Поле снято, ортофотоплан построен. Но как из 500 МП пикселей получить границы полей и карту культур? Без AI-моделей это ручная дигитализация, которая занимает дни. Мы автоматизируем этот процесс с помощью современных архитектур — SegFormer, HRNet и LSTM для временных рядов. Наша команда AI/ML-инженеров имеет 5+ лет опыта в агро-компьютерном зрении, реализовала 30+ проектов, обработала свыше 150 000 га. Гарантируем промышленную надёжность: от автономной съёмки до интеграции с вашей ГИС. Снижаем затраты на обработку данных в 2–3 раза.
Что сложно в агро-картографировании
Как AI-система определяет границы полей?
На первый взгляд — задача семантической сегментации. На практике — нет. Поля разделены межами шириной 30–50 см, которые на спутниковом снимке 10 м/пикс просто исчезают. Поля одной культуры сливаются визуально. Границы меняются каждый сезон. Для точного выделения границ нужны высокоразрешающие снимки (< 0.5 м/пикс с дрона или < 1.5 м/пикс от коммерческих спутников типа Maxar WorldView-4). Архитектура: DeepLabV3+ с EfficientNet-B4 или SegFormer с обучением на датасетах типа AI4Boundaries (Европа, 340 000 полей) или FieldsOfTheWorld. Сложность, на которую все натыкаются: граница между полем и дорогой (оба объекта тёмные и линейные). Решение — добавление высотного канала из DSM (digital surface model) как дополнительного признака. Дорога плоская, межа часто имеет микрорельеф. Экономия времени на обработку данных — до 80% по сравнению с ручной дигитализацией.
Почему временной ряд NDVI важен для классификации культур?
Одиночный снимок не позволяет надёжно различить пшеницу и ячмень — на одной стадии они выглядят идентично. Временной ряд NDVI (phenological signature) решает проблему: разные культуры проходят пики вегетации в разные сроки. Sentinel-2 даёт снимки раз в 5 дней при ясном небе, Sentinel-1 (SAR) — вне зависимости от облаков. Архитектура для классификации по временному ряду: TempCNN или Transformer на последовательности ~20 снимков за сезон. Публичные предобученные модели: SITS-BERT. На практике достигаем OA (overall accuracy) 0.91–0.95 по 8–12 классам культур при достаточном объёме разметки (500+ полей на класс). Стоимость обработки одного гектара снижается в 2–3 раза при переходе на AI.
Фотограмметрия и построение ортофотоплана
Пайплайн съёмки и обработки:
- Планирование миссии: Mission Planner, DJI Terra, Pix4Dcapture. Перекрытие 75% продольное / 70% поперечное для надёжной фотограмметрии. Высота полёта = требуемый GSD × фокусное расстояние / размер пикселя матрицы.
- Обработка: OpenDroneMap (open source) или Pix4Dmapper / Agisoft Metashape (коммерческие). ODM на GPU (CUDA) обрабатывает 500 снимков за 45 минут на RTX 3090, что в 8 раз быстрее CPU.
Выходные продукты:
- Ортофото (GeoTIFF, разрешение 2–5 см/пикс)
- DSM / DTM (цифровая модель поверхности/рельефа)
- Плотное точечное облако (3D)
- Мультиспектральные индексные карты (NDVI, NDRE, SAVI)
Сравнение источников данных
| Источник | Разрешение | Частота съёмки | Стоимость |
|---|---|---|---|
| Дрон | 2–10 см/пикс | По заказу | Высокая |
| Sentinel-2 | 10 м/пикс | Каждые 5 дней | Бесплатно |
| Maxar WorldView-4 | 30 см/пикс | По заказу | Высокая |
| Landsat 8 | 30 м/пикс | Каждые 16 дней | Бесплатно |
Как работает change detection?
Сравнение двух ортофото одного поля с разных дат — change detection. Задача для Siamese-сети или U-Net с разностным входом (две эпохи). Применения: выявление новых объектов (постройки, дороги), изменение площадей посевов, динамика вегетации, последствия неблагоприятных событий (затопление, засуха).
Кейс: клиент — агрохолдинг, 35 000 га в 4 регионах. Задача — автоматическое обновление цифровой карты полей раз в сезон без ручной дигитализации. Система: Sentinel-2 ежемесячный мониторинг + U-Net change detection (backbone EfficientNet-B4). Точность выявления изменений границ > 0.5 га: recall 0.89, precision 0.84. Сократили время обновления карт с 2 недель ручной работы до 4 часов автоматической обработки.
Сравнение архитектур сегментации
| Модель | IoU на границах | FPS на RTX 3090 | Параметры |
|---|---|---|---|
| U-Net (ResNet-50) | 0.72 | 45 | 24M |
| DeepLabV3+ (EfficientNet-B4) | 0.82 | 32 | 36M |
| SegFormer-B3 | 0.84 | 28 | 45M |
| HRNet-W48 | 0.86 | 18 | 66M |
SegFormer превосходит U-Net на 12% по IoU, но чуть медленнее. DeepLabV3+ — оптимальный баланс точности и скорости.
Интеграция с ГИС и агро-платформами
Все выходные данные в стандартных геопространственных форматах:
- Растровые продукты: GeoTIFF, Cloud Optimized GeoTIFF (COG) для стриминга
- Векторные данные: GeoJSON, Shapefile, GeoPackage
- Тайловый сервис: XYZ-тайлы или WMS/WMTS для интеграции в веб-ГИС
Интеграция с QGIS, ArcGIS, агро-платформами (Cropio, EOS Crop Monitoring, ClimateFieldView) через стандартные API или файловый экспорт. Это позволяет строить зональные карты управления (VRA maps) для точного земледелия.
Автоматизация полётных операций
Для регулярного мониторинга — dock station + автономный дрон. DJI Dock 2 + Matrice 3D или Parrot ANAFI Ai: дрон вылетает по расписанию, выполняет миссию, возвращается и заряжается. CV-система обрабатывает данные автоматически без оператора. Закажите консультацию, чтобы оценить применимость для ваших полей.
Что входит в работу
- Техническое задание и пилотный участок: обсуждаем требования, выбираем поле для теста (до 50 га).
- Сбор данных: организуем съёмку дроном или используем снимки заказчика.
- Разработка модели: подбираем архитектуру, обучаем под ваши культуры и регион.
- Интеграция: настраиваем пайплайн обработки, выгружаем результаты в вашу ГИС.
- Документация и обучение: передаём инструкции, проводим вебинар для агрономов.
- Поддержка: техническая поддержка на 3 месяца, обновления модели по мере новых данных.
Типичные ошибки при планировании миссии
- Недостаточное перекрытие снимков — если продольное перекрытие меньше 70%, фотограмметрия даёт разрывы. Рекомендуем 75%.
- Игнорирование высотных объектов — деревья и линии электропередач создают тени и искажают DSM. Планируйте миссию в полдень.
Сроки
Одноразовое картографирование и анализ: 1–3 недели. Система регулярного мониторинга с автоматической обработкой и ГИС-интеграцией: 2–4 месяца.
Получите консультацию бесплатно — свяжитесь с нами для оценки ваших данных. Мы подберём решение под ваш бюджет и покажем, как AI-платформа для точного земледелия окупается за один сезон.