ШІ в космосі, частина 1: Моніторинг Землі, управління супутниковими системами і передбачувальна аналітика

Штучний інтелект (Artificial Intelligence, AI) уже змінив життя на Землі, і його поява на орбіті була питанням часу. Нині цю технологію використовують у найрізноманітніших завданнях: від виявлення космічного сміття до аналізу зібраної у космосі інформації. Застосунки, що працюють на базі ШІ, підвищують ефективність космічних операцій і дедалі частіше стають звичайним інструментарієм космічних інженерів. У найближчому майбутньому, на думку головного фахівця з ШІ в NASA Девіда Сальваньїні, “кожен, до певної міри, отримає свій робочий день, доповнений за допомогою будь-якої технології штучного інтелекту”.

Зараз на орбіті перебувають супутники, у яких штучний інтелект спочатку використовували для розроблення, потім для управління, і врешті-решт для сортування й аналізу отриманих за їхньою допомогою даних. У 2020 році Європейське космічне агентство (European Space Agency, ESA) запустило наносупутник Phisat-1 (він же Ф-sat 1) у межах місії Федеративних супутникових систем (Federated Satellite System tandem mission, FSSCat). Це був перший експеримент для демонстрації можливостей штучного інтелекту в спостереженні за Землею: супутник відфільтровував неякісні зображення, допомагаючи знижувати витрати на передачу і обробку непотрібних даних. Через чотири роки в космос запустили його наступника Phisat-2 розмірами всього 22×10×33 см. Шість встановлених на його борту застосунків перетворюють зображення на мапи, визначають аномалії у морських екосистемах і виявляють лісові пожежі, а також розпізнають, класифікують і надають інформацію про розподіл хмар.

Такі апарати, як Phisat, дають змогу не просто аналізувати зняті зображення й відкидати непотрібні, а й робити це безпосередньо в космосі. Густий хмарний покрив на знімках знецінює їх, але оскільки ШІ розпізнає хмари на фото, на Землю надсилають виключно чіткі зображення, а це економить час аналітиків.

Кількість практичних прикладів використання штучного інтелекту для забезпечення роботи супутників або обробки результатів їхньої роботи постійно зростає. Розповідаємо докладніше про найцікавіші проєкти в цій сфері.

ШІ в моніторингу Землі та аналізі даних

Штучний інтелект скорочує витрати, продовжує терміни місій і збирає якісніші дані про навколишнє середовище. Результатами обробки супутникових зображень Землі користуються приватні компанії та уряди в найрізноманітніших завданнях: від очевидних, на кшталт відстеження змін клімату, до розрахунку макроекономічної активності, що дає змогу вивчати потоки мігрантів.

Нині Землю з космосу фотографують понад 300 супутників, які надають цінні відомості для геопросторового аналізу — комплексного дослідження змін на поверхні планети. За повідомленнями ESA, всі супутники можуть генерувати понад 150 Гб даних щодня. Це величезні масиви інформації, які потрібно систематизувати й аналізувати. Попервах (на початку 1950-х) це робили вручну, потім — із застосуванням технічних засобів. Але в будь-якому разі завдання було складним і трудомістким. Штучний інтелект усе змінив. Тепер він займається тим самим у рази швидше, точніше й ефективніше, виконуючи складний аналіз практично в режимі реального часу.

Синергія високих технологій у космосі

Коли ми говоримо про штучний інтелект у космосі, практично завжди маємо на увазі, що він працює в парі з машинним навчанням (Machine Learning, ML). Ця технологія допомагає навчати інтелектуальні системи, аналізувати інформацію, розпізнавати закономірності й адаптуватися до змін. Машинне навчання вивчає зібрані супутниками дані, виявляє в них закономірності та передбачає майбутні події — наприклад, прогнозує аномалії у погоді, зміни рослинності або рух льодовиків. Саме машинне навчання дає змогу краще адаптуватися до мінливих умов, як у прикладі про хмари, виявляти неочевидні відхилення від норми до появи несправності в роботі супутників (аномальні графіки температури корпусу) і правильно розподіляти ресурси — вирішувати, які процеси виконувати на борту, а які передавати для опрацювання на Землю.

Частину інформації про космос і в космосі отримують і обробляють за допомогою технологій глибокого навчання (Deep Learning, DL) і комп’ютерного зору (Computer Vision, CV). Комбінуючи їх з технологіями штучного інтелекту і машинного навчання, вчені ефективно розпізнають образи і створюють алгоритми, що дозволяють розв’язувати багато прикладних завдань: аналізувати великі території, класифікувати різнорідні об’єкти, контролювати використання земельних угідь, робити спектральний аналіз змін довкілля. Усе це знаходить застосування в завданнях, пов’язаних з охороною дикої природи, міським плануванням і управлінням стихійними лихами.

Штучний інтелект у сільському господарстві та збереженні дикої природи

За даними ООН, до 2084 року населення Землі перевищить позначку в 10 млрд осіб, при цьому основне збільшення популяції припаде на найменш розвинені країни Африки, розташовані на південь від Сахари. Це ставить континент перед загрозою ще більш суворої продовольчої кризи і змушує шукати способи підвищити врожайність своїх сільськогосподарських угідь.

Використовуючи багатоспектральні супутникові зображення з високою роздільною здатністю з ШІ та суміжними технологіями, людина прогнозує і покращує показники врожайності завдяки постійному моніторингу стану рослин, сортуванню дерев, виявленню заболочених ділянок ґрунту.

У дикій природі можливості штучного інтелекту та комп’ютерного зору корисні для захисту і збереження національних парків. Отримані з супутників відомості дають можливість передбачати й запобігати нападам браконьєрів, контролювати переміщення окремих видів тварин. Якщо раніше дані збирали за допомогою камер-пасток, тепер це роблять із космосу і без виснажливого ручного аналізу.

Платформи аналізу даних із супутників

Для постобробки, інтерпретації та візуалізації даних із супутників існує спеціальне програмне забезпечення. Сучасні геопросторові платформи надають користувачам доступ до вже навчених моделей, мультиспектральних даних, інструментів аналітики, а також обчислювальних потужностей і містких сховищ. Інтелектуальні системи, описані нижче, допомагають автоматично розпізнавати об’єкти, класифікувати ландшафти, виявляти аномалії й аналізувати зміни на основі супутникових даних.

IBM PAIRS Geoscope

Ця платформа збирає й аналізує дані з кількох джерел, включно із супутниковими знімками, прогнозами погоди й відомостями про населення, і знаходить закономірності протягом декількох хвилин. PAIRS Geoscope стала базовим інструментом для управління рослинністю, вона незамінна в енергетичному секторі та сфері комунальних послуг. Наприклад, за її допомогою знаходять локації, де дерева й інша рослинність загрожують роботі ліній електропередачі, попереджаючи в такий спосіб відключення електроенергії. У сільському господарстві PAIRS Geoscope дає змогу точно прогнозувати врожайність різних агрокультур, обробляючи отримані з космосу дані про стан ґрунту, погоду й поточне землекористування.

EOS Data Analytics

Ще один приклад просунутого інструментарію, який використовує супутникові знімки високої роздільної здатності для отримання найточніших і найнадійніших даних. Компанія EOS Data Analytics (EOSDA), заснована інвестором, підприємцем і філантропом Максом Поляковим, має у своєму розпорядженні власний оптичний супутник EOS SAT-1 (він перший у супутниковому угрупованні EOS SAT) і пропонує рішення для 22 галузей, приділяючи основну увагу проблемам сільського та лісового господарства. EOSDA об’єднує отримані з космосу дані з технологіями штучного інтелекту та власними запатентованими алгоритмами, щоб прогнозувати врожайність, відслідковувати зміни в ґрунті й рослинності, виявляти потенційні загрози: посухи, шкідників, захворювання сільськогосподарських культур. Завдяки поєднанню супутникового моніторингу з машинним навчанням платформа EOSDA допомагає фермерам, агрономам і бізнесу ухвалювати точніші та обґрунтованіші рішення, знижуючи витрати й мінімізуючи негативний вплив на довкілля.

Інші проєкти

У NASA теж є потужні аналітичні платформи та окремі програмні рішення для спостереження за довкіллям за допомогою штучного інтелекту. Наприклад, SensorWeb для моніторингу навколишнього середовища. Інтелектуальна система збирає дані з супутників і розгалуженої мережі датчиків, щоб відстежувати поведінку вулканів, повені та лісові пожежі. Скажімо, коли на півдні Атлантичного океану прокидається вулкан, супутники Terra і Aqua з датчиками MODIS кілька разів на день фотографують цю ділянку океану. Вони передають знімки в центр обробки, де алгоритми MODVOLC автоматично виявляють зони високої температури і надсилають тривожний сигнал. Якщо активність підтверджується, запит передають на супутник EO-1, який за допомогою бортового ШІ перелаштовує свої наукові інструменти і робить знімки вищої деталізації. Після повторного аналізу їх відправляють фахівцям, щоб оцінити ситуацію і спрогнозувати подальший розвиток подій.

Якщо SensorWeb налаштований на моніторинг навколишнього середовища в цілому, то Volcano SensorWeb, ще один інструмент NASA, адаптований саме під аналіз вулканічної активності. Він також об’єднує інформацію із супутників і датчиків, застосовуючи штучний інтелект для моніторингу та прогнозування вивержень, спираючись на такі дані, як температура, газовий склад, деформації земної кори й інші аномалії, що вказують на наближення катаклізмів.

З березня 2024 року супутник Фонду захисту навколишнього середовища (Environmental Defense Fund, EDF) з орбіти Землі допомагає боротися з глобальним потеплінням, у якому значною мірою (вчені говорять про 30%) “винен” газ метан. MethaneSAT картографує, вимірює і з високою точністю відстежує поширення метану на великій території, використовуючи хмарну інфраструктуру та алгоритми ШІ для аналізу знімків.

Інтелектуальний аналіз супутникових даних надає точну інформацію і для інших завдань, наприклад військових. У березні 2025 року Україна отримала доступ до платформи з обробки даних для вивчення французьких супутникових знімків. Методи аналізу супутникових зображень не розкривають із комерційних міркувань, але відомо, що вони передбачають використання технології глибокого навчання для виявлення й розпізнавання військових об’єктів.

Перспективною видається здатність ШІ допомагати супутникам відстежувати з космосу нелегальні рибальські та піратські судна, які вважають за краще залишатися непомітними. Найчастіше вони просто відключають свою автоматичну ідентифікаційну систему, щоб уникнути виявлення. З огляду на те, що половина морських суден у світі перевозить вантажі, а пірати щорічно атакують понад сотню таких кораблів, штучний інтелект стає потужною зброєю в боротьбі з цим явищем. Для цього в Mitsubishi Heavy Industries (MHI) створили пристрій, схожий на типовий супутник для спостереження за Землею, здатний обробляти візуальні дані.

Штучний інтелект у проєктуванні та управлінні супутниками

У виробництві супутників системи на базі цієї технології перебирають на себе багато рутинних (а за фактом, виснажливих, трудомістких, але необхідних) завдань — як-от очищення деталей, перевірка якості збірки, виявлення мікротріщин та інших дефектів, що впливають на роботу супутника. Штучний інтелект також оптимізує проєктування, моделюючи різні сценарії і допомагаючи інженерам знаходити найкращі рішення для складних завдань. Так, алгоритми машинного навчання аналізують відомості про попередні місії і пропонують більш ефективні конфігурації супутників.

Стартап Proteus Space при розробці супутника ESPA (Evolved Expendable Launch Vehicle Secondary Payload Adapter) використовував інтелектуальну систему Mercury, щоб визначити необхідні компоненти для забезпечення точності місії. Mercury здатна оцінити понад 2000 можливих конфігурацій супутника приблизно за 10 хвилин, і за необхідності підлаштовувати його конструкцію у разі зміни вимог до його корисного навантаження.

Штучний інтелект підвищує автономність супутників, знижує ризики їхніх зіткнень та забезпечує більш точне й безпечне виконання космічних операцій. Дослідники Массачусетського технологічного інституту (Massachusetts Institute of Technology, MIT) використовують цю технологію для управління супутниковим трафіком і забезпечення стійкості космічних операцій.

Чому це важливо? Збільшення кількості супутників на орбіті автоматично підвищує ризики зіткнення. Ситуація ускладнюється відсутністю централізованого управління, а це ставить під загрозу безпеку всієї орбіти. Що вчинили в MIT? Розробили модель, яка об’єднує навчання з підкріпленням, теорію ігор та оптимальне управління, і це дає змогу ефективно управляти переповненими супутниковими орбітами й знижувати ризики зіткнень. По суті, супутники здобувають можливість самостійно маневрувати залежно від поточної ситуації, не покладаючись на вказівки операторів на Землі. Подібну систему вже впровадила компанія SpaceX — для мінімізації зіткнень з іншими об’єктами на орбіті.

Штучний інтелект не тільки дає змогу автономно й безпечно переміщатися окремим супутникам, а й керувати цілими супутниковими угрупованнями. Це стало можливим завдяки автоматизації в ухваленні рішень, коли високотехнологічні підходи замінюють ручні процеси планування, управління та збору даних, а також розподілу ресурсів. Спеціально навчені алгоритми аналізують цілі місії, погодні умови й інші важливі параметри в реальному часі, аби знизити навантаження на операторів на Землі. Крім цього, інтелектуальні системи динамічно адаптуються до змін, наприклад, при кратному збільшенні ризиків зіткнення з космічним сміттям.

Ми охопили лише один бік взаємодії штучного інтелекту й космосу. У наступних статтях продовжимо досліджувати цю тему і розглянемо інші точки їхньої співпраці — буде цікаво.