Глаза в небе: как искусственный интеллект научился «читать» Землю с орбиты

Сегодня вокруг Земли вращаются тысячи спутников, ежедневно генерируя терабайты визуальных данных. Их объем настолько велик, что операторы просто физически не в состоянии просмотреть такой массив информации, не говоря уже про его детальный анализ. Весьма полезными в обработке изображений оказались нейросети, которые с помощью алгоритмов машинного обучения существенно облегчили этот процесс. ИИ позволил лучше анализировать большие объемы данных в сжатые сроки, результатом чего стала почти полная автоматизация большинства мониторинговых процессов, в частности прогнозирования урожая, погоды, а также возможность отслеживания объектов в режиме, приближенном к реальному времени.

Но наряду с невероятной скоростью, которой наделила спутниковых операторов новая технология, возник и ключевой вопрос: «Насколько можно доверять машинным алгоритмам, способным не только точно идентифицировать объекты, но и галлюцинировать, видя их там, где их никогда не было?»

Дистанционное зондирование и ИИ: от полигона до аналитического вывода

Преобразование свежих спутниковых данных в пригодную для использования аналитику значительно продвинулось за последние пять лет. Раньше эта отрасль в основном зависела от многочасовой ручной расшифровки гигантских объемов сырой (бесполезной) информации в наземных станциях. Спутники фотографировали и передавали на Землю терабайты данных с фотографиями облаков, пустых участков океана, перегружая исходящий канал связи.

Снизить нагрузку на средства связи удалось после активной интеграции в спутниковую отрасль систем машинного зрения. Технология предлагала динамическую обработку информации, где искусственный интеллект выполняет роль первичного фильтра и интерпретатора, отсортировывая ненужные изображения и исключая их из очереди на дальнейший анализ.

На первом этапе ИИ берет на себя наиболее рутинную часть работы — орторектификацию. Этот процесс геометрической и радиометрической коррекции космических снимков направлен на устранение искажений, вызванных рельефом местности и эффектами оптической перспективы. Ранее орторектификация была узким местом указанной системы, требуя существенных серверных ресурсов наземных приемных станций. Но благодаря интеграции новых нейросетевых алгоритмов процесс в значительной степени автоматизировали. Причем удалось достичь высокого качества — изображения могли выравниваться с точностью до субпикселя.

В основе современного цифрового зрения лежат сверточные нейронные сети (Convolutional Neural Networks, CNN). Это не просто алгоритмы, а специализированная архитектура, оптимизированная для глубокого анализа визуальных данных. Принцип их работы во многом копирует зрительную кору человеческого мозга, однако действует гораздо более интенсивно: CNN-модели имитируют работу зрительной коры головного мозга, где отдельные нейроны реагируют на стимулы только в ограниченной области зрительного поля.

Распознавание происходит иерархически: шаг за шагом нейросеть выделяет признаки объектов — от базовых линий и углов до сложных контуров промышленных объектов или динамической техники, пока самостоятельно не сформирует представление о внешнем виде увиденного. Все чудо этого мышления — в так называемых скрытых слоях, где машина, собственно, и анализирует новые изображения, классифицируя их.

Способность машины к классификации объектов не основана на фиксированной базе данных, процесс распознавания постоянно совершенствуется. Именно так: алгоритмы CNN способны к самообучению. Каждая новая итерация сравнений и вычислений делает систему более осознанной в выборе, что в целом способствует снижению вероятности возникновения ошибок при распознавании.

Точность распознавания современных CNN-моделей, таких как YOLO или Faster R-CNN, может достигать более 95%, что делает их весьма мощным инструментом для автоматизации процесса мониторинга, в частности спутникового. Но для того чтобы подобные алгоритмы не просто работали на спутниках, но и делали это эффективно, нужно позаботиться еще об одном важном моменте.

На переднем крае: интеграция систем Edge AI на спутники

Распознавание изображений с помощью CNN-моделей требует больших энергозатрат. Именно поэтому поиск ответов, даже от уже привычных нам чат-помощников вроде Chat GPT или Gemini, происходит не на вашем устройстве, а в мощных дата-центрах компаний — поставщиков услуг.

Но для спутника подобная стратегия оказывается нерелевантной, поскольку ценная функция анализа и принятия решений в реальном времени будет утрачена, пока сигнал дойдет от зонда до приемной станции. К тому же, передавая массивы пустых данных, спутник напрасно использует канал связи, постоянно загружая его передачей ненужной информации. Появилось понимание, что для космических миссий (и особенно тех, которые должны работать в глубоком космосе) важной оказывается интеграция вычислительного центра непосредственно на борт космического аппарата. Все эти идеи в основном воплощены в концепции Edge AI — технологии, которая перенесла процесс принятия решений машиной на спутник. 

Наглядным примером адаптации Edge AI именно для нужд мониторингового спутника стала недавняя миссия Европейского космического агентства (ESA) под названием PhiSat-2 (или Φsat-2). 

Небольшой кубсат форм-фактора 6U (размером с обычную коробку из-под обуви) вышел на орбиту 16 августа 2024 года. Главная задача европейского зонда была не из легких — ему предстояло не просто фотографировать Землю, а научиться понимать, что именно он видит. И лишь после бортового распознавания данные передавались на наземную приемную станцию.

Уже первые результаты превзошли ожидания: по завершении успешной калибровки PhiSat-2 начал в режиме реального времени выявлять лесные пожары, классифицировать морские суда и идентифицировать нефтяные пятна. Такой подход позволил радикально разгрузить каналы связи, поскольку встроенный ИИ автоматически отфильтровывает снимки с облачностью, отправляя исследователям только полезные и готовые к использованию аналитические данные.

Миссия европейского кубсата продемонстрировала высокую эффективность использования Edge AI на мониторинговых спутниках. Около 70% оптических снимков Земли обычно оказываются непригодными из-за облачности, и раньше эти бесполезные данные перегружали каналы связи, занимая до 50% пропускной способности. Сегодня бортовое приложение Cloud Detection мгновенно распознает облака и дает команду спутнику передавать фото только чистых участков поверхности.

Это существенно повлияло на такой параметр, как латентность — время от момента съемки до получения отчета на мониторе пользователя. В традиционной модели, где результат сканирования земной поверхности обрабатывается уже на Земле, этот цикл занимал от 30 до 90 минут. Спутники же со встроенным ИИ на борту, напротив, способны самостоятельно идентифицировать чрезвычайную ситуацию, например, лесной пожар, а затем за считанные минуты отправить его точные координаты наземным службам. Такая скорость превратила спутниковую разведку в эффективный инструмент мгновенного реагирования, что пригодилось как в гражданском, так и в военном секторе.

Сквозь облака и камуфляж: радиолокационный интеллект в современных SAR-системах

Настоящей находкой стало использование ИИ в мониторинговых спутниках, которые получают изображения не из оптической съемки, а с помощью радиолокационного радара с синтезированной апертурой (Synthetic Aperture Radar, SAR). Этот подход сразу же заинтересовал оборонный сектор, где традиционная оптическая съемка оказывается неэффективной ввиду метеорологических капризов или средств маскировки противника. В свою очередь, радиолокационные снимки предлагают кардинально иной подход, фиксируя на датчике только отраженные микроволновые импульсы и анализируя их амплитуду и фазу.

Четкость такого радиолокационного изображения всегда зависит от длины антенны, и именно здесь радары с синтезированной апертурой удачно используют сам факт движения спутника по орбите. Фактически происходит эмуляция виртуальной антенны, длина которой зависит от расстояния, которое аппарат преодолел на орбите. Сканирование во времени позволяет создавать как карты, так и объемные 3D-изображения (при условии, что работает спутниковое SAR-созвездие или когда один спутник несколько раз изучает площадь под разными углами наклона радара).

Интерпретация подобного радиолокационного изображения может оказаться сложной задачей. Для человеческого глаза необработанный SAR-снимок представляет собой хаотичный набор точек и вспышек (так называемый спекл-шум), и именно здесь весьма полезен ИИ, способный быстро анализировать массивы однородных данных.

Современные нейросетевые классификаторы обучены даже различать специфические радиолокационные сигнатуры объектов. Технология автоматического распознавания целей (Automatic Target Recognition, ATR) позволяет этим алгоритмам не просто обнаруживать металлические конструкции, а с высокой точностью идентифицировать классы военных кораблей, типы самолетов на аэродромах и даже мобильные пусковые установки ракетных комплексов, которые противник пытается скрыть под радиопрозрачными маскировочными сетками или кронами деревьев.

Следующим этапом непосредственно военного применения ИИ стало когерентное выявление изменений (Coherent Change Detection, CCD), где алгоритмы анализируют сверхточные фазовые сдвиги между двумя последовательными пролетами спутника над одной точкой. Если на определенном участке грунта проехала тяжелая техника или имели место микроскопические земляные работы (например, закладка мин или подготовка позиций), фазовая картина отраженного сигнала изменяется, даже если внешне ландшафт кажется прежним. Нейросетевые модели в режиме реального времени обрабатывают эти колоссальные матрицы интерферограмм. 

В настоящее время происходит активная интеграция SAR-снимков высокого разрешения (в том числе от коммерческих поставщиков) в аналитические ИИ-платформы военного назначения, такие как Palantir Foundry, что позволяет операторам автоматически получать тепловые карты вражеской активности без привлечения десятков аналитиков. Еще одним прорывом на стыке гражданского и оборонного мониторинга стало появление услуг по многоспектральному кросс-сенсорному анализу, где нейросеть выступает в роли диспетчера, бесшовно объединяющего данные SAR, оптики и сигналы радиоэлектронной разведки.

На практике это создает каскадную автоматизированную систему: спутник или самолет радиоперехвата фиксирует работу радиолокатора ПВО либо терминала связи, ИИ автоматически отдает команду ближайшему SAR-спутнику просканировать эти координаты сквозь облака. Полученное радиолокационное изображение нейросеть мгновенно накладывает на архивные оптические карты для проверки типа техники и оценки ее боеготовности.

Подобный мультимодальный синтез порождает коммерческие сервисы нового поколения не только военного назначения. Модели вроде Remote-sensing Agricultural Assessments for Policy Impact and Decision-making (RAAPID) в рамках инициативы NASA Harvest объединяют эти потоки данных для глобального мониторинга урожайности, выявляя малейшие изменения в состоянии почвы, которые невозможно зафиксировать исключительно с помощью визуальных наблюдений. 

Однако большинство современных ATR- и CCD-алгоритмов зачастую остаются узкоспециализированными решениями, ориентированными на выполнение ограниченного круга задач. Потребность в универсальном, гибком и многофакторном бортовом интеллекте привела к появлению геопространственных фундаментальных моделей.

Фундаментальные модели: земельная Prithvi и солярная Surya

Заключительным этапом эволюции космического ИИ, которая сегодня отчетливо прослеживается, стало появление геопространственных фундаментальных моделей — универсальных нейросетевых платформ, способных решать множество разнородных задач без радикального переобучения системы.

Ярким примером подобных геопространственных моделей является Prithvi, совместно разработанная NASA и IBM. В 2023 году тогдашняя версия Prithvi (в переводе с санскрита буквально: Земля) стала первой в своем роде ИИ-моделью, успешно развернутой непосредственно на борту МКС с помощью модуля Thales Alenia Space IMAGIN-e в конце марта 2024 года. Позже, в 2026 году, новое оборудование Prithvi также будет интегрировано в спутник Kanyini, работающий в интересах правительства Южной Австралии.

Долгое время устройства работали как односторонняя изогнутая «труба»: они просто передавали массивы необработанных пикселей на Землю, где те скапливались в длинных очередях на обработку. В настоящее время, благодаря использованию энергоэффективных чипов, таких как Qualcomm Cloud AI 100, фундаментальные модели могут стать бортовым мозгом орбитального зонда. Уже сейчас этот потенциал представляется весьма ценным для миссий в далеком космосе, где задержка сигнала связи с Землей может оказаться критической.

Фундамент Prithvi основывался на массиве данных Harmonized Landsat Sentinel-2 (HLS), содержащем терабайты информации, полученной NASA за последние 13 лет спутниковых наблюдений. Процесс разработки осуществлялся в рамках стратегии 5+1 AI for Science, с привлечением специалистов в области машинного обучения из IBM Research и немецкого Юлихского суперкомпьютерного центра (JSC). 

Поскольку у проекта открытый исходный код, исследователи по всему миру могут воспользоваться опытом, накопленным геопространственной моделью, в качестве основы, вместо того чтобы тратить ресурсы на обучение собственных геопространственных моделей с нуля. Модель не требует полного переобучения под каждую новую задачу, что позволяет различным коммерческим игрокам и государственным операторам мгновенно масштабировать геопространственную аналитику до уровня целых континентов. Именно так можно прогнозировать самые разнообразные события, в том числе чрезвычайные ситуации.

Когда бортовой интеллект фиксирует аномалию, напоминающую стихийное бедствие, он мгновенно генерирует уведомление с точными координатами. В ходе орбитальных испытаний модель уже доказала свою эффективность в выявлении зон затопления и распознавании облачного покрова в режиме реального времени. Статичные участки ландшафта просто игнорируются. Это фактически устраняет проблему задержки данных: спутниковые группировки в такой модели становятся глобальной нервной системой планеты, способной реагировать на изменения за считанные секунды.

Помимо мониторинга катастроф, Prithvi умеет прогнозировать урожайность сельскохозяйственных культур и отслеживать изменения в землепользовании по всему миру. Благодаря объему научных данных модель смогла освоить принцип работы с рельефом земной поверхности. Процесс распознавания и машинного мышления похож на сборку сложного пазла и основан на архитектуре маскированных автокодировщиков. В ходе тренировки нейросеть заставляли цикл за циклом восстанавливать намеренно скрытые фрагменты изображений земной поверхности, что приучило Prithvi глубоко понимать контекст и сложную геометрию среды.

Поскольку Prithvi по своей природе является многозадачной, она готова к выполнению новых миссий практически мгновенно. Достаточно лишь тонкой настройки параметров системы, чтобы спутник переключился на иные направления деятельности: отслеживать динамику городской застройки, лесные пожары или разливы рек в режиме реального времени. Внедрение фундаментальных геопространственных моделей решает проблему ограниченной пропускной способности каналов связи: вместо загрузки новой полноценной программы на спутник следует отправить лишь небольшой пакет-декодер для адаптации под конкретную задачу.

Кстати, нейросети активно используются не только для наблюдения за Землей, но и для прогнозирования поведения других объектов в Солнечной системе. Так, в 2025 году на базе земной Prithvi появилась гелиопрогнозная модель с открытым исходным кодом Surya (в переводе с санскрита: Солнце), в которую были загружены данные за девять лет солнечных наблюдений Обсерватории космической динамики (SDO). Модель научилась предсказывать солнечные явления с помощью анализа изменений во внешней оболочке светила — фотосфере. Отмечая даже очень незначительные колебания поверхности, Surya публикует собственные прогнозы с предсказаниями солнечных бурь и других гелиоявлений. 

Такой подход действительно формирует совершенно новую архитектуру орбитального мониторинга. Для коммерческих спутниковых операторов, в особенности тех, кто располагает многочисленными группировками на орбите, использование подобных моделей позволяет развернуть системы спутниковой аналитики планетарного масштаба без раздувания наземной инфраструктуры. Но чтобы эта интеграция прошла успешно, а переход действительно состоялся в глобальном масштабе, сначала нужно разобраться с текущими проблемами нейросетей, самой острой из которых до сих пор остаются машинные галлюцинации.

Цифровые галлюцинации и методы борьбы с ними

Изучая процесс эволюции нейросетей для спутникового мониторинга, мы подошли к одному из главных вызовов современности для этой технологии. Проблема заключается в уникальной способности машинных алгоритмов искажать, а иногда и просто придумывать ложную истину. В контексте разговора о мониторинговых спутниках это может выражаться в визуальных галлюцинациях или ложных интерпретациях нормальных изображений. В нескольких словах указанную фундаментальную проблему можно описать как «кризис геопространственной истины». 

Так, в Швеции в ходе эксплуатации автоматизированной системы раннего обнаружения лесных пожаров на основе данных спутника VIIRS было установлено, что часть сигналов тревоги (около 10%) оказалась ложной. Алгоритм распознавания интерпретировал как потенциальные очаги пожаров отражение солнечного света от крупных солнечных электростанций и некоторых промышленных объектов. Хотя система не относилась к генеративному ИИ в полной мере, этот случай демонстрирует фундаментальную проблему автоматизированного анализа спутниковых данных, когда алгоритм ошибочно классифицирует реальные объекты и явления, генерируя ложные сообщения для операторов.

Поскольку нейросеть самостоятельно выстраивает новые логические связи, это делает ее подверженной специфическим сбоям, известным как галлюцинации. Дело в том, что нейросеть начинает фантазировать в процессе интерпретации изображения, дорисовывая вполне реалистичные, но абсолютно фальшивые детали. Чаще всего такие галлюцинации возникают тогда, когда алгоритм пытается извлечь хоть какую-то четкость из откровенно плохого, зашумленного кадра или искусственно повысить его разрешение. В погоне за качеством ИИ просто заполняет пустое изображение на снимках шаблонами, не имеющими ничего общего с реальностью. Здесь срабатывает своеобразная ловушка: паттерны, на которых модель когда-то обучалась, становятся главным дезориентирующим фактором, то есть вместо объективной фиксации реальности ИИ подставляет знакомые ему шаблоны в пустые места, выдавая на выходе убедительную цифровую иллюзию.

Техническая природа ошибок часто кроется в использовании генеративно-соревновательных сетей (Generative adversarial network, GAN). Хотя эти модели отлично справляются с повышением четкости изображений, они не учитывают понятия физической достоверности или ложной идентификации. В процессе обработки ИИ-модель может принять тени от облаков за фундамент, а в текстуре морских волн «разглядеть» контуры подводных лодок. Такое искажение пикселей становится критическим, когда на основе этих данных принимаются стратегические решения на государственном уровне.

Гипотетически, подобная алгоритмическая ошибка способна спровоцировать глобальную дестабилизацию. Представим себе сценарий, в котором ИИ-система мониторинга границ, пытаясь компенсировать низкое качество ночной съемки, «галлюцинирует», сообщая о развертывании пусковых установок баллистических ракет в демилитаризованной зоне. В условиях высокой политической напряженности такая автоматизированная дезинформация грозит привести к превентивному удару или мобилизации со стороны сверхдержав еще до того, как специалисты самостоятельно успеют провести верификацию исходных данных. Это превращает техническую погрешность в триггер неконтролируемой военной эскалации.

Для коммерческого сектора эти «глюки» сопряжены с прямыми финансовыми рисками. В сфере товарной аналитики, где трейдеры полагаются на спутниковые данные для оценки запасов нефти или прогнозов урожайности, погрешность ИИ даже в 2–3% может вызвать искусственные колебания на фондовых рынках. Если алгоритм некорректно интерпретирует уровень наполненности хранилищ вследствие неверной обработки теней на снимке, это грозит инвесторам миллионными убытками.

Не менее плачевными могут оказаться последствия для программ экологического мониторинга и ликвидации стихийных бедствий. Во время наводнений или лесных пожаров оперативность анализа имеет приоритетное значение, однако ИИ способен создать ложные тепловые карты либо неправильно определить границы зоны затопления из-за спектрального смешения. В результате спасательные ресурсы ошибочно отправятся в пустые зоны, тогда как реальные очаги катастрофы останутся без внимания. Такое искажение реальности ставит под угрозу не только эффективность гуманитарных миссий, но и жизни людей в зонах бедствия.

Более того, помимо чисто случайных погрешностей, существует вызов гораздо серьезнее, в виде вредоносного вмешательства извне — Adversarial Attacks, то есть атаки на соревновательной основе. В этом случае злоумышленники внедряют в изображение едва заметные визуальные искажения, которые наше зрение игнорирует, однако ИИ под их воздействием начинает видеть ложные образы или вовсе перестает замечать цель. Подобные методы относятся к цифровому взлому, поскольку для того чтобы исказить изображение, сначала необходимо перехватить канал связи. Перспектива появления настоящих слепых зон в периметрах национальной безопасности вызывает глубокую озабоченность относительно достоверности спутниковых отчетов.

В стремлении исправить ситуацию с машинными галлюцинациями индустрия предлагает новые концепции вроде Explainable AI (XAI) — набора технологий, призванных объяснять логику каждого принятого машиной решения. Важным фактором является то, что XAI-системы не просто выдают результат, а визуализируют логику своего решения, показывая оператору-аналитику, на основе каких именно пикселей или признаков появился вывод, в особенности ошибочный. Такой подход позволяет человеку быстро оценить, не стал ли результатом анализа случайный шум на матрице датчика.

И все же, какой бы развитой ни была нейросеть для обработки спутниковых изображений, ключевым предохранителем в современной архитектуре обработки служит концепция Human-in-the-loop (человек в цикле). Она предполагает, что ИИ играет роль мощного фильтра, отсеивающего 99% фоновой информации, но окончательное подтверждение критически важных целей или аномалий всегда остается за квалифицированным аналитиком, обязательно человеком. Ведущие операторы спутниковых группировок, такие как Maxar или Planet, уже внедряют многоуровневые протоколы верификации, где автоматика работает лишь в качестве помощника человека, а не его прямой замены.

Иным методом борьбы с искажениями является перекрестная проверка между независимыми источниками данных. Сравнение результатов ИИ-анализа оптического снимка с данными радиолокационного спутника (SAR) позволяет подтвердить физическое наличие объекта. Поскольку радар работает по другому физическому принципу, крайне мала вероятность того, что обе модели будут «галлюцинировать» одинаково. Такая мультимодальная проверка становится обязательным стандартом для авторитетных мониторинговых программ NASA.

Осознание того, насколько легко цифры могут исказить реальность, уже сейчас вынуждает рынок кардинально пересматривать подходы к защите информации. Мы оказались в ситуации, когда главным вызовом становится поиск четкой границы, которая позволила бы отделить сухой объективный факт от ложной симуляции, придуманной машинным алгоритмом. Эти обстоятельства подводят нас к необходимости внедрения новых стандартов этики и безопасности, которые регулировали бы применение ИИ в космосе, и особенно систем военного назначения. Очевидно, что следующим шагом в развитии технологий спутникового ИИ станет разработка систем защиты от галлюцинаций, которые будут основываться на обязательном отслеживании логики принятия решений.

Современная спутниковая индустрия уже прошла этап первичного накопления необработанных данных, и теперь мы находимся на стадии развертывания автономных вычислительных систем на орбите. Главным открытым вопросом остается создание надежных архитектур верификации, способных в реальном времени отличать настоящие аномалии на поверхности Земли от ошибок в самих нейросетевых алгоритмах. Преодоление этого технологического вызова позволит нам превратить обычные системы космического наблюдения в надежный источник верифицированных геопространственных знаний, где каждое решение алгоритма является прозрачным и обоснованным.