ИИ из космоса: исследователи «Сколтеха» оценили возможности моделей для мониторинга природных угроз

Исследователи «Сколтеха» изучили, как современные модели искусственного интеллекта обрабатывают спутниковые снимки для выявления природных угроз. Они выяснили, что ИИ способен распознавать пожары, наводнения и другие катастрофы, но сталкивается с ограничениями в точности и интерпретации данных.

Исследователи Центра искусственного интеллекта «Сколтеха» (институт входит в группу ВЭБ.РФ) проанализировали возможности и ограничения современных моделей ИИ для мониторинга природных угроз по спутниковым снимкам. Результаты работы позволяют понять, насколько можно доверять алгоритмам в задачах раннего предупреждения катастроф и управления чрезвычайными ситуациями.

ИИ в мониторинге природных угроз: что показало исследование

Ученые «Сколтеха» провели комплексное исследование, в рамках которого оценили, как различные архитектуры нейросетей справляются с задачами классификации и сегментации спутниковых изображений. Особое внимание уделили сценариям, связанным с лесными пожарами, наводнениями и оползнями. Выяснилось, что современные модели, включая сверточные нейросети и трансформеры, способны с высокой точностью обнаруживать признаки возгораний и затоплений, однако их эффективность сильно зависит от качества данных и контекста.

В ходе экспериментов исследователи использовали открытые датасеты спутниковых снимков, включая данные Sentinel-2 и Landsat. Модели обучались распознавать аномалии на поверхности Земли, такие как температурные аномалии, характерные для пожаров, или изменения отражательной способности воды при наводнениях. Результаты показали, что точность детекции достигает 90% для крупных и четко выраженных событий, но падает до 60–70% при работе с частично закрытыми облаками или в условиях низкого разрешения.

Одним из ключевых выводов стало то, что ИИ часто путает схожие по спектральным характеристикам объекты — например, снежные вершины гор с облаками или песчаные отмели с зонами затопления. Это создает риск ложных срабатываний, что критично для систем раннего оповещения. Исследователи подчеркивают, что необходимо комбинировать ИИ с дополнительными источниками данных, такими как метеосводки и наземные датчики, чтобы повысить надежность.

Предыстория и контекст

Интерес к использованию ИИ для анализа спутниковых данных растет по мере увеличения числа орбитальных аппаратов и объемов собираемой информации. Сейчас на орбите находятся тысячи спутников дистанционного зондирования Земли, которые ежедневно генерируют петабайты изображений. Обрабатывать их вручную невозможно, поэтому автоматизация становится необходимостью.

«Сколтех» уже несколько лет работает в области применения машинного обучения для геопространственных задач. Ранее институт совместно с партнерами разрабатывал алгоритмы для мониторинга ледовой обстановки в Арктике и оценки состояния сельскохозяйственных угодий. Новая работа продолжает эту линию, но акцентирует внимание на природных катастрофах, которые в последние годы становятся все более частыми из-за изменения климата.

Важно отметить, что исследование носит не только теоретический характер. Результаты могут быть использованы для создания практических сервисов мониторинга, которые помогут МЧС и другим ведомствам быстрее реагировать на чрезвычайные ситуации. В мире уже существуют коммерческие продукты, такие как FireAI от компании Descartes Labs, но они часто закрыты и не позволяют оценить их внутреннюю кухню.

Как это работает?

Принцип работы ИИ для мониторинга угроз основан на анализе спектральных характеристик поверхности Земли. Каждый объект — вода, растительность, почва, здания — отражает солнечный свет по-разному в разных диапазонах длин волн. Нейросети обучаются на размеченных примерах, где эксперты указывают, где на снимке пожар, а где нет. После обучения модель способна самостоятельно находить такие паттерны на новых изображениях.

Для повышения точности применяются методы аугментации данных — искусственного увеличения обучающей выборки за счет поворотов, масштабирования и изменения яркости. Это помогает модели лучше обобщать и не переобучаться на конкретных примерах. Однако, как показали исследователи «Сколтеха», даже продвинутые методы не решают всех проблем, связанных с вариативностью природных условий.

Технические детали и ограничения

В работе сравнивалось несколько архитектур: U-Net, DeepLabv3+ и Vision Transformer (ViT). U-Net показала лучшие результаты на задачах сегментации, особенно когда требовалось выделить точные границы зоны поражения. Vision Transformer, напротив, лучше справлялся с классификацией сцен, но требовал значительно больше вычислительных ресурсов и обучался дольше. DeepLabv3+ занял промежуточное положение.

Ограничения связаны не только с архитектурой, но и с качеством входных данных. Спутниковые снимки часто содержат шумы, вызванные атмосферными помехами, а также имеют ограниченное пространственное разрешение — для Sentinel-2 оно составляет 10 метров на пиксель. Это означает, что небольшие очаги возгорания, например, площадью менее 100 квадратных метров, могут быть пропущены. Кроме того, временное разрешение — частота съемки — ограничена: спутник возвращается в одну точку раз в несколько дней, что не позволяет отслеживать быстро меняющиеся события.

Еще одна проблема — интерпретируемость решений. Нейросети часто действуют как «черный ящик», и не всегда понятно, почему они приняли то или иное решение. Это затрудняет доверие со стороны оперативных служб, которым нужно объяснение для принятия решений. Исследователи «Сколтеха» предлагают использовать методы объяснимого ИИ, такие как Grad-CAM, чтобы визуализировать, на какие участки снимка модель обращала внимание.

Кого затронет и как

Результаты исследования будут полезны для разработчиков систем мониторинга, работающих в государственных структурах и частных компаниях. В России, где лесные пожары ежегодно наносят значительный ущерб, создание надежных алгоритмов детекции возгораний может помочь сократить время реакции и уменьшить ущерб. Аналогично, для регионов, подверженных наводнениям, таких как Дальний Восток, автоматизированный мониторинг может стать важным инструментом.

Для бизнеса, особенно в сфере страхования, точные данные о природных катастрофах позволяют лучше оценивать риски и устанавливать страховые премии. Страховые компании уже используют спутниковые данные для оценки ущерба, и интеграция ИИ может ускорить этот процесс.

Однако есть и потенциальные негативные последствия. Если модели будут давать ложные сигналы, это может привести к неоправданным эвакуациям или, наоборот, к игнорированию реальных угроз из-за «усталости от ложных тревог». Поэтому важно разрабатывать системы, которые сочетают автоматический анализ с контролем человека.

Что будет дальше

Исследователи «Сколтеха» планируют продолжить работу, расширив набор данных и включив в него больше типов природных угроз, таких как засухи и землетрясения. Также они намерены разработать гибридные модели, которые объединяют сильные стороны разных архитектур, и внедрить методы активного обучения, когда модель сама запрашивает разметку для наиболее сложных примеров.

В перспективе такие системы могут быть интегрированы в национальные платформы мониторинга, например, в систему «Цифровая Земля», которая развивается в России. Это позволит обеспечить более эффективное использование спутниковых данных и повысить готовность к чрезвычайным ситуациям.

Итог

Исследование «Сколтеха» показало, что ИИ уже сегодня способен эффективно помогать в мониторинге природных угроз, но для полного доверия к таким системам необходимо преодолеть ряд технических и методологических барьеров. Комбинация ИИ с традиционными методами и человеческим контролем может стать оптимальным подходом. Следить за развитием этой темы важно для всех, кто связан с управлением рисками, безопасностью и технологиями дистанционного зондирования.