Анализ спутниковых изображений

Анализ спутниковых изображений — это процесс использования вычислительных алгоритмов для интерпретации, извлечения и анализа информации из изображений, полученных датчиками, расположенными на орбите Земли. Благодаря интеграции компьютерного зрения (CV) и машинного обучения (ML) эта технология преобразует необработанные геопространственные данные в полезную информацию. В отличие от традиционной фотографии, спутниковые изображения часто содержат мультиспектральные данные, фиксирующие длины волн за пределами видимого спектра, такие как инфракрасные, что позволяет отслеживать состояние растительности, состав атмосферы и температуру поверхности в глобальном масштабе. Эта возможность имеет решающее значение для различных секторов, от охраны окружающей среды до обороны и городского развития.

Основные методы спутникового анализа

Анализ спутниковых данных сопряжен с уникальными проблемами по сравнению со стандартной наземной фотографией, такими как обработка больших файлов, атмосферные помехи и объекты, появляющиеся при произвольных поворотах. Для решения этих специфических задач используются передовые модели глубокого обучения (DL).

• Семантическая сегментацияtrack эта техника присваивает метку класса каждому пикселю изображения. В спутниковом анализе сегментация имеет жизненно важное значение для классификации земельных угодий, позволяя различать водные объекты, городскую инфраструктуру и лесные массивы. Она часто используется для отслеживания разрастания городов или картографирования масштабов наводнений во время ликвидации последствий стихийных бедствий.
• Ориентированная ограничивающая рамка (OBB): Стандартное обнаружение объектов использует горизонтальные рамки, которые могут быть неточными для аэрофотоснимков, где объекты, такие как корабли, транспортные средства или здания, повернуты. Модели OBB прогнозируют повернутые рамки, которые плотно прилегают к объектам, что значительно повышает точность геопространственных наборов данных.
• Обнаружение изменений: алгоритмы сравнивают изображения одного и того же места, снятые в разное время, чтобы выявить изменения. Это необходимо для мониторинга вырубки лесов, отслеживания хода строительства или оценки ущерба после стихийных бедствий
• Пан-шарпинг: эта техника обработки изображений объединяет панхроматические (черно-белые) изображения высокого разрешения с мультиспектральными (цветными) изображениями более низкого разрешения для создания единого цветного изображения высокого разрешения, улучшая визуальные детали, доступные для извлечения характеристик.

Применение в реальном мире

Интеграция искусственного интеллекта (ИИ) с спутниковыми изображениями революционизировала способы мониторинга планетных систем и человеческой деятельности.

• Точное земледелие: фермеры и агрономы анализируют спектральные индексы, такие как нормализованный разностный вегетационный индекс (NDVI), чтобы оценить состояние урожая из космоса. Модели искусственного интеллекта могут прогнозировать урожайность, detect заражение detect и оптимизировать орошение, что приводит к более устойчивым методам ведения сельского хозяйства.
• Морское наблюдение: спутниковый анализ используется для track движения track в открытом океане. Используя алгоритмы отслеживания объектов, власти могут выявлять незаконную рыболовную деятельность или контролировать глобальные цепочки поставок, подсчитывая контейнеровозы в портах.
• Управление стихийными бедствиями: во время таких событий, как лесные пожары или ураганы, сенсоры радара с синтезированной апертурой (SAR) могут видеть сквозь облака и дым. Модели искусственного интеллекта обрабатывают эти данные, чтобы предоставить карты пострадавших районов в режиме реального времени, помогая службам экстренного реагирования распределять ресурсы в приоритетном порядке.

Связанные термины и различия

Важно отличать анализ спутниковых изображений от более широких или смежных областей:

• Vs. Дистанционное зондирование: Дистанционное зондирование — это общая наука о получении информации об объекте с расстояния (с помощью датчиков, таких как LiDAR, сонар или сейсмографы). Анализ спутниковых изображений — это, в частности, вычислительная обработка визуальных или спектральных изображений, полученных с помощью дистанционного зондирования.
• Vs. Аэрофотосъемка: Хотя и в том, и в другом случае речь идет о съемке сверху вниз, аэрофотосъемка обычно осуществляется с помощью дронов или самолетов, находящихся в атмосфере. Аэрофотоснимки имеют более высокое разрешение (сантиметры на пиксель), но охватывают меньшие площади. Спутниковые снимки обеспечивают глобальное покрытие и постоянную периодичность повторных съемок, что делает их более подходящими для анализа временных рядов.

Пример: Обнаружение повернутых объектов с помощью YOLO26

Спутниковые изображения часто требуют обнаружения объектов, которые не выровнены по оси, например, кораблей в гавани или самолетов на взлетно-посадочной полосе. Модель YOLO26 изначально поддерживает задачи OBB (Oriented Bounding Box), что делает ее очень эффективной для этой цели.

Следующий пример демонстрирует, как загрузить предварительно обученную модель YOLO26-OBB и выполнить инференцию на изображении для обнару detect объектов с повернутыми ограничительными рамками.

from ultralytics import YOLO

# Load a YOLO26 model specialized for Oriented Bounding Box (OBB) detection
# 'yolo26n-obb.pt' is a nano-sized model optimized for speed and efficiency
model = YOLO("yolo26n-obb.pt")

# Run inference on an aerial image containing objects like planes or ships
# The model predicts rotated boxes (x, y, w, h, angle) for better precision
results = model.predict("https://docs.ultralytics.com/datasets/obb/dota-v2/")

# Display the results to visualize the detected objects and their orientation
results[0].show()

Для управления крупномасштабными наборами спутниковых данных и обучения пользовательских моделей Ultralytics предлагает инструменты для автоматической аннотации и облачного обучения, оптимизируя рабочий процесс от необработанных данных до развернутой модели.