Современные технологии дистанционного зондирования Земли (ДЗЗ) предоставляют огромные объемы данных, таких как спутниковые снимки, аэрофотоснимки и данные, полученные с беспилотных летательных аппаратов. Эти данные имеют огромное значение для задач мониторинга, планирования и управления территорией, но их анализ вручную или с использованием традиционных методов становится все более сложной задачей из-за увеличения объемов и сложности информации. Глубокие нейронные сети (Deep Neural Networks, DNN) продемонстрировали высокую эффективность в автоматизации анализа изображений, решая задачи классификации, сегментации и детекции объектов. Одним из инструментов, предоставляющих возможности глубокого обучения для работы с данными ДЗЗ, является плагин Deepness для QGIS [1,3].
QGIS — это открытая геоинформационная система, которая активно используется в науке, бизнесе и государственном управлении благодаря поддержке векторных и растровых данных, а также возможности расширения функционала через плагины [2]. Deepness позволяет интегрировать современные модели глубокого обучения для обработки и анализа данных ДЗЗ непосредственно в интерфейсе QGIS, делая сложные технологии доступными даже для пользователей без специальной подготовки в области машинного обучения [1].
Плагин Deepness обладает рядом ключевых возможностей. Он позволяет классифицировать спутниковые снимки, автоматически определяя типы объектов, таких как растительность, водные объекты или застройка.

Рисунок 1.1 – Примеры использования
Семантическая сегментация, одна из функций плагина, разделяет изображение на тематические классы — лес, дорога, здания и другие элементы. Также Deepness способен обнаруживать объекты на изображениях, что делает его полезным для мониторинга инфраструктуры или отслеживания изменений в ландшафте. Например, можно выявить вырубку леса или строительство новых объектов на основе сравнения изображений, сделанных в разные временные периоды.
Технологической основой плагина являются библиотеки TensorFlow и PyTorch, которые предоставляют доступ к передовым архитектурам глубокого обучения. Среди них — Convolutional Neural Networks (CNNs), UNet и ее модификации для задач сегментации, а также YOLO и Mask R-CNN для обнаружения объектов. Использование этих архитектур позволяет обрабатывать сложные наборы данных с высокой точностью, принцип работы YOLO представлен на рисунке 1.2. Кроме того, Deepness поддерживает работу с предобученными моделями, что значительно сокращает время подготовки и анализа данных [3].

Рисунок 1.2 – Принцип работы архитектуры YOLO
Пример применения плагина Deepness демонстрирует его практическую ценность. Для анализа были использованы данные спутниковой съемки с моделью «Land Cover Segmentation», которая делит изображение на классы: здания, лес, вода, дороги и фон (рис. 1.3). Результаты работы плагина были сравнены с инженерно-геодезическими изысканиями, проведенными на местности, вблизи поселка Кубаево, Богородского района Нижегородской области (рис. 1.4) [3].

Рисунок 1.3 – Векторный слой с результатом сегментации

Рисунок 1.4 – Векторный слой с результатом изысканий
Анализ показал, что отклонения в определении площадей лесов составили всего 4,12%, что является допустимой погрешностью для некоторых задач картографирования. Однако в случае водных объектов наблюдалось значительное отклонение (89,68%), обусловленное низким разрешением данных и ограничениям модели (рис. 1.5).

Рисунок 1.5 – Сравнение площадей
Deepness предлагает множество преимуществ, включая возможность работы с большими объемами данных благодаря поддержке графических процессоров (GPU), интеграцию с различными форматами данных (GeoTIFF, SHP, KMZ) и удобный интерфейс для визуализации результатов. Пользователи могут настроить параметры обработки и быстро получить результаты, что делает плагин универсальным инструментом для анализа пространственных данных [3].
Перспективы развития плагина также заслуживают внимания. В их числе — расширение базы предобученных моделей для специфических задач, таких как анализ городской инфраструктуры или арктических зон, интеграция с облачными платформами (Google Earth Engine, AWS) для обработки больших объемов данных, а также разработка моделей, способных работать на устройствах с ограниченными вычислительными ресурсами (Edge AI). Повышение уровня автоматизации, например, через автоматический подбор параметров моделей, также является важным направлением.
Таким образом, плагин Deepness демонстрирует огромный потенциал для автоматизации анализа данных ДЗЗ. Его использование позволяет ускорить обработку, повысить точность и раскрыть новые возможности для пространственного анализа. Интеграция таких инструментов, как Deepness, в рабочие процессы способствует развитию технологий и повышению их практической применимости в задачах землеустройства, кадастра и управления территорией [1].
СПИСОК ИСТОЧНИКОВ
1. Гордиенко, А. С. Исследование возможности применения свободного программного обеспечения для получения тематической информации по многоспектральным космическим снимкам / А. С. Гордиенко, В. В. Дедкова – Текст : непосредственный // Вестник СГУГиТ (Сибирского государственного университета геосистем и технологий). – 2024. – Т. 29, № 3. – С. 72-82.
2. QGIS. Documentation [Электронный ресурс]. – Режим доступа: https://qgis.org/ru/docs/index.html (дата обращения: 10.12. 2024).
3. QGIS: Deepness: Deep Neural Remote Sensing [Электронный ресурс]. – Режим доступа: https://qgis-plugin-deepness.readthedocs.io/en/latest/ (дата обращения: 10.12. 2024).