Две открытые нейросети нашли 28 участков новой застройки на снимках Москвы

Проверка спутниковых снимков быстро превращается в работу, которую невозможно нормально делать глазами. Нужно найти сцены без облаков, совместить разные даты, сравнить сотни квадратных километров и не потерять результат в папке с растрами. В эксперименте на территории Новой Москвы эту цепочку собрал ИИ-агент, а вычисления остались локальными. На выходе получилась не эффектная демонстрация, а вполне рабочая очередь: 28 участков, которые стоит проверить человеку.

Пример понятный. Взяли прямоугольник площадью 455,60 км² около Троицка, Десны, Красной Пахры и Щапова. Для него нашли три летних снимка Sentinel-2: один за июль 2025 года и два за июль и август 2026-го. Система искала места, где поверхность изменилась относительно 2025 года и где одновременно выросла вероятность застройки. После фильтрации пригодными для сравнения остались 455,46 км².

Две модели вместо одной догадки

Первая модель, FC-Siam-diff, получает пару снимков и отмечает пиксели, которые изменились. Это полезный сигнал, но сам по себе он ничего не говорит о причине: поле могло пожелтеть, грунт — намокнуть, а тень — сдвинуться. Поэтому рядом запустили Dynamic World. Эта модель делит поверхность на девять классов, включая воду, растительность, сельхозземли, открытый грунт и застройку.

Финальный фильтр требовал совпадения двух независимых признаков. FC-Siam-diff должна была увидеть изменение и на июльском, и на августовском снимке 2026 года относительно 2025-го. Dynamic World — показать устойчивый рост оценки класса «застройка» на обеих новых датах. Пороговые значения автор подобрал вручную: вероятность изменения выше 50%, оценка застройки в 2025 году ниже 35%, а в 2026-м — выше 55% с приростом не менее 25 процентных пунктов.

Такой подход заметно сужает поиск. Одна модель выделила 144 области общей площадью 108,32 га, другая — 339 областей на 170,80 га. Их пересечение оставило 28 полигонов площадью 12,44 га. У шести крупнейших кандидатов визуальная проверка действительно показала изменения искусственных поверхностей или строительных площадок.

Где здесь работал агент

Агенту поручили не распознавание снимков, а сборку процесса. Он нашёл данные через STAC API каталога Earth Search, подготовил скрипты, привёл каналы к общей сетке, запустил готовые веса моделей и загрузил слои в картографический сервис. Спутниковые каналы пересчитывались в сетку с шагом 10 метров, облака и тени исключались по служебному слою SCL, а категориальные данные интерполировались методом ближайшего соседа.

После инференса растровые маски очистили от связных областей меньше девяти пикселей, то есть 900 м². Затем их превратили в GeoJSON-полигоны с площадью, датой и типом модели. Вместе с исходными RGB-снимками эти полигоны опубликовали как отдельные слои карты. Коллега может открыть ссылку, включить нужную дату и проверить конкретный участок без локальной настройки геоинструментов.

Что важно не перепутать

Эти 28 полигонов нельзя называть 28 новыми зданиями. Разрешение Sentinel-2 составляет 10 метров для основных каналов, а один контур может включать дорогу, открытый грунт и несколько объектов. Жёсткое пересечение порогов также режет реальные площадки на части и пропускает застройку внутри уже освоенной территории. Из 28 кандидатов вручную просмотрены только шесть крупнейших; полнота метода пока вообще не измерена.

Практический смысл здесь в другом. Готовые открытые модели и ИИ-агент могут превратить 455 км² снимков в короткую очередь для аналитика, не отправляя исходные данные во внешний ИИ-сервис. Но перед рабочим внедрением нужны размеченная контрольная выборка, оценка точности и полноты, версионирование порогов и ручная проверка. Это хороший конвейер предварительного отбора — не автоматический кадастр и не доказательство появления здания.