מערכת זיהוי שינויים מבוססת בינה מלאכותית לתמונות לוויין

מערכת זיהוי שינויים מבוססת בינה מלאכותית לתמונות לוויין

השוואת שתי תמונות לוויין של אותו אזור בהפרש של 6 חודשים פירושה שעות של ניתוח ידני לכל קילומטר רבוע. עבור שטח של 1,000 קמ"ר, ניתוח ידני הופך לבלתי מעשי. זיהוי שינויים הוא הרעיון הבסיסי העומד בבסיס כל הגישות המודרניות. לפי עבודת ChangeFormer, F1 מגיע ל-0.916 על מערך הנתונים LEVIR-CD. המודל מעבד את אותם נתונים תוך דקות, ומזהה שינויים מ-100 מ"ר. האתגר המרכזי הוא תוצאות חיוביות שגויות הנובעות מהבדלי תאורה, עונות וזוויות צילום (שינויים מדומים). פיתחנו פתרונות שמפחיתים את שיעור השינויים השגויים ל-10-15% ופרסנו אותם בהצלחה ביותר מ-10 פרויקטים — מניטור יערות ועד פיקוח על אתרי בנייה. בקשו ייעוץ: המהנדסים שלנו יבחרו את הארכיטקטורה המתאימה למשימה שלכם תוך 2-3 ימים. החיסכון מזיהוי כריתה בלתי חוקית יכול להגיע ל-$20k–30k בשנה עבור שטח של 500,000 דונם. תקופת ההחזר של המערכת היא פחות משנה. בפרויקט אחד, החיסכון הגיע ל-$36k–52k בשנה עקב הפחתת בדיקות שטח.

סוגי שינויים ושיטות זיהוי

זיהוי בינארי (השתנה/לא השתנה) — מסווג כל פיקסל. מודלים: BIT, ChangeFormer, SNUNet. זיהוי סמנטי מזהה מה השתנה: יער → שטח כרות, שדה → בנייה. זיהוי ברמת מופע מוצא עצמים ספציפיים — מבנים חדשים, ספינות שנעלמו.

איך פותרים את בעיית השינויים המדומים?

שינויים מדומים הם שינויים שאינם קיימים במציאות אך מופיעים עקב שעות שונות של היום, עונות או אטמוספרה. בפועל, שיעור התוצאות החיוביות השגויות ללא עיבוד מקדים נע בין 30% ל-60%. אנו משתמשים בשילוב של שיטות:

1. נורמליזציה רדיומטרית — יישור תמונות לבסיס פוטומטרי משותף (התאמת היסטוגרמה, מאפיינים פסאודו-קבועים).
2. קשירה עונתית — השוואת תמונות רק מאותה עונה (למשל, אפריל עם אפריל).
3. כיול הסתברותי — במקום סף בינארי, אנו משתמשים בהסתברויות; הסף מותאם אישית.

כתוצאה מכך, שיעור התוצאות החיוביות השגויות יורד ל-10-15%, ודיוק הזיהוי (F1) עולה על 0.9. LSTM רב-זמני מפחית תוצאות חיוביות שגויות ב-40% בהשוואה להשוואה זוגית — כלומר פי 1.67 פחות תוצאות שגויות.

ארכיטקטורה של רשתות סיאמיות

ארכיטקטורה סטנדרטית: שני מקודדים זהים (סיאמיים) מעבדים תמונות T1 ו-T2, לאחר מכן המאפיינים מחוברים או מופחתים, ומפענח חוזה את מפת השינויים.

import torch
import torch.nn as nn

class SiameseChangeDetector(nn.Module):
    def __init__(self, encoder, decoder):
        super().__init__()
        self.encoder = encoder
        # Общие веса для T1 и T2

    def forward(self, img_t1, img_t2):
        f1 = self.encoder(img_t1)  # (B, C, H/8, W/8)
        f2 = self.encoder(img_t2)
        diff = torch.abs(f1 - f2)  # или torch.cat([f1, f2], dim=1)
        change_map = self.decoder(diff)  # (B, 1, H, W)
        return change_map

ChangeFormer (מבוסס טרנספורמר): F1 = 0.916 על מערך הנתונים LEVIR-CD (0.5 מ'/פיקסל). SNUNet (UNet מחובר בצפיפות): F1 = 0.908 עם זמן חיזוי נמוך יותר.

מה מספק ניתוח רב-זמני?

לניטור רציף, אנו משתמשים לא בשתי תמונות אלא בסדרת זמן. LSTM או טרנספורמרים זמניים חוזים חריגות ביחס לקומפוזיט החציוני על פני שנה. גישה זו מתחשבת בדפוסים עונתיים ומפחיתה שינויים שגויים ב-40% בהשוואה להשוואה זוגית. הדיוק (Recall) משתפר ב-0.05–0.1.

מקרה בוחן: ניטור כריתה בלתי חוקית (מהניסיון שלנו)

שטח: 500,000 דונם של טייגה. תמונות: Sentinel-2, כל 10 ימים. משימה: לזהות שטחי כריתה חדשים (≥ 1 דונם) תוך 30 יום מהאירוע.

צינור עיבוד:

1. רכישת קומפוזיט נטול עננים של תמונות S2.
2. הרצת ChangeFormer (קלט של 14 ערוצים: RGB+NIR+SWIR x2 תאריכים).
3. המרת מסכות שינוי לפוליגונים.
4. סינון לפי שטח (≥ 100 פיקסלים = 1 דונם ב-10 מ'/פיקסל).
5. השוואה עם היתרי כריתה חוקיים (נתונים וקטוריים מ-Rosleskhoz).
6. יצירת התראה להגנת היער.

תוצאה: דיוק (Recall) לכריתה ≥ 1 דונם — 0.93, שיעור תוצאות חיוביות שגויות לאחר השוואה עם כריתה חוקית — 8%, זמן ממוצע מאירוע להתראה — 12 יום. החיסכון מזיהוי יזום של כריתה בלתי חוקית מגיע ל-$30k–50k בשנה עבור מחוזות יער.

השוואת גישות לזיהוי שינויים

שיטות להפחתת שינויים מדומים

מה כלול בעבודה

• ניתוח משימה ובחירת מודל (2-3 ימים) — הערכת פרויקט.
• תיוג נתונים (במידת הצורך) — מומחים מוסמכים.
• אימון מודל מקצה לקצה ואופטימיזציה עם דיוק מובטח ≥ 90%.
• אינטגרציה עם מערכת GIS באמצעות API.
• ליצירת דוחות, אנו משתמשים במערכת RAG השולפת מקרים רלוונטיים.
• תיעוד והכשרת עובדים.
• 6 חודשים של תמיכה לאחר הפריסה.

לוחות זמנים

מערכת זיהוי שינויים בינארית בסיסית לאזור אחד: 6–10 שבועות במפתח פתוח. זיהוי סמנטי + ניטור רב-זמני: 12–18 שבועות. העלות מחושבת באופן אישי — צרו קשר, נספק הערכה תוך יום אחד.

לצוות שלנו ניסיון של 5+ שנים בבינה מלאכותית לנתוני לוויין ויותר מ-20 פרויקטים שהושלמו. אנו עובדים עם Sentinel-2, Landsat, Maxar. אנו מספקים תעודת איכות לעיבוד נתונים. קבלו ייעוץ — שלחו בקשה באתר שלנו.