ИИ-агенты в лесу: как они ловят вырубки и пожары

За последний год связка «спутник плюс модель компьютерного зрения плюс ИИ-агент¹» перестала быть демо на конференциях и начала попадать в реальные пайплайны мониторинга лесов. Классические системы уровня Global Forest Watch показывали, что где-то пропала растительность, и оставляли человека разбираться, законно это или нет. Новое поколение решений идёт дальше: агент сам подтягивает свежие снимки, сравнивает их с прошлыми, сверяется с реестром разрешённых делянок и формирует готовый инцидент с координатами и степенью уверенности.

Ключевое слово здесь — агент, а не просто нейросеть. Разница в том, что модель классификации отвечает на один вопрос («есть ли на этом кадре гарь»), а агент выстраивает цепочку действий: запросить данные, прогнать через несколько моделей, свериться с базой, оценить достоверность и решить, эскалировать инцидент человеку или отбросить как ложное срабатывание.

Что именно произошло

Технологического «одного релиза», как с выходом новой модели OpenAI, здесь нет. Скорее сложилось несколько условий одновременно. Данные Sentinel-2 (Европейское космическое агентство) и Landsat (NASA/USGS) остаются бесплатными и обновляются каждые несколько дней. Появились готовые модели сегментации, которые дообучают² под конкретную задачу — отделить свежий сруб от тени облака или сезонного сброса листвы. А оркестрация через фреймворки для агентов позволила связать шаги в автоматический процесс без ручного оператора на каждом этапе.

Отдельная линия — пожары. Здесь работают тепловые данные: сенсоры MODIS и VIIRS фиксируют аномалии температуры, а сервис NASA FIRMS раздаёт точки возгораний почти в реальном времени. Агент поверх этих данных не столько «обнаруживает» огонь (это делает сенсор), сколько отсеивает ложные срабатывания — заводские трубы, факелы, солнечные блики — и приоритизирует очаги по близости к населённым пунктам и скорости распространения.

Как устроен типовой пайплайн

1. Агент по расписанию запрашивает свежий снимок нужного квадрата.
2. Сравнивает с предыдущим наблюдением, выделяет зоны изменения растительного покрова.
3. Прогоняет изменённые участки через модель классификации: рубка, гарь, ветровал, сезонное изменение.
4. Сверяет координаты с реестром выданных разрешений на заготовку.
5. Если рубка есть, а разрешения нет — формирует инцидент с уверенностью модели и передаёт человеку.

Автоматика хорошо ловит факт исчезновения деревьев. Юридическую оценку — законно или нет — по-прежнему делает человек по документам. Агент лишь резко сокращает объём кадров, которые нужно смотреть глазами.

Сравнение подходов

Разница между «просто спутниковый сервис» и «агентная система» проще всего видна на функциях. В таблице — обобщённые классы решений, а не конкретные продукты, поскольку рынок дробный и меняется быстро.

Где границы точности

Оптические снимки бесполезны под сплошной облачностью, а это половина года в северных регионах. Частично проблему закрывает радар Sentinel-1, который «видит» сквозь облака, но его данные сложнее интерпретировать и требуют отдельной модели. Пространственное разрешение бесплатных спутников — около 10 метров на пиксель у Sentinel-2, поэтому выборочную рубку отдельных деревьев такая система не заметит: она ловит участки, а не стволы.

По точности классификации осторожнее с цифрами. Конкретные значения точности зависят от региона, породного состава и качества обучающей выборки, и универсального опубликованного бенчмарка для задачи «отличить незаконную рубку от законной по спутнику» на сегодня нет. Любую заявленную цифру вроде «95% точности» стоит спрашивать: на каком датасете, в каком регионе, за какой сезон.

Кому это пригодится и кому нет

Технология не универсальна. Она даёт эффект там, где площадь мониторинга велика, а инспекторов мало.

• Региональные лесничества и надзор. Агент сокращает ручной просмотр снимков и подсвечивает подозрительные делянки. Реальная экономия — человеко-часы инспекторов, а не замена выездных проверок.
• Крупные арендаторы лесных участков. Контроль собственных делянок и раннее оповещение о пожаре на своей территории до того, как он станет верховым.
• Страховые и лесопромышленные компании. Оценка ущерба после пожара или бурелома по снимкам «до и после» без выезда.
• Экологические НКО и исследователи. Открытые данные FIRMS и GFW уже закрывают базовые задачи бесплатно, без агентной надстройки.

Кому агентная система избыточна: владельцу небольшого участка, где проще раз в сезон объехать всё лично; проектам без доступа к реестру разрешений — тогда система умеет только сказать «здесь рубили», но не «здесь рубили незаконно»; регионам со сплошной облачностью большую часть года, если нет радарного канала.

Сколько это стоит

Открытые данные и открытые модели — бесплатны, но требуют своей команды для сборки и поддержки. Коммерческие платформы мониторинга продаются по подписке, привязанной к площади наблюдения и частоте обновления; публичных единых прайсов на российском рынке нет, а расценки зарубежных поставщиков спутниковой аналитики договорные. Поэтому корректнее оценивать не «цену продукта», а совокупную стоимость: данные плюс вычисления плюс люди, которые разбирают инциденты.

¹ ИИ-агент — программа, которая не просто выдаёт ответ на один запрос, а сама планирует и выполняет последовательность действий (запросить данные, вызвать модель, свериться с базой), чтобы достичь цели.

² Дообучение (fine-tuning) — донастройка готовой нейросети на узком наборе примеров под конкретную задачу, вместо обучения модели с нуля.