снимка до 2,5 метра на пиксель и запускаем тот же алгоритм снова. Если лес начинает сегментироваться точнее, с более четкими контурами, значит, генерация сверхразрешения действительно имеет смысл. Иными словами, генерация — это не самоцель, а промежуточный инструмент для решения конечной прикладной задачи: сегментировать поверхность земли и точнее определять ее количественные характеристики.
Мультимодальность и физика
Следующий шаг — переход от простой фиксации и мониторинга к прогнозу. Разработанная в Центре ИИ Сколтеха цифровая платформа объединяет целый набор сервисов для решения прикладных задач. Одним из важных сервисов является прогнозирование лесных пожаров: система автоматически формирует пятидневные прогнозы вероятности их возникновения и распространения. Кроме того, платформа позволяет вести мониторинг лесных ресурсов — определять границы лесных массивов, характеристики древостоя и отдельных крон деревьев, а также оценивать углеродный баланс территорий. Еще одно важное направление — мониторинг паводков и затоплений: мы выявляем затопленные территории по спутниковым данным и оцениваем масштабы чрезвычайных ситуаций. Наконец, платформа решает задачи анализа землепользования — распознает здания, объекты инфраструктуры и изменения земной поверхности с помощью методов компьютерного зрения. Сейчас мы работаем и над пространственным прогнозированием наводнений, чтобы дополнить уже существующие инструменты мониторинга и прогноза.
Здесь мы переходим к использованию мультимодальных данных. Чтобы правильно предсказать пожар, недостаточно просто увидеть сухую траву или деревья. Нужно учесть метеоданные, их прогноз, удаленность от дорог, влажность почвы. Все эти данные нужно привести к единому разрешению и формализовать постановку задачи так, чтобы нейросеть могла их корректно обработать и учесть влияние всех параметров.
При этом важно понимать физику процесса. Мало смысла имеет требовать прогноз вероятности возникновения пожара на сетке с разрешением 100 метров на пять дней вперед. Это невозможно с позиции физики, так как существует большая неопределенность в прогнозе погоды, которая влияет на конечный параметр в таком масштабе. Для решения данной задачи было определено оптимальное разрешение сетки — примерно 20x20 км, что, c одной стороны, совпадает с масштабом неопределенности прогноза погоды, а с другой — позволяет выстраивать оптимальную логистику для пожарных бригад.
За этими результатами стоит сильная команда, чьи компетенции выходят далеко за рамки только этого проекта: 30% исследователей Центра искусственного интеллекта Сколтеха входят в топ-2% самых цитируемых ученых мира по версии Elsevier. Их экспертиза охватывает весь спектр современного ИИ — от оптимального транспорта и моделирования многообразий до генеративного моделирования и 3D-компьютерного зрения. Опираясь на фундаментальные исследования, центр решает важные отраслевые задачи и создает платформенные решения, которые уже используются крупными промышленными корпорациями. Именно этот уровень экспертизы позволяет нам решать сложные прикладные задачи и внедрять их в реальную работу.
В конечном счете все эти технологии служат нескольким целям: во-первых, производить масштабный мониторинг территорий в целях оценки хозяйственной экономической и экологической деятельности, а во-вторых, прогнозировать природные чрезвычайные ситуации.
