Как спутники помогают землянам при помощи ML?

Безусловно, космос — это не только про запуск ракет Tesla, Роскосмоса и попытка космонавтов наладить научную работу на международной станции. Спутники дают гораздо больше человечеству, чем радиовещание. Со спутников возможно делать отличные фотоснимки всей земной поверхности и не только для Google-карт. В нашем обзоре мы расскажем про индийский стартап, посвященный искусственному интеллекту в области спутников и геоданных – Satsure.

Видение компании: стать самой успешной глобальной компанией по применению космических данных, участвующей в решении проблем устойчивого развития и финансовой инклюзии.

Выращивание пшеницы, кукурузы, гречи и других культур — дело благородное. В целом, план посева не предполагает сложных манипуляций, поэтому и проблем возникнуть не должно, но есть ключевое “но”.

Основу их технологической платформы составляют спутниковые изображения высокого разрешения, а данные собираются с технологии дистанционного зондирования. Эти изображения позволяют получить детальную информацию о земной поверхности, что критически важно для мониторинга, сельскохозяйственных культур и оценки инфраструктуры.

Спутниковые данные включают информацию о состоянии почвы, уровне влажности, биомассе растений и многих других показателях, которые трудно или невозможно получить другими методами. Неплохо такой бизнес помогает целым странам, потерпевшим существенные убытки от землетрясений.

Как работает зондирование? Через спектральные анализаторы, радиометры и Lidar, о которых мы, кстати, писали в другом обзоре стартапа. Там лазерная система применялась для детекции препятствий у авто. Спектральный анализ детектирует состояния растительности и почвы, путем измерения отраженной солнечной радиации в значениях электромагнитного спектра.

Радиометры измеряют излучение, исходящее от земной поверхности, а это помогает в анализе температуры и содержания влаги в почве. А Лидары, в свою очередь, подготавливают точные данные о топографии и структурах поверхности земли с помощью лазерных импульсов. Короче говоря, отличная технология для всех, кому важно учитывать сложность почвы, а еще состояние имущества.

Параллельно государственным открытым данным, коммерческие операторы спутников предлагают закрытые лидарные наборы через подписные сервисы, обслуживая разнообразных клиентов в сельскохозяйственных предприятиях, лесных хозяйствах и гражданском инжиниринге.

Эти наборы данных, характеризующиеся высоким разрешением и спектральной достоверностью, и предоставляет компания.

SatSure подписала еще в 2021 году меморандум “понимания” (MoU) с Bellatrix Aerospace о запуске своих микроспутников на низкую околоземную орбиту. Короче говоря, компания коллаборировалась с небольшой для космической отрасли фирмой, чтобы выводить собственные спутники на орбиту и собирать данные свободно.

Bellatrix Aerospace, флагманская индийская космическая компания, находится в центре внимания в мире аэрокосмической индустрии благодаря своим инновационным технологиям, например, электрическом двигателе. Основанная в 2015 году двумя молодыми инженерами: Яшика Редди и Рохитом Нараян, – Bellatrix Aerospace хотят войти в анклав акул бизнеса в сфере и стартап-сектора в Индии.

На спутниках стоят новые бортовые процессоры для обработки данных высокого разрешения непосредственно на орбите с использованием тех самых запатентованных алгоритмов глубокого обучения SatSure.

Цель подобной коллаборации – создать свою автономную компанию и не выкупать данные. Свои данные передаются в реал-тайме неограниченно, что снимает головную боль за переплату всяким сторонним системам мониторинга, где стоимость данных в реальном времени может достигать космических цифр.

Хотя компания совсем не против, чтобы клиенты выдвигали свои решения, они добавили API на низкоуровневом коде, чтобы компании могли контролировать процесс от начала и до конца.

В самом деле, почему такие технологии пользуются популярностью на Западе и во многих Азиатских странах, особенно Индии? Всё дело в сложности климата. В отличие от России, которая заполнена прекрасной почвой для взращивания, на Западе необходим тщательный анализ земли, изучение поведения близлежащих рек и характера местности, иначе засаженная культура может пересохнуть или скрыться под рекой, а то и вообще не вырасти. И это мы не говорим о простом подсчете издержек.

Главное, безусловно, для нас не столько использование зондирования, сколько применение ML. Алгоритмы машинного обучения обучаются на исторических данных и могут предсказывать будущие события, такие как урожайность сельскохозяйственных культур или риск стихийных бедствий. Искусственный интеллект помогает анализировать сложные паттерны и взаимосвязи, которые требуют внушительное число человеческих часов.

Предсказывать погодные аномалии и экстремальные природные явления: засухи, наводнения, сильные ветры и температурные скачки, – аграриям принимать превентивные меры: корректировка графика орошения, применение защитных покрытий для культур или временная эвакуация скота — идеальный тандем ML.

Пока предки ориентировались на приметы и заходы солнца – новое фермерство получает точные прогнозы и нивелирует издержки. Или, как минимум, позволяет их оценить.

Анализируя спутниковые снимки, алгоритмы машинного обучения могут определять уровень влажности почвы и выявлять зоны с дефицитом или избытком влаги. Фермеры могут оптимизировать системы орошения, предотвращая как пересыхание, так и переувлажнение почвы. Для Индии проблема крайне актуальная.

Геоданные в сочетании с машинным обучением могут анализировать спектральные характеристики растений, показывая в реальном времени все проблемы и отклонения растений. Здесь важно подчеркнуть мгновенность работы технологии.

В контексте моделей машинного обучения, применяемых для анализа данных, выделяются несколько ключевых типов. Свёрточные нейронные сети (CNN) применяются для обработки изображений, идентификации типов культур, оценки состояния растительности и прогнозирования урожайности на спутниковых изображениях. Т.е CNN-ки заточены под анализ и разбор признаков, а вот рекуррентные нейронные сети (RNN) и модели долгой краткосрочной памяти (LSTM) применяются для анализа временных рядов данных, включая метеорологические показатели.

Модели учитывают зависимости и формируют прогнозы. Фермеры могут заранее узнать о проливных дождях или засухе.

Рассмотрим ситуацию, когда корпорация стремится получить финансирование для расширения своей деятельности. Вместо полного основания на традиционных банковских кредитах, корпорация может выпустить облигации, которые представляют собой долговые ценные бумаги для инвесторов в обмен на капитал.

Эти облигации – обязательство корпорации вернуть основную сумму с процентами. Звучит прекрасно, живучесть капитала… Но есть существенное “но”, которое и определило кризис 2008 года недвижимости – неверная оценка рисков кредитования.

Любое предприятие с недвижимостью можно оценить, как минимум, по состоянию со спутниковых снимков. Скажем, превентивно посчитать реальное состояние предприятия или здания, в котором это предприятие “располагается” – тогда кредиторам легче оценить риски для выдачи кредитов и перевести по классам в инвестиционные облигации.

Если на нашем спутниковом снимке корпоративного здания фирмы, ML отследит проблемы и передаст банковскому сектору, который, в свою очередь, и проведет оценку рисков.

Помимо банковского сектора:

Поэтому применений подобного ПО для обработки геоданных достаточно, компания смогла набросать пути совершенно приземленных проблем через космос, путем оптимизации ML.

Финансируется стартап разными фондами:

Почему такая сумма? Дело в масштабируемости и многосторонности стартапа. Он ограничен исключительно визуальной информацией с поверхности земли. Компания стремится к автономности и грамотно выстраивает позиционирование: они запускают свои спутники, руководствуются своими данными – максимальный контроль всех процессов, как у хорошего режиссера на съемочной площадке.