Мониторинг изменений застройки по данным ДЗЗ: от классических методов к машинному обучению

Застройка является наиболее динамичным элементом содержания топографических карт масштаба 1:10 000 на урбанизированных территориях. Рост доступности космических снимков высокого пространственного разрешения (менее 1 м) и развитие методов машинного обучения создают предпосылки для перехода от планового обновления карт к мониторингу изменений по факту их возникновения.

В отечественной науке задача автоматизации дешифрирования для топографического картографирования поставлена давно: ещё в работе (Волков, 2006) показано, что дешифрирование занимает от 20 до 40 процентов времени создания карт, и предложены нейросетевые методы распознавания топографических объектов. Для выявления изменений по разновременным снимкам разработаны классические подходы: локализация изменившихся участков на основе вейвлет-анализа (Гук и др., 2010) и поиск изменений по сравнению контрастов фрагментов снимков (Алтухов, Коршунов, 2019). Применение глубокого обучения рассмотрено в работе (Отырба и др., 2022), где изменения объектов разных классов, включая здания и дороги, выявляются сравнением масок, полученных сегментационными нейронными сетями, с учётом геометрических различий снимков. Методология использования искусственного интеллекта в цифровой картографии систематизирована в работе (Колесников, 2025), вопросы информационного обеспечения мониторинга урбанизированных территорий и мониторинга строительства по аэрокосмическим данным рассмотрены в работах (Трубина и др., 2024; Сутугина, 2026). В зарубежных исследованиях методы выявления изменений прошли путь от попиксельного сравнения (Singh, 1989; Lu et al., 2004) и объектно-ориентированного анализа (Blaschke, 2010) к сиамским свёрточным (Daudt et al., 2018) и трансформерным (Chen et al., 2021) нейронным сетям, достигающим на открытых наборах данных значений F1 около 0,9 (Shafique et al., 2022). Однако при переходе от экспериментов к производственной задаче актуализации карт возникает ряд проблем, которые, как правило, не учитываются при планировании внедрения.

Первая проблема связана с геометрией съёмки. Разновременные снимки выполняются с разными углами отклонения от надира. При ортотрансформировании по цифровой модели рельефа здания не приводятся к ортогональной проекции: их крыши смещаются, причём по-разному на каждом снимке. Для многоэтажной застройки смещение достигает нескольких метров, что порождает ложные изменения вдоль контуров высоких зданий. Аналогично действуют ошибки взаимного совмещения снимков. Ограничения геометрической точности космических данных отмечаются и при мониторинге строительства (Сутугина, 2026).

Вторая проблема обусловлена условиями освещения и сезонностью. Различия высоты Солнца меняют положение и размер теней, которые нейронная сеть интерпретирует как появление или исчезновение объектов. Летняя листва закрывает малоэтажные постройки, зимой снежный покров меняет облик кровель. Поэтому подбор пары снимков одного сезона и близких условий съёмки становится не технической деталью, а условием применимости метода.

Третья проблема состоит в несовпадении понятий изменения на снимке и изменения на карте. Перекраска или ремонт кровли, временные сооружения, складирование материалов фиксируются моделью как изменения, но не требуют исправления карты. Напротив, строящиеся здания, снос с сохранением фундамента, объекты меньше установленного для масштаба ценза отбора должны обрабатываться по правилам отображения топографического содержания, которые модели неизвестны. Контур, полученный нейронной сетью, не совпадает с обобщённым картографическим контуром, и их прямое сопоставление само по себе даёт ложные расхождения.

Четвёртая проблема касается переноса моделей между территориями и съёмочными системами. Открытые обучающие наборы, например LEVIR-CD (Chen, Shi, 2020), сформированы преимущественно по снимкам малоэтажной застройки зарубежных пригородов. Плотная многоэтажная застройка, гаражные и садоводческие массивы, промышленные зоны отечественных городов, а также иные съёмочные системы приводят к заметному снижению точности. Размеченных отечественных наборов пар снимков для задачи выявления изменений практически нет, а их подготовка трудоёмка.

Пятая проблема связана с оценкой качества. Попиксельная мера F1 определяется в основном крупными объектами: пропуск небольшого здания почти не снижает метрику, но является ошибкой полноты карты. Высокая чувствительность нейросетевых методов к малым изменениям и отсутствие эталонных данных для количественной оценки точности отмечены и в отечественных исследованиях (Отырба и др., 2022). Кроме того, изменения занимают единицы процентов площади территории, поэтому даже при высокой точности на большом участке модель выдаёт сотни ложных срабатываний, каждое из которых проверяет оператор. Для производства решающими показателями оказываются объём ручной проверки и доля пропущенных объектов.

Исходя из этого, в исследовании разрабатывается методика, в которой нейросетевая модель используется не как замена дешифровщику, а как инструмент поиска участков вероятных изменений. Методика включает требования к подбору разновременных пар снимков по сезону, углам съёмки и высоте Солнца, процедуры подавления ложных изменений, связанных с геометрией съёмки и тенями, правила интерпретации результатов в терминах топографического содержания, а также оценку качества на уровне объектов по полноте выявления изменений и затратам времени на проверку. Такая постановка позволяет связать результаты машинного обучения с требованиями к актуализации топографических карт масштаба 1:10 000.