Очі в небі: як штучний інтелект навчився “читати” Землю з орбіти

Сьогодні навколо Землі обертаються тисячі супутників, щоденно генеруючи терабайти візуальних даних. Їхній обсяг настільки великий, що люди-оператори просто фізично не здатні переглянути такий масив інформації, не кажучи вже про його детальний аналіз. Вельми корисними в обробці зображень стали нейромережі, які за допомогою алгоритмів машинного навчання суттєво полегшили цей процес. ШІ дозволив краще аналізувати великі обсяги даних у стислий термін, результатом чого стала майже повна автоматизація більшості моніторингових процесів, зокрема прогнозування врожаю, погоди, а також можливість наближеного до реального часу трекінгу об’єктів. 

Та разом із неймовірною швидкістю, що дарувала супутниковим операторам нова технологія, постало й наріжне питання: “Наскільки можна довіряти машинним алгоритмам, здатним не тільки точно ідентифікувати об’єкти, але й галюцинувати, вбачаючи їх там, де їх ніколи не існувало?” 

Дистанційне зондування та ШІ: від полігону до аналітичного висновку

Трансформація свіжих супутникових даних на придатну для використання аналітику істотно прогресує останні п’ять років. Раніше ця галузь здебільшого залежала від багатогодинного розшифровування гігантських обсягів сирої (без практичної користі) інформації вручну на наземних станціях. Супутники фотографували й надсилали на Землю терабайти даних з фотографіями хмар, пустих океанічних ділянок, завантажуючи висхідний канал зв’язку. 

Послабити тиск на засоби зв’язку вдалося після активної інтеграції у супутникову галузь систем машинного зору. Технологія пропонувала динамічну обробку інформації, де штучний інтелект виконує роль первинного фільтра та інтерпретатора, відсортовуючи сміттєві зображення та виключаючи їх із черги на подальший аналіз. 

На першому етапі ШІ бере на себе найбільш рутинну частину роботи — орторектифікацію. Цей процес геометричної та радіометричної корекції космічних знімків спрямований на усунення спотворень, спричинених рельєфом місцевості й ефектами оптичної перспективи. Раніше орторектифікація була вузьким місцем вказаної системи, вимагаючи значних серверних ресурсів наземних приймальних станцій. Та завдяки інтеграції нових нейромережевих алгоритмів процес відчутною мірою автоматизували. Причому вдалося досягти високої якості — зображення могли вирівнюватися з точністю до субпикселя. 

В основі сучасного цифрового зору лежать згорткові нейронні мережі (Convolutional Neural Networks, CNN). Це не просто алгоритми, а спеціалізована архітектура, заточена під глибокий аналіз візуальних даних. Принцип їхньої роботи багато в чому копіює зорову кору людського мозку, проте діє з куди більшою інтенсивністю: CNN-моделі імітують роботу зорової кори головного мозку, де окремі нейрони реагують на стимули лише в обмеженій області візуального поля. 

Розпізнавання відбувається ієрархічно: крок за кроком нейромережа виокремлює ознаки об’єктів — від базових ліній і кутів до складних контурів промислових об’єктів або динамічної техніки, доки самостійно не отримає уявлення про зовнішній вигляд побаченого. Все диво цього мислення — у так званих прихованих шарах, де машина, власне, й аналізує нові зображення, класифікуючи їх. 

Здатність машини до класифікації об’єктів не засновується на сталій базі даних, процес розпізнавання завжди прогресує. Саме так: алгоритми CNN здатні до самонавчання. Кожна нова ітерація порівнянь та обчислень робить систему свідомішою у виборі, що загалом впливає на зниження ймовірності виникнення похибки у розпізнаванні. 

Точність розпізнавання сучасних CNN-моделей, на кшталт YOLO або Faster R-CNN, може сягати більше 95%, що робить із них доволі потужний інструмент у автоматизації процесу моніторингу, зокрема супутникового. Але для того щоб подібні алгоритми не просто працювали на супутниках, але й робили це ефективно, потрібно подбати про ще один важливий момент. 

На передньому краї: інтеграція систем Edge AI на супутники

Розпізнавання зображення за допомогою CNN-моделей вимагає великих енерговитрат. Саме тому пошук відповідей, навіть від уже звичних нам чат-асистентів на кшталт Chat GPT або Gemini, відбувається не на вашому пристрої, а у потужних дата-центрах компаній — постачальників послуги. 

Але для супутника подібна стратегія виявляється нерелевантною, оскільки дорогоцінна функція аналізу та прийняття рішень у реальному часі буде втрачена, поки сигнал дійде від зонда до приймальної станції. До того ж, передаючи масиви пустих даних, супутник марно використовує канал зв’язку, постійно завантажуючи його передачею непотрібної інформації. З’явилося розуміння, що для космічних місій (і особливо тих, що мають оперувати у глибокому космосі) важливим виявляється інтеграція обчислювального центру безпосередньо на борт космічного апарата. Всі ці ідеї здебільшого виражені в концепції Edge AI — технології, що перенесла процес прийняття рішень машиною на супутник. 

Наочним прикладом адаптації Edge AI саме під потреби моніторингового супутника стала недавня місія Європейського космічного агентства (ESA) під назвою PhiSat-2 (або Φsat-2). 

Невеликий кубсат форм-фактора 6U (розміром зі звичайну коробку з-під взуття) дістався орбіти 16 серпня 2024 року. Головне завдання європейського зонда було не з легких — він мав не просто фотографувати Землю, а навчитися розуміти, що саме бачить. І тільки після бортового розпізнавання дані передавалися на наземну приймальну станцію. 

Уже перші результати перевершили очікування: здійснивши успішне калібрування, PhiSat-2 почав у реальному часі виявляти лісові пожежі, класифікувати морські судна та ідентифікувати нафтові плями. Такий підхід дозволив радикально розвантажити канали зв’язку, оскільки вбудований ШІ автоматично відфільтровує знімки з хмарністю, надсилаючи дослідникам лише корисні та готові до використання аналітичні дані.

Місія європейського кубсата продемонструвала високу ефективність використання Edge AI на моніторингових супутниках. Близько 70% оптичних знімків Землі зазвичай виявляються непридатними через хмарність, і раніше ці марні дані завантажували канали зв’язку, забираючи до 50% пропускної здатності. Сьогодні бортовий застосунок Cloud Detection миттєво ідентифікує хмари й дає команду супутнику передавати фото лише чистих ділянок поверхні.

Це відчутно вплинуло на такий параметр, як латентність — час від моменту зйомки до отримання звіту на моніторі користувача. У традиційній моделі, де результат сканування земної поверхні обробляється вже на Землі, цей цикл займав від 30 до 90 хвилин. Супутники ж із з вбудованим ШІ на борту, навпаки, здатні самотужки ідентифікувати надзвичайну ситуацію, наприклад, лісову пожежу, а потім за лічені хвилини надіслати її точні координати наземним службам. Така швидкість перетворила супутникову розвідку на дієвий інструмент миттєвого реагування, що стало в пригоді як у цивільному, так і у військовому секторі. 

Крізь хмари й камуфляж: радіолокаційний інтелект у сучасних SAR-системах

Справжньою знахідкою стало використання ШІ у моніторингових супутниках, які отримують зображення не з оптичної зйомки, а за допомогою радіолокаційного радара із синтезованою апертурою (Synthetic Aperture Radar, SAR). Підхід одразу зацікавив оборонний сектор, де традиційна оптична зйомка виявляється неефективною через метеорологічні примхи або засоби маскування супротивника. Натомість радіолокаційні знімки пропонують кардинально інший підхід, фіксуючи на сенсор тільки відбиті мікрохвильові імпульси та аналізуючи їхню амплітуду і фазу. 

Чіткість такого радарного зображення завжди залежить від довжини антени, і тут радари із синтезованою апертурою вдало використовують сам факт руху супутника орбітою. Фактично відбувається емуляція віртуальної антени, довжина якої залежить від відстані, яку апарат пройшов орбітою. Сканування у часі дозволяє створювати і мапи, і об’ємні 3D-зображення (за умови, коли працює супутникове SAR-сузір’я, або коли один супутник декілька разів вивчає площу під різними кутами нахилу радара).  

Інтерпретація подібного радіолокаційного зображення може виявитися складною. Для людського ока сирий SAR-знімок — хаотична добірка точок і спалахів (так званий спекл-шум), і саме тут вельми помічний ШІ зі здатністю до швидкого аналізу масивів однакових даних.

Сучасні нейромережеві класифікатори навчені навіть розрізняти специфічні радіолокаційні сигнатури об’єктів. Технологія автоматичного розпізнавання цілей (Automatic Target Recognition, ATR) дозволяє цим алгоритмам не просто помічати металеві конструкції, а з високою точністю ідентифікувати класи військових кораблів, типи літаків на аеродромах та навіть мобільні пускові установки ракетних комплексів, які супротивник намагається сховати під радіопрозорими маскувальними сітками чи кронами дерев.

Наступним рівнем саме військового використання ШІ стало когерентне виявлення змін (Coherent Change Detection, CCD), де алгоритми аналізують надтонкі фазові зсуви поміж двома послідовними проходженнями супутника над однією точкою. Якщо на певній ділянці ґрунту проїхала важка техніка або відбулися мікроскопічні земляні роботи (наприклад, закладання мін чи підготовка позицій), фазова картина відбитого сигналу змінюється, навіть коли зовні ландшафт здається таким самим. Нейромережеві моделі в миттєвому режимі обробляють ці колосальні матриці інтерферограм. 

Наразі відбувається активна інтеграція високороздільних SAR-знімків (зокрема й від комерційних постачальників) в аналітичні ШІ-платформи військового призначення на кшталт Palantir Foundry, що дає змогу операторам автоматично отримувати теплові мапи ворожої активності без залучення десятків живих аналітиків. Іще одним проривом на стику цивільного та оборонного моніторингу стала поява послуг із багатоспектрального крос-сенсорного аналізу, де нейромережа виступає в ролі диспетчера, який безшовно об’єднує дані SAR, оптику та сигнали радіоелектронної розвідки. 

На практиці це створює каскадну автоматизовану систему: супутник чи літак радіоперехоплення фіксує роботу радіолокатора ППО або термінала зв’язку, ШІ автоматично наказує найближчому SAR-супутнику сканувати ці координати крізь хмари. Отримане радарне зображення нейромережа миттєво накладає на архівні оптичні мапи для верифікації типу техніки й оцінки її боєздатності. 

Подібний мультимодальний синтез породжує комерційні сервіси нового покоління не тільки військового призначення. Моделі на кшталт Remote-sensing Agricultural Assessments for Policy Impact and Decision-making (RAAPID) у межах ініціативи NASA Harvest синтезують ці потоки для глобального моніторингу врожайності, виявляючи щонайменші зміни у стані ґрунту, які неможливо зафіксувати виключно візуальними спостереженнями. 

Однак більшість сучасних ATR та CCD-алгоритмів часто залишаються вузькоспеціалізованими рішеннями, націленими на виконання обмеженого кола завдань. Потреба в універсальному, гнучкому та багатофакторному бортовому розумі призвела до виникнення геопросторових фундаментальних моделей. 

Фундаментальні моделі: земельна Prithvi та солярна Surya

Фінальним етапом еволюції космічного ШІ, яка чітко прослідковується сьогодні, стала поява геопросторових фундаментних моделей — універсальних нейромережевих платформ, здатних вирішувати безліч різнорідних завдань без радикального перенавчання системи.

Яскравим прикладом подібних геопросторових моделей є Prithvi, спільно розроблена NASA та IBM. У 2023 році тодішня версія Prithvi (у перекладі з санскриту буквально: Земля), стала першою у своєму роді ШI-моделлю, успішно розгорнутою безпосередньо на борту МКС за допомогою модуля Thales Alenia Space IMAGIN-e наприкінці березня 2024 року. Пізніше, у 2026 році, нове обладнання Prithvi також інтегрують у супутник Kanyini, який працює для потреб уряду Південної Австралії. 

Тривалий час апарати працювали як одностороння зігнута “труба”: вони просто транслювали масиви сирих пікселів на Землю, де ті осідали в довжелезних чергах на обробку. Наразі, завдяки використанню енергоефективних чипів на кшталт Qualcomm Cloud AI 100, фундаментальні моделі можуть ставати бортовим мозком орбітального зонда. Вже зараз цей потенціал вбачається дуже цінним для місій у глибокому космосі, де затримка сигналу зв’язку із Землею може виявитися критичною.

Фундамент Prithvi закладався на масиві даних Harmonized Landsat Sentinel-2 (HLS), який містить у собі терабайти інформації, отриманої NASA за останні 13 років супутникових спостережень. Процес розробки відбувався у межах стратегії 5+1 AI for Science із залученням фахівців у сфері машинного навчання з IBM Research і німецького Юліхського суперкомп’ютерного центру (JSC). 

Оскільки у проєкті відкритий вихідний код, дослідники в усьому світі мають змогу використовувати отриманий геопросторовою моделлю досвід як фундамент, замість того щоб витрачати ресурси на навчання власних геопросторових моделей з нуля. Модель не потребує повного перенавчання під кожне нове завдання, що дозволяє різноманітним комерційним гравцям і урядовим операторам миттєво масштабувати геопросторову аналітику на рівень цілих континентів. Саме так можливо прогнозувати найрізноманітніші події, зокрема й надзвичайні ситуації.

Коли бортовий інтелект фіксує аномалію, що нагадує стихійне лихо, він миттєво генерує сповіщення з точними координатами. На орбітальних випробуваннях модель уже довела свою ефективність у виявленні зон затоплення та розпізнаванні хмарного покриву в режимі реального часу. Статичні ділянки ландшафту просто ігноруються. Це фактично обнуляє проблему затримки даних: супутникові угруповання в такій моделі стають глобальною нервовою системою планети, здатною реагувати на зміни за лічені секунди.

Окрім моніторингу катастроф, Prithvi вміє прогнозувати врожайність сільськогосподарських культур та відстежувати зміни у землекористуванні в усьому світі. На обсязі наукових даних модель змогла засвоїти принцип роботи із рельєфом земної поверхні. Процес розпізнавання і машинного мислення схожий на збирання складного пазла та базується на архітектурі маскованих автокодувальників. Під час тренування нейромережу змушували цикл за циклом відновлювати навмисно приховані фрагменти зображень земної поверхні, що привчило Prithvi глибоко розуміти контекст і складну геометрію середовища.

Оскільки Prithvi є мультизадачною за своєю природою, вона готова до виконання нових місій майже миттєво. Досить лише тонкого налаштування параметрів системи, щоб супутник переключився на інші напрямки діяльності: розрізняти динаміку міської забудови, лісові пожежі чи розливи річок у реальному часі. Впровадження фундаментальних геопросторових моделей вирішує проблему обмеженої пропускної здатності каналів зв’язку: замість завантаження нової повноцінної програми на супутник слід відправити лише невеликий пакет-декодер для адаптації під конкретне завдання.

До речі, нейромережі активно використовуються не тільки при спостереженні за Землею, але й для прогнозування поведінки інших об’єктів у Сонячній системі. Так, у 2025 році на базі земної Prithvi з’явилася геліопередбачувальна модель із відкритим кодом Surya (у перекладі із санскриту: Сонце), яку збагатили даними за дев’ять років сонячних спостережень Обсерваторії космічної динаміки (SDO). Модель навчилася передбачати сонячні події за допомогою аналізу змін у зовнішній оболонці світила — фотосфері. Відзначаючи навіть вкрай незначні коливання поверхні, Surya видає власні прогнози з передбаченнями сонячних бурь та інших геліоподій. 

Такий підхід справді формує абсолютно нову архітектуру орбітального моніторингу. Для комерційних супутникових операторів, особливо тих, що мають чисельні угруповання на орбіті, використання подібних моделей дозволяє розгорнути системи супутникової аналітики планетарного масштабу без роздування наземної інфраструктури. Але щоб ця інтеграція пройшла вдало, а перехід дійсно відбувся глобально, спочатку потрібно розібратися з поточними хворобами нейромереж, найболючішою з яких досі залишаються машинні галюцинації. 

Цифрові галюцинації і методи боротьби із ними

Вивчаючи процес еволюції нейромереж для супутникового моніторингу, ми дісталися одного з головних викликів сьогодення для технології. Проблема полягає в унікальній здатності машинних алгоритмів спотворювати, а іноді й просто вигадувати хибну істину. В контексті розмови про моніторингові супутники це може виражатися у візуальних галюцинаціях або хибних інтерпретаціях нормальних зображень. Кількома словами зазначену фундаментальну проблему можна змалювати як “криза геопросторової істини”. 

Так, у Швеції під час експлуатації автоматизованої системи раннього виявлення лісових пожеж на основі даних супутника VIIRS встановили, що частина тривог (близько 10%) були помилковими. Алгоритм розпізнавання інтерпретував як потенційні осередки пожеж відбиття сонячного світла від великих сонячних електростанцій та деяких промислових об’єктів. Хоча система не належала до генеративного ШІ повною мірою, цей випадок демонструє фундаментальну проблему автоматизованого аналізу супутникових даних, коли алгоритм помилково класифікує реальні об’єкти та явища, продукуючи хибні повідомлення для операторів.

Оскільки нейромережа самостійно вибудовує нові логічні зв’язки, це робить її схильною до специфічних збоїв, відомих як галюцинації. Річ у тім, що нейромережа починає фантазувати у процесі інтерпретації зображення, домальовуючи цілком реалістичні, проте абсолютно фейкові деталі. Найчастіше такі галюцинації трапляються тоді, коли алгоритм намагається витягнути бодай якусь чіткість із відверто поганого, зашумленого кадру або штучно підвищити його роздільну здатність. У гонитві за якістю ШІ просто заповнює пусте зображення на знімках шаблонами, які не мають нічого спільного з дійсністю. Тут спрацьовує своєрідна пастка: патерни, на яких модель колись навчалася, стають головним дезорієнтовним фактором, тобто замість об’єктивної фіксації реальності ШІ підставляє знайомі йому шаблони у порожні місця, видаючи на виході переконливу цифрову ілюзію.

Технічна природа помилок часто криється у використанні генеративно-змагальних мереж (Generative adversarial network, GAN). Хоча ці моделі чудово справляються з покращенням чіткості зображень, вони не оперують поняттями фізичної правдивості або помилкової ідентифікації. У процесі обробки ШI-модель може сприйняти тіні від хмар за фундамент, а в текстурі морських хвиль “розгледіти” контури підводних човнів. Таке викривлення пікселів стає критичним, коли з огляду на ці дані приймаються стратегічні рішення на державному рівні.

Гіпотетично, подібна алгоритмічна помилка здатна спровокувати глобальну дестабілізацію. Уявімо сценарій, де ШІ-система моніторингу кордонів, намагаючись компенсувати низьку якість нічної зйомки, “галюцинує”, повідомляючи про розгортання пускових установок балістичних ракет у демілітаризованій зоні. У стані високої політичної напруги така автоматизована дезінформація загрожує призвести до превентивного удару або мобілізації з боку наддержав ще до того, як фахівці самотужки встигнуть виконати верифікацію первинних даних. Це перетворює технічну похибку на тригер неконтрольованої військової ескалації.

Для комерційного сектора ці “глюки” несуть прямі фінансові ризики. У сфері товарної аналітики, де трейдери покладаються на супутникові дані для оцінки запасів нафти або прогнозів врожайності, помилка ШІ навіть у 2-3% може спричинити штучні коливання на фондових ринках. Якщо алгоритм неправильно інтерпретує рівень наповненості сховищ через некоректну обробку тіней на знімку, це обіцяє інвесторам мільйонні збитки.

Не менш загрозливими можуть виявитися наслідки для програм екологічного моніторингу та ліквідації стихійних лих. Під час повеней чи лісових пожеж оперативність аналізу є пріоритетом, проте ШІ здатен створити хибні теплові мапи або невірно визначити межі зони затоплення через спектральне змішування. У результаті рятувальні ресурси помилково спрямують у порожні зони, тоді як реальні осередки катастрофи залишаться поза увагою. Таке викривлення реальності ставить під удар не лише ефективність гуманітарних місій, а й життя людей у зонах лиха.

Ба більше, крім суто випадкових похибок, існує значно серйозніший виклик шкідливого втручання ззовні — Adversarial Attacks, тобто змагальні атаки. У цьому разі зловмисники впроваджують у картинку ледь помітні візуальні викривлення, які наш зір ігнорує, проте ШІ під їхнім впливом починає бачити хибні образи або зовсім перестає помічати ціль. Подібні методи належать до цифрового зламу, оскільки для того щоб спотворити картинку, канал зв’язку спочатку треба перехопити. Перспектива появи справжніх сліпих зон у периметрах національної безпеки викликає неабияке занепокоєння стосовно правдивості супутникових звітів. 

Намагаючись виправити ситуацію з машинними галюцинаціями, індустрія пропонує нові концепції на кшталт Explainable AI (XAI) — добірки технологій, що мають пояснювати логіку кожного прийнятого машиною рішення. Важливим фактором є те, що XAI-системи не просто видають результат, а візуалізують логіку свого рішення, показуючи оператору-аналітику, на основі яких саме пікселів або ознак з’явився висновок, насамперед помилковий. Такий підхід дозволяє людині швидко оцінити, чи не став результатом аналізу випадковий шум на матриці сенсора. 

І все ж таки, якою б розвиненою не була нейромережа з обробки супутникових зображень, ключовим запобіжником у сучасній архітектурі обробки слугує концепція Human-in-the-loop (людина в циклі). Вона передбачає, що ШІ виконує роль потужного фільтра, який відсіює 99% фонової інформації, але фінальне підтвердження критично важливих цілей чи аномалій завжди залишається за кваліфікованим аналітиком, обов’язково людиною. Провідні оператори супутникових сузір’їв, такі як Maxar чи Planet, уже впроваджують багаторівневі протоколи верифікації, де автоматика працює лише як асистент людини, а не її пряма заміна.

Іншим методом боротьби зі спотвореннями є крос-чекінг між незалежними джерелами даних. Порівняння результатів ШІ-аналізу оптичного знімка з даними радіолокаційного супутника (SAR) дозволяє підтвердити фізичну наявність об’єкта. Оскільки радар працює за іншим фізичним принципом, украй мізерна ймовірність того, що обидві моделі “галюцинуватимуть” однаково. Така мультимодальна перевірка стає обов’язковим стандартом для поважних моніторингових програм NASA. 

Розуміння того, наскільки легко цифра може викривити реальність, уже зараз змушує ринок кардинально переглядати підходи до захисту інформації. Ми опинилися в точці, де головним викликом стає пошук чіткої межі, яка б дозволила відокремити сухий об’єктивний факт від помилкової симуляції, що привиділася машинному алгоритму. Ці обставини підводять нас до необхідності запровадження нових стандартів етики й безпеки, які б регулювали використання ШІ в космосі, і особливо систем мілітаристського призначення. Вочевидь, наступним кроком у розвитку технологій супутникового ШІ стане розробка систем імунітету проти галюцинацій, що будуть базуватися на обов’язковому відстеженні логіки прийняття рішень. 

Сучасна супутникова індустрія вже пройшла етап первинного накопичення сирих даних, і тепер ми на стадії розгортання автономних обчислювальних систем на орбіті. Головним відкритим питанням залишається створення надійних архітектур верифікації, здатних в реальному часі відрізняти справжні аномалії на земній поверхні від помилок у самих нейромережевих алгоритмах. Подолання цього технологічного виклику дозволить нам трансформувати звичайні системи космічного спостереження у надійне джерело верифікованих геопросторових знань, де кожне рішення алгоритму є прозорим та доведеним.