Выбор метода космического мониторинга депрессивной инфраструктуры Арктической зоны России с использованием искусственных нейросетей

В Арктических регионах России значительная часть инфраструктурных объектов находится в неудовлетворительном состоянии. Под воздействием суровых климатических условий, деградации вечной мерзлоты и логистических ограничений такие объекты постепенно приходят в негодность: становятся аварийными, забрасываются или разрушаются. Эти «депрессивные» объекты не только портят облик территорий, но и создают реальную угрозу для людей, провоцируют нерациональное использование земель и финансовых ресурсов, а также наносят ущерб окружающей среде [1].
Традиционные способы обследования в арктических условиях затруднительны: они дороги, трудоёмки, небезопасны и физически не позволяют охватить обширные и удалённые территории. Поэтому остро стоит задача создания автоматизированных методов, которые позволяли бы по космическим снимкам дистанционно определять состояние строительных объектов и оценивать их геометрические характеристики.
Предлагается применение разработанного ранее метода семантической сегментации инфраструктурных объектов [2] для выявления депрессивных объектов инфраструктуры и измерения их геометрических параметров [3-4]. Данный метод включает трёхэтапную схему обработки спутниковых данных на базе нейросетевой архитектуры U‑Net:
- подготовительный этап – сбор и разметка спутниковых снимков с учётом сезонности, освещённости и качества изображения; формирование сбалансированных обучающих наборов с помощью методов искусственного расширения данных (аугментации) для компенсации их ограниченного объёма;
- нейросетевая обработка – применение модифицированной U‑Net с усиленным кодировщиком (на основе ResNet) и функцией активации ELU для сегментации объектов на уровне отдельных пикселей;
- построение трёхмерных моделей – по выделенным маскам (крыши, стены, тени зданий) и эталонным ориентирам на снимке (например, железнодорожная колея, столбы и их тени) рассчитываются масштабирующие коэффициенты, после чего восстанавливаются форма и высота объектов (зданий).
Проведена экспериментальная проверка метода на реальных данных – спутниковом снимке района Норильска. В результате нейросетевого анализа построены маски, соответствующие крышам, стенам и теням зданий. Идентифицировано 54 объекта, для каждого из которых вычислены ключевые параметры: положение центра, ориентация стен, периметр и площадь основания, средняя высота. Получены трёхмерные модели, сопоставленные с доступными наземными фотографиями [1].
Разработанные алгоритмы могут рассматриваться как полноценный цифровой интеллектуальный актив – инструмент, полезный для планирования региональных проектов в зонах вечной мерзлоты. С его помощью можно заранее прогнозировать изменение состояния объектов, объективно оценивать риски разрушений, обосновывать бюджетные затраты на реконструкцию или ликвидацию объектов.