Небольшие фермы выращивают большую часть мирового продовольствия для самообеспечения домохозяйств, но из космоса они практически невидимы. Их поля крошечные и плохо различимые, а спутниковые устройства, созданные для отслеживания урожая, были разработаны для больших, однородных полей промышленного сельского хозяйства, а не для участков площадью менее гектара, которые обеспечивают продовольствием многих беднейших людей в мире. Однако разработанный инструмент искусственного интеллекта под названием Tessera меняет ситуацию.
Tessera — это передовая нейросетевая базовая модель (AI foundation model) для наблюдения за Землей и дистанционного зондирования, разработанная исследователями из Кембриджского университета в сотрудничестве с международными партнерами. Полное название инструмента расшифровывается как Temporal Embeddings of Surface Spectra for Earth Representation and Analysis (Временные эмбеддинги спектров поверхности для представления и анализа Земли).
Инструмент был создан междисциплинарной командой под руководством ученых из Кембриджа (одним из ведущих авторов исследования стала доктор Маделин Лисайус).
В основе Tessera лежит обработка колоссальных массивов данных с европейских спутников Sentinel-1 (радарные данные) и Sentinel-2 (оптические снимки) программы «Коперник». Нейросеть сжимает петабайты сырой спутниковой информации за несколько лет в компактные цифровые сводки — «эмбеддинги».
Tessera способна с высокой точностью распознавать границы и типы сельскохозяйственных культур на крошечных, раздробленных участках земли. При тестировании на небольших полях в Австрии Tessera определила большинство типов культур точнее, чем используемые в настоящее время методы. При этом она использовала всего 8% вычислительной мощности и не требовала ручной настройки, необходимой для этих методов.
Эти данные важны, потому что организации, занимающиеся планированием продовольственной безопасности, включая Продовольственную и сельскохозяйственную организацию ООН, Всемирный банк и правительства отдельных стран, используют спутниковые карты посевов при принятии решений. Обследование небольших полей на местности в масштабах всей страны нецелесообразно. В таком масштабе небольшое повышение точности может решить, будет ли страна импортировать достаточно зерна, чтобы избежать дефицита, как пояснила ведущий автор исследования Маделин Лисайус, которая завершила исследование в качестве аспиранта на кафедре компьютерных наук и технологий Кембриджского университета: «Когда решения принимаются на уровне страны и континента, это имеет огромное значение с точки зрения продовольственной безопасности и планирования. Закупать ли нам сейчас 100 тонн или 10 000 тонн риса из Таиланда, потому что мы будем производить его в недостаточном количестве, и через семь месяцев люди начнут голодать?».
Лисайус представляет свою работу на конференции ISPRS 2026, посвященной геопространственным данным, которая проходит в Торонто, США, с 4 по 11 июля. Мероприятие принимает конференц-центр Metro Toronto Convention Centre (MTCC). Это крупное историческое событие для научного сообщества, так как последний раз конгресс этой международной организации проходил в Канаде более 50 лет назад (в Оттаве в 1972 году). Статья о Tessera опубликована в журнале ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences.
Исследователи сделали модель полностью бесплатной и открытой (open-source), что позволяет ученым по всему миру накладывать данные своих локальных полей на глобальную карту ИИ. Земля огромна, и ИИ невозможно обучить в стенах одного университета. Когда ученые из Индии, Бразилии или других стран загружают в открытую систему данные своих реальных полей, Tessera учится на этих примерах. За счет этого глобальная карта ИИ постоянно самообучается, становится точнее и начинает лучше распознавать новые виды культур.
Источник: University of Cambridge Department of Computer Science and Technology.
На фото: изображение небольших полей в Австрии, использованных в исследовании, созданное «Тессерой». На этом изображении первые три измерения векторного представления преобразованы в красный, зеленый и синий цвета. Источник: Tessera /University of Cambridge.