ניתוח תמונות לוויין מבוסס בינה מלאכותית לחקר מרחוק
חילוץ תובנות ישימות מפטה-בייטים של נתוני לוויין נותר אתגר. כל 5 ימים, ארכיון Sentinel-2 לוכד תמונות של כל נקודה על פני כדור הארץ ברזולוציה של 10 מ'/פיקסל. החלק הקשה הוא להפוך את הפיקסלים הגולמיים הללו למידע באופן אוטומטי: זיהוי בנייה חדשה, מעקב אחר שינויים ביבולים, ספירת כלי רכב.
עם למעלה מ-5 שנות ניסיון בחקר מרחוק ו-20+ פרויקטים, הצוות שלנו של 10+ מהנדסי ML בנה תהליכים שמקצרים את זמן הניתוח ב-80%.
מקורות נתונים ומאפייניהם
| מקור | רזולוציה | זמן חזרה | זמינות |
|---|---|---|---|
| Sentinel-2 (ESA) | 10–60 m | 5 ימים | פתוח |
| Landsat 8/9 (NASA) | 15–100 m | 16 ימים | פתוח |
| Planet Labs | 3–5 m | יומי | מסחרי |
| Maxar WorldView-3 | 0.3 m | לפי דרישה | מסחרי |
| SAR (Sentinel-1) | 5–20 m | 6 ימים | פתוח |
למידע נוסף על תוכנית Sentinel בויקיפדיה. SAR פועל מבעד לעננים — קריטי לאזורים טרופיים. אנו מתחייבים לבחור את מערך המקורות האופטימלי עבור כל פרויקט, תוך התחשבות בתקציב ובדרישות הדיוק.
כיצד לזהות ביעילות עצמים קטנים בתמונות לוויין
האתגר המרכזי: העצמים קטנים ביחס לאריח. מטוס על שדה תעופה הוא 30–80 פיקסלים ברזולוציה של 0.5 מ'/פיקסל. ספינה בנמל היא 20–120 פיקסלים. מכונית היא 4–8 פיקסלים. בקני מידה כאלה, YOLOv8 סטנדרטי עם פירמידת מאפיינים מתפקד בצורה ירודה — עצמים קטנים הולכים לאיבוד.
שימוש ב-SAHI (Slicing Aided Hyper Inference) מעניק שיפור של 15–20% ב-recall בהשוואה לזיהוי ישיר על האריח המלא. זה פי 1.2 טוב יותר מאשר פשוט להגדיל את הרזולוציה.
- SAHI — פיצול האריח לטלאים חופפים בגודל 640×640, זיהוי על כל אחד, ושילוב באמצעות NMS.
- עיבוד מקדים של סופר-רזולוציה — ESRGANx4 לפני הגלאי מכפיל את ה-recall על עצמים קטנים במחיר של עלייה פי 3 בזמן השהיה.
from sahi import AutoDetectionModel
from sahi.predict import get_sliced_prediction
detection_model = AutoDetectionModel.from_pretrained(
model_type='yolov8',
model_path='satellite_detector.pt',
confidence_threshold=0.4,
device="cuda:0",
)
result = get_sliced_prediction(
"satellite_tile.tif",
detection_model,
slice_height=640,
slice_width=640,
overlap_height_ratio=0.2,
overlap_width_ratio=0.2,
)
פרטים על כיוונון פרמטרים של SAHI
החפיפה האופטימלית היא 0.2–0.3. אם עצמים נמצאים על גבולות הטלאים, יש להגדיל את החפיפה ל-0.5. עבור GPUs עם 16 GB זיכרון, ניתן להשתמש בטלאים בגודל 1280×1280 עם חפיפה של 0.15.מדוע תיקון אטמוספרי חיוני לדיוק
עבודה עם נתונים מולטיספקטרליים (Sentinel-2) מחייבת נרמול: החזרת קרינה בראש האטמוספרה (TOA) → החזרת קרינה מפני השטח (SR) באמצעות תיקון אטמוספרי (Sen2Cor או Google Earth Engine).
ללא תיקון, מודל שאומן על תמונות אירופיות בקיץ מפיק דיוק של 0.52 על תמונות חורף (שלג, זוויות תאורה שונות). NDVI כערוץ נוסף במודל: מדד הצומח מבליט שדות חקלאיים, יערות ומדשאות ללא עיבוד נוסף. אנו מוסמכים לעבוד עם נתוני אקלים ונתונים גיאו-מרחביים. עלויות הניטור מופחתות ב-60%.
מסכת עננים ויצירת קומפוזיטים
מסכת עננים היא הכרחית. Sentinel-2 Level-2A כולל את שכבת סיווג הסצנה (SCL). אך הדיוק של SCL הוא ~85% — עננים דקים מוחמצים. מסכת עננים מבוססת רשת נוירונים (s2cloudless) משיגה דיוק של 94% — כלומר מדויקת פי 1.1.
| שיטת מסכת עננים | דיוק | עלות זמן |
|---|---|---|
| SCL (מובנה) | ~85% | מינימלית |
| s2cloudless (רשת נוירונים) | ~94% | 10–30 דקות לסצנה |
עבור סדרות זמן: קומפוזיטים נטולי עננים באמצעות צבירה חציונית על פני 30–60 ימים. החציון מסיר עננים, צללים ושלג טוב יותר מבחירת התמונה ה'נקייה' ביותר.
מה כוללת עבודת החישה מרחוק שלנו
אנחנו מספקים את המחזור המלא: מאיסוף הדרישות ועד לתמיכה בצינור הייצור.
- ניתוח משימה ובחירת מקורות (פתוחים/מסחריים, רזולוציה, תדירות חזרה)
- פיתוח צינור עיבוד: הורדה, תיקון אטמוספרי, מיסוך עננים, זיהוי/סיווג/סגמנטציה
- אימון וכיול מודלים (YOLO, transformers, SAM)
- פריסה: מכולת Docker, API, אינטגרציה עם GIS (PostGIS, GeoServer)
- לוח בקרה וויזואליזציה (Grafana, Kepler.gl)
- תיעוד והדרכה של המהנדסים שלכם
- תמיכה למשך 3 חודשים לאחר הפריסה
מקרה בוחן: ניטור בנייה
משימה: מעקב אחר פעילות בנייה ב-15 אזורי תעשייה לצורך ניתוח השקעות. מדד: שטח של 'בנייה פעילה' (אדמה שנחפרה זה עתה, ציוד בנייה, מבנים לא גמורים) לאורך זמן.
עבור לקוח אחד, יישמנו צינור עיבוד:
- קומפוזיטים חודשיים של Sentinel-2 + Planet
- מודל זיהוי שינויים (BIT — Binary change detection with transformer): השוואת זוגות תמונות במרווח של 30 יום
- סגמנטציה סמנטית של 'סוג השינוי': בנייה חדשה / הריסה / גרינינג
- ייצוא מדדים ל-PostGIS + לוח בקרה ב-Grafana
דיוק: F1 = 0.87 לזיהוי מבנים חדשים. שליליים כוזבים: מבנים שהושלמו בפחות מ-30 יום (מבנים טרומיים). תדירות עדכון: כל שבועיים.
לוחות זמנים ואומדן עלויות
פיילוט (משימה אחת, אזור מוגבל): 6–8 שבועות. מערכת ניטור בייצור (משימות מרובות, אזור מלא): 14–20 שבועות. העלות מחושבת באופן פרטני בהתאם לכיסוי השטח ולנתונים מסחריים.
העריכו את הפרויקט שלכם: צרו קשר לקבלת הצעה מסחרית בתוך 2 ימי עסקים. או התחילו בפיילוט — יהיה לכם אב טיפוס עובד בתוך 6 שבועות בלבד. אנו מבטיחים איכות ולוחות זמנים.