סיווג כיסוי קרקע באמצעות AI מתמונות לוויין

וקטוריזציה ידנית של 5000 קמ"ר נמשכת חצי שנה וחורגת מהתקציב. מערכת ה-AI שלנו הופכת שגרה זו לאוטומטית: רשת עצבית על תמונות מולטיספקטרליות של Sentinel-2 מעבדת את אותו אזור תוך 2–3 ימים עם mIoU דומה לזה של אנליסט מנוסה. האוטומציה מקצצת את התקציב ב-60–80% — חיסכון משמעותי בפרויקט טיפוסי. עבור פרויקט של 5000 קמ"ר, ניתן לחסוך $15,000–$30,000. אנו מציעים שירות מפתח-ביד — מאיסוף נתוני ייחוס ופרשנות ועד ייצוא פוליגונים ב-GeoJSON או PostGIS. סיווג בסיסי אורך בדרך כלל 4–8 שבועות, אך למשימות דחופות נוכל להתחיל תוך 3 שבועות. בקשו הערכה של שטח ופירוט.

במה מערכת ה-AI שלנו שונה מגישות סטנדרטיות?

ה-CORINE Land Cover הסטנדרטי מפורט מדי: חלק מהמחלקות (למשל, 'כרמים' ו'מטעי פירות') כמעט בלתי ניתנות להבחנה מנתוני ספקטרליים של Sentinel-2. בפועל, אנו משתמשים בגראדציה משלנו של 15–20 מחלקות המותאמות לשטח המקומי. זה מניב mIoU של 0.82–0.88 לעומת 0.68–0.76 בניסיון לסווג את כל 44 המחלקות ללא תמונות ברזולוציה גבוהה.

עבור רוב המשימות היישומיות, L2 מספיק. L3 דורש תמונות ברזולוציה גבוהה (< 3 מ'/פיקסל) והרבה יותר נתוני אימון.

קלט מולטיספקטרלי והנדסת תכונות

Sentinel-2 עם פסים של 10/20 מ': B02 (כחול), B03 (ירוק), B04 (אדום), B08 (NIR), B11/B12 (SWIR). בנוסף אינדקסים מחושבים:

import numpy as np

def compute_spectral_indices(bands):
    B02, B03, B04, B08, B11, B12 = bands
    # Vegetation indices
    NDVI = (B08 - B04) / (B08 + B04 + 1e-8)
    EVI = 2.5 * (B08 - B04) / (B08 + 6*B04 - 7.5*B02 + 1)
    # Water index
    NDWI = (B03 - B08) / (B03 + B08 + 1e-8)
    # Built-up index
    NDBI = (B11 - B08) / (B11 + B08 + 1e-8)
    # Bare soil
    BSI = ((B11 + B04) - (B08 + B02)) / ((B11 + B04) + (B08 + B02) + 1e-8)
    return np.stack([NDVI, EVI, NDWI, NDBI, BSI])

הוספת 5 אינדקסים ספקטרליים ל-6 הפסים המקוריים (סה"כ 11 ערוצים): mIoU גדל מ-0.84 ל-0.89 במשימה של 20 מחלקות ללא שינוי בארכיטקטורת המודל. רווח זה הוא כמעט חינמי מבחינה חישובית אך מניב דיוק של 5%.

ארכיטקטורות לסגמנטציה סמנטית: מה אנו בוחרים ולמה

SegFormer-B4 על קלט מולטיספקטרלי: התאמת השכבה הקונבולוציונית הראשונה מ-3 ל-N ערוצים (אתחול מחדש של משקולות לערוצים חדשים, שמירה על אימון RGB עבור שלושת הראשונים). כיוונון עדין על מערך הנתונים DeepGlobe או EuroSAT.

SatMAE — מאומן מראש על טרה-בייטים של נתונים גיאו-מרחביים. כיוונון עדין דורש פי 3–5 פחות נתונים מתויגים מאשר ViT מאומן על ImageNet. באזור בדיקה השגנו mIoU של 0.87 על L2 עם 500 אריחים — SatMAE מדויק פי 1.06 מ-U-Net עם ResNet-50 (mIoU 0.82) על אותם נתונים. SatMAE עולה על U-Net ב-5 נקודות mIoU עם נתונים שווים.

לפי מדד EuroSAT, כיוונון עדין על 500 אריחים מספיק עבור SatMAE.

U-Net עם ResNet-50 כבסיס — בסיס מהיר לאב-טיפוס. בסיווג L2: mIoU = 0.85 על 1,000 אריחים מתויגים. אנו פורסים את המודל הסופי דרך Triton Inference Server עם ONNX Runtime — זמן השהיה p99 < 200 אלפיות השנייה לפיקסל.

השוואת ארכיטקטורות

כיצד ניתוח רב-זמני פותר שגיאות עונתיות?

סיווג מתאריך בודד אינו אמין: שדה מכוסה שלג ואזור מגורים נראים דומים בחורף. גישה רב-זמנית: ערימה של 4–12 חודשים כסדרת זמן.

SITS-BERT (סדרת זמן של תמונות לוויין BERT) או קשב זמני על גבי מקודד U-Net — עיבוד סדרת התמונות כרצף וחילוץ דפוסים פנולוגיים. הבחנה בין 'אדמה חקלאית' ל'שטח דשא' עובדת רק בדינמיקה: לאדמה חקלאית יש מחזור NDVI אופייני.

הרווח מהגישה הרב-זמנית: mIoU בהבחנה בין אדמה חקלאית/שטח דשא/שדות נטושים — מ-0.71 (תמונה בודדת) ל-0.89 (סדרה של 12 תמונות). רווח של 0.18 mIoU אופייני לאזורים חקלאיים.

עיבוד לאחר וייצוא

הפלט של הרשת העצבית הוא מסכת רסטר. לשימוש מעשי, יש צורך בפורמט וקטורי (פוליגונים):

• import numpy as np def compute_spectral_indices(bands): B02, B03, B04, B08, B11, B12 = bands # Vegetation indices NDVI = (B08 - B04) / (B08 + B04 + 1e-8) EVI = 2.5 * (B08 - B04) / (B08 + 6*B04 - 7.5*B02 + 1) # Water index NDWI = (B03 - B08) / (B03 + B08 + 1e-8) # Built-up index NDBI = (B11 - B08) / (B11 + B08 + 1e-8) # Bare soil BSI = ((B11 + B04) - (B08 + B02)) / ((B11 + B04) + (B08 + B02) + 1e-8) return np.stack([NDVI, EVI, NDWI, NDBI, BSI]) פוליגוניזציה → rasterio פישוט (epsilon=5m להסרת זיגזגים)
• פרגמנט מינימלי: סינון פוליגונים מתחת ל-MMU (יחידת מיפוי מינימלית), בדרך כלל 0.5–1 דונם
• ייצוא: GeoJSON / Shapefile / PostGIS לשילוב GIS

מה כלול בעבודה

• תיוג פוליגוני ייחוס עד 1% מהשטח (עם בקרה ידנית)
• מודל מכוונן עדין לאזור ולמקרא שלך
• שכבת פוליגונים וקטורית בפורמט אחד (GeoJSON, Shapefile, PostGIS)
• דוח תמציתי: mIoU על אימות, מטריצת בלבול, המלצות שימוש
• תמיכה טכנית למשך 3 חודשים (ייעוץ, כוונון מחדש להרחבת שטח)
• תיעוד והדרכה לצוות שלך
• גישה למודל הפרוס דרך API (אופציונלי)

כיצד אנו עובדים: שלבי הפרויקט

1. אנליטיקה — איסוף נתוני מקור (תמונות, OpenStreetMap, שכבות קדסטרליות), חידוד מקרא המחלקות.
2. עיצוב — בחירת ארכיטקטורה (SegFormer, SatMAE, או U-Net), הגדרת אסטרטגיה רב-זמנית.
3. תיוג ייחוס — הכנת פוליגוני אימון (בקרה ידנית, אימות מומחה).
4. אימון מודל — כיוונון עדין לאזור שלך, כוונון היפרפרמטרים (קצב למידה, גודל אצווה, צינור הגדלה).
5. בדיקה ואימות — חישוב mIoU, F1, מטריצת בלבול, אנומליות סגמנטציה.
6. פריסה — ייצוא לפורמט הנדרש (GeoJSON, Shapefile, PostGIS), מסירת מודל ודוח.

תקופת ההחזר הטיפוסית של הפרויקט היא 6–8 חודשים בשל הפחתת עבודה ידנית. עם ניסיון של 5+ שנים ויותר מ-30 פרויקטים מוצלחים, אנו מבטיחים איכות ותמיכה. קבלו ייעוץ לאזור שלכם — נשלח ארכיטקטורה טיפוסית והערכת דיוק.

לוחות זמנים ומדדים

אנו בשוק למעלה מ-5 שנים והשלמנו 30+ פרויקטי AI גיאו-מרחביים. זמן ממוצע לסיווג L1 בסיסי (5 מחלקות) הוא 4–8 שבועות. L2 (15–20 מחלקות) עם ניתוח רב-זמני: 10–16 שבועות. התוצאות מתועדות בדוח עם mIoU ו-F1-score. צרו קשר כדי לדון באזור שלכם.