АВТОМАТИЧЕСКИЙ АНАЛИЗ СПУТНИКОВЫХ ИЗОБРАЖЕНИЙ С ПОМОЩЬЮ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ГЕОГРАФИЧЕСКИХ ИССЛЕДОВАНИЯХ
Аннотация
Стремительный рост объёма данных дистанционного зондирования Земли, поступающих от спутниковых группировок нового поколения (Sentinel, Landsat, WorldView, GaoFen и др.), делает ручную интерпретацию изображений практически невозможной и обусловливает необходимость внедрения методов искусственного интеллекта. В статье рассматриваются современные подходы к автоматическому анализу спутниковых изображений на основе глубокого обучения, включая сверточные нейронные сети (CNN), архитектуры типа U-Net для семантической сегментации, детекторы объектов семейства YOLO и Faster R-CNN, а также трансформерные модели для задач классификации сцен и обнаружения изменений. Предложена обобщённая методика обработки данных, охватывающая этапы от предварительной обработки и аугментации до постобработки результатов и их географической привязки. На основе анализа литературных источников проведено сравнение основных алгоритмических подходов по точности, вычислительной эффективности и области применения; результаты представлены в виде таблиц и диаграмм. Архитектуры на основе EfficientNet и трансформеров демонстрируют наиболее высокую точность классификации (до 99,7%), модели семейства U-Net с механизмами внимания превосходят классические подходы в задачах сегментации (mIoU до 81%), а алгоритмы YOLO обеспечивают оптимальный баланс между скоростью и точностью при обнаружении объектов в режиме реального времени. Сделан вывод о перспективности гибридных CNN–Transformer архитектур для комплексного мониторинга земной поверхности.
