Satellite Image Analysis

Анализ спутниковых изображений — это извлечение информации из снимков Земли, полученных спутниками на орбите: картирование земного покрова, подсчёт кораблей, самолётов и зданий, оценка состояния посевов и обнаружение изменений между двумя датами. Это направление дистанционного зондирования, охватывающее также изображения, полученные с самолётов и дронов. Сегодня оно опирается на компьютерное зрение (CV) и глубокое обучение (DL), чтобы обрабатывать объёмы изображений, которые никакая команда аналитиков не смогла бы изучить вручную. Программа Landsat непрерывно снимает Землю с 1972 года.

Что снимают спутники#

Спутниковые изображения отличаются от обычных фотографий по четырём видам разрешения:

• Пространственное разрешение: Расстояние на местности, соответствующее одному пикселю. Landsat 8 и 9 снимают большинство диапазонов с разрешением 30 м, Sentinel-2 — 10 м, а коммерческие спутники, например WorldView-3, которым управляет Vantor (до октября 2025 года — Maxar Intelligence), обеспечивают разрешение около 30 см, достаточное для различения отдельных автомобилей.
• Спектральное разрешение: Число и ширина спектральных диапазонов. Sentinel-2 снимает в 13 диапазонах — от видимого света до коротковолнового инфракрасного излучения.
• Временное разрешение: Частота съёмки одного и того же места. Спутники Sentinel-2, работающие в паре, повторно снимают экватор каждые пять дней, а группировка небольших спутников Planet ежедневно снимает почти всю сушу Земли с разрешением около 3 м.
• Радиометрическое разрешение: Точность регистрации яркости каждого пикселя — часто 11–14 бит по сравнению с 8 битами в стандартной фотографии.

Ещё два типа датчиков расширяют возможности спутниковых измерений. Спутники с гиперспектральной съёмкой регистрируют сотни узких диапазонов, а спутники с радиолокаторами с синтезированной апертурой (SAR), например Sentinel-1, посылают микроволновые импульсы и регистрируют отражённые сигналы. Поэтому они работают сквозь облака и ночью, что делает радиолокацию главным источником данных для картирования наводнений под грозовыми облаками. Математические операции с диапазонами преобразуют спектральные данные в физические измерения: нормализованный разностный вегетационный индекс, NDVI = (NIR − Red) / (NIR + Red), приближается к 1 для густой здоровой растительности, поскольку листья сильно отражают ближний инфракрасный свет и поглощают красный.

Основные задачи анализа#

• Семантическая сегментация: Присваивает метку каждому пикселю, чтобы картировать земной покров, контуры зданий, дороги или границы затопления.
• Детекция объектов: Находит и подсчитывает отдельные объекты, например корабли, самолёты, автомобили и резервуары. На снимках сверху такие объекты малы, расположены плотно и направлены в разные стороны, поэтому детекторы часто предсказывают повёрнутые ограничивающие рамки, которые подстраиваются под угол каждого объекта.
• Обнаружение изменений: Сравнивает изображения одного и того же места, снятые в разные даты, чтобы выявить вырубку лесов, новое строительство или ущерб от стихийных бедствий.
• Классификация сцен: присваивает каждому фрагменту изображения одну метку, например «сельхозугодья», «лес» или «городская застройка».

Наборы данных для детекции на аэрофотоснимках включают DOTA, в первой версии которого размечены 15 категорий произвольно ориентированными рамками, и xView, где на снимках WorldView-3 с разрешением 0,3 м размечено более 1 миллиона объектов 60 классов. Модели Ultralytics YOLO26 для детекции ориентированных объектов предварительно обучены на DOTAv1 и предсказывают повернутую рамку для каждого объекта:

from ultralytics import YOLO

# Загружаем предварительно обученную на DOTAv1 модель YOLO26 для ориентированных ограничивающих рамок (OBB)
model = YOLO("yolo26n-obb.pt")

# Обнаруживаем объекты на снимке с высоты
results = model("https://ultralytics.com/images/boats.jpg")
result = results[0]

# Сохраняем изображение с повёрнутой рамкой вокруг каждого обнаруженного объекта
result.save(filename="boats_obb.jpg")

Повёрнутые рамки повторяют курс каждого судна, поэтому плотно пришвартованные лодки не попадают в одну огромную рамку. Геопространственные фундаментальные модели, предварительно обученные на больших архивах без разметки, например модели Prithvi от NASA и IBM, построенные на данных Harmonized Landsat и Sentinel-2, можно дообучить для таких задач, как картирование наводнений и следов пожаров, используя гораздо меньше размеченных примеров.

От исходного снимка к карте#

Один тайл Sentinel-2 в диапазонах 10 м имеет размер 10 980 × 10 980 пикселей — намного больше входных данных модели. Он поступает в виде геопривязанного файла, например GeoTIFF, пиксели которого сопоставлены с координатами на Земле. Конвейеры анализа корректируют атмосферные искажения, маскируют облака, разбивают снимок на перекрывающиеся тайлы, запускают модель на каждом тайле, объединяют дублирующиеся детекции в областях перекрытия и преобразуют координаты пикселей обратно в координаты карты для инструментов GIS. Такие библиотеки, как Rasterio, читают и записывают геопривязанные растры, а регистрация изображений выравнивает снимки, сделанные в разные даты, перед их сравнением.

Анализ спутниковых и аэрофотоснимков#

В обоих случаях используются одни и те же модели и задачи — различается только платформа. Спутники обращаются по орбите на высоте в сотни километров и по фиксированному графику снимают всю планету; архивы таких снимков охватывают десятилетия. Самолёты и дроны по запросу летают над небольшими участками и получают изображения с детализацией до сантиметров, что подходит для осмотра крыш, посевов или лопастей ветряных турбин. Датасеты для детекции объектов на снимках с высоты часто объединяют оба источника, а DOTA включает спутниковые снимки и аэрофотоснимки.

Применение#

• Сельское хозяйство: картирование типов культур, оценка урожайности и мониторинг стресса растений по NDVI на территории целых регионов.
• Леса и климат: глобальные карты потери древесного покрова на основе Landsat с разрешением 30 м позволяют отслеживать вырубку лесов год за годом.
• Реагирование на стихийные бедствия: карты наводнений по SAR и оценка ущерба по снимкам до и после происшествия помогают координировать спасательные работы; Международная хартия «Космос и крупные катастрофы» бесплатно предоставляет спутниковые данные спасателям.
• Городское планирование: выделение контуров зданий и картографирование дорог помогают поддерживать актуальность карт в быстрорастущих городах.
• Мониторинг морского судоходства: объединяя детекции по SAR и оптическим снимкам с данными отслеживания судов, исследование 2024 года в Nature показало, что около трёх четвертей промысловых судов мира не отслеживаются публично.