Исследователи Центра искусственного интеллекта «Сколтеха» (институт входит в группу ВЭБ.РФ) проанализировали более 200 научных работ о применении спутниковых данных и искусственного интеллекта для наблюдения за лесными пожарами, наводнениями, засухами и изменениями земного покрова. Ученые сопоставили подходы, использовавшиеся на разных этапах развития этой области — от спектральных индексов и физических моделей до глубоких нейросетей, трансформеров и геопространственных фундаментальных моделей. Обзор опубликован в журнале первого квартиля Earth Systems and Environment издательства Springer Nature.
Спутниковые системы позволяют регулярно наблюдать за огромными территориями и получать сведения, которые трудно собрать наземными методами. При этом речь идет не только об обычных фотографиях Земли: оптические, радиолокационные, тепловые и лазерные приборы фиксируют разные свойства поверхности и атмосферы. Современные модели ИИ могут объединять эти данные и находить в них признаки возгораний, затоплений, засухи, вырубки или восстановления лесов и других изменений.
Авторы проследили, как менялись способы обработки таких наблюдений. Сначала исследователи в основном использовали спектральные индексы — формулы, которые сопоставляют измерения в разных диапазонах и помогают выделять на снимках воду, растительность или выгоревшие участки. Затем появились классические методы машинного обучения, а за ними — глубокие нейросети, способные самостоятельно находить важные признаки в больших массивах данных. Разные архитектуры решают разные части задачи: сверточные нейросети учитывают пространственную структуру снимка, рекуррентные модели отслеживают развитие процесса во времени, а трансформеры сопоставляют информацию между удаленными участками территории и длинными последовательностями наблюдений. Геопространственные фундаментальные модели предварительно обучаются на крупных архивах спутниковых данных, после чего адаптируются к конкретным задачам — например, составлению карт затопления или оценке последствий пожара.
Универсального алгоритма для всех природных угроз не существует. Пожар или наводнение могут развиваться за несколько часов, тогда как засуха, деградация леса или изменение земного покрова становятся заметны в течение месяцев и лет. Поэтому одним моделям важнее быстро распознавать изменения на новых снимках, другим — анализировать длинные ряды наблюдений, а наиболее сложным системам приходится одновременно учитывать и пространство, и время.
Глубокое обучение дает заметные преимущества: модели автоматически выделяют признаки на мультиспектральных изображениях, учитывают окружение каждого участка, прослеживают динамику быстрых и медленных процессов и объединяют данные разных спутников и датчиков. Однако высокий результат на тестовой выборке еще не означает, что алгоритм готов к работе в реальной системе мониторинга. Один из главных выводов обзора состоит в том, что более сложная модель не обязательно оказывается более надежной. Алгоритм, обученный на данных одного региона, может заметно потерять точность на другой территории из-за различий в климате, рельефе, типах поверхности, спутниковых приборах и качестве исходных данных. Многие системы также выдают прогноз, но не показывают, насколько ему можно доверять, а их результаты иногда противоречат известным физическим закономерностям.
Есть и ограничения, которые нельзя устранить простым увеличением модели. Огонь может резко изменить направление из-за ветра и особенностей рельефа, поэтому даже самая сложная система не всегда способна точно предсказать развитие пожара. Качество результата также зависит от точности прогноза погоды и полноты спутниковых наблюдений. Иными словами, проблема иногда заключается не в мощности алгоритма, а в том, достаточно ли информации для надежного прогноза.
Авторы обращают внимание и на разрыв между научными результатами и реальными системами предупреждения. Спутниковые данные широко применяются для обнаружения событий и составления карт уже затронутых территорий, но значительно реже становятся частью оперативного прогнозирования. Для практического использования модели должны стабильно работать с постоянно поступающими данными, сохранять качество на новых территориях и вместе с прогнозом показывать связанную с ним неопределенность.
«Мы хотели не просто перечислить современные алгоритмы, а понять, в каких задачах они дают преимущество и где упираются в ограничения данных и самих природных процессов. Для практического мониторинга важна не только точность на тестах: модель должна работать на новых территориях, учитывать физику процесса и показывать, насколько можно доверять ее прогнозу», — отметили исследователи.
