Нейросетевая каскадная система глубокого анализа застройки территории по оптико-электронным снимкам земной поверхности

Контроль соответствия объектов застройки требованиям градостроительного и земельного законодательства — практически значимая и не теряющая актуальности задача. Растущий спрос на землю при ограниченных ресурсах контролирующих органов приводит к сохраняющейся проблеме самовольного строительства и нецелевого использования земельных участков; для её решения предлагаются методики сопоставления кадастровых границ с данными дистанционного зондирования Земли (ДЗЗ) и геоинформационных систем [8]. Традиционно подобный контроль выполняется выездными проверками и ручным сопоставлением снимков с кадастровыми планами и правилами землепользования: методика, описанная, в частности, в [8], включает подготовительный этап, наложение кадастровых границ на растровую подложку в ГИС, визуальный анализ и последующее полевое обследование. Такой процесс требует значительных трудозатрат и не обеспечивает регулярного охвата больших территорий.
Одновременно с этим методы компьютерного зрения на спутниковых снимках достигли уровня, достаточного для практического применения: нейросетевые и гибридные алгоритмы распознавания строений показывают высокую точность на открытых наборах данных [1, 7, 9], а визуально-языковые модели (ВЯМ) позволяют не только локализовать объект, но и содержательно описывать его тип и признаки [4–6]. Совмещение этих технологий с геопространственной и нормативной проверкой создаёт предпосылки для перехода от точечного ручного контроля к систематическому автоматизированному мониторингу застройки по данным ДЗЗ.
Предлагаемый метод организует такой контроль как каскад из пяти последовательных этапов, на каждом из которых результат предыдущего этапа используется для последующей проверки, а кандидаты, не прошедшие фильтрацию, исключаются из дальнейшего рассмотрения. На первом этапе нейросетевой детектор (в реализации — модель семейства YOLO [1, 2]) обнаруживает на снимке ДЗЗ объекты застройки и определяет их пространственные границы; из полученных кандидатов отбираются только те, доверие модели к которым превышает заданный порог. На втором этапе положение и геометрия отобранных объектов, приведённые геопривязкой к географическим координатам, сопоставляются с границами земельных участков по данным ЕГРН и нормативными отступами — подход близок к применяемому в задачах выявления самовольного захвата земель, а именно к наложению кадастровых границ на растровую подложку в ГИС [8]. Проверяется как принадлежность объекта конкретному участку, так и соблюдение установленных отступов: объекты, не относящиеся ни к одному участку, исключаются из дальнейшего анализа, а нарушение отступа фиксируется как один из возможных видов несоответствия.
На третьем этапе для объектов, прошедших пространственную фильтрацию, визуально-языковая модель (в реализации — модель семейства Qwen-VL [4, 5], показавшая эффективность применительно к снимкам ДЗЗ в задачах описания и вопросно-ответного анализа [6]) определяет тип объекта и его характерные визуальные признаки — материал, форму кровли и другие детали, недоступные детектору на этапе локализации. На четвёртом этапе полученный тип объекта сопоставляется с видом разрешённого использования земельного участка через матрицу соответствия, построенную на основе градостроительных и земельных норм; несовпадение фиксируется как функциональное несоответствие. На пятом, заключительном этапе система формирует итоговый перечень объектов, для которых выявлены потенциальные несоответствия нормативным требованиям, с указанием типа объекта, его положения и характера несоответствия — пространственного, функционального или комбинированного.
Эффективность предложенного метода определяется прежде всего автоматизацией контроля, который в настоящее время выполняется вручную. В отличие от точечных выездных проверок и визуального сопоставления снимков с кадастровыми планами [8], каскад обрабатывает территорию систематически, не требует пропорционального роста трудозатрат при увеличении площади контроля и допускает регулярный, периодически повторяемый мониторинг одной и той же территории, что принципиально недостижимо при существующей практике ручных проверок.
Практическая применимость автоматического распознавания строений на спутниковых снимках подтверждается независимыми исследованиями: например, для гибридного алгоритма распознавания строений на снимках датасета Inria зафиксированы значения точности (Precision) 87,28 %, полноты (Recall) 85,37 % и меры F1 86,31 % при времени обработки одного изображения около 15 секунд [7], то есть современные автоматические методы распознавания строений уже достигают уровня точности, достаточного для практического применения в задачах мониторинга застройки. Кроме того, каскадная организация проверок обладает структурным свойством, снижающим долю ложных срабатываний: поскольку решение об отнесении объекта к потенциальному нарушению формируется как пересечение независимых проверок — детектирования, геопространственной, семантической и функциональной, — итоговая вероятность ложного срабатывания каскада оказывается существенно ниже, чем у любой отдельно взятой проверки. Аналогичный принцип лежит в основе классических каскадных детекторов [3], где последовательное отсеивание заведомо неинтересных кандидатов позволяет быстро отбрасывать области фона, концентрируя вычисления и внимание эксперта на содержательных случаях. Применительно к рассматриваемой задаче это означает, что до эксперта, принимающего окончательное решение, доходит существенно более узкий и точный список кандидатов, чем при использовании единственного классификатора, а сама проверка становится не разовой, а регулярно воспроизводимой процедурой.
Таким образом, предложенный каскадный метод объединяет детектирование объектов, геопространственную проверку, визуально-семантический анализ визуально-языковой моделью и проверку функционального соответствия разрешённому использованию земельного участка в единую автоматизированную процедуру контроля застройки по данным ДЗЗ. Его эффективность определяется автоматизацией ранее ручного процесса и структурным снижением доли ложных срабатываний за счёт каскадной организации независимых проверок. Направлениями дальнейшей работы являются экспериментальная валидация каскада на пилотных территориях, количественная оценка точности по этапам и расширение таксономии типов объектов и матрицы функционального соответствия.