land-cover-ca v2
сегментация береговой линии по снимкам Sentinel-2
2 мин чтенияобновлено
Модель определяет тип земного покрова для каждого 30-метрового пикселя на летних композитных снимках со спутника Sentinel-2 L2A, разделяя их на шесть классов: лес, пашня, застройка, вода, водно-болотные угодья и прочее. Это файнтюн (дообучение под узкую задачу) геопространственной модели Prithvi-EO-2.0-300M от IBM и NASA с декодером UNet, созданный командой Centauri Research для проекта LakePulse на хакатон NASA Space Apps Challenge 2026. В отличие от стандартных карт MODIS с разрешением 500 метров, модель детализирует 30-метровую прибрежную полосу вокруг озера Симко и впадающих в него ручьёв в Онтарио. Пригодится специалистам по дистанционному зондированию Земли, экологам и исследователям, работающим с TerraTorch.
Ключевые особенности
- Повышенная точность на редких классах за счёт взвешенной функции потерь: вес обратно пропорционален квадратному корню доли пикселей класса, что заметно улучшило распознавание болот по сравнению с версией без весов.
- Строгая пространственная валидация: тестовый блок водосбора реки Холланд и прилегающие чипы в радиусе 6,72 км были полностью исключены из обучения, чтобы избежать утечки данных.
- Компактный формат весов
land_cover_ca_v2_fp16.safetensorsв половинной точности с готовыми файлами конфигурацииterratorch_config.yamlи статистикой нормализацииnorm_stats.json. - Работает строго с шестью спектральными каналами Sentinel-2 L2A (BLUE, GREEN, RED, NIR_NARROW, SWIR_1, SWIR_2), очищенными от облаков.
Что можно сделать
- Анализировать стоки и землепользование в 30-метровой прибрежной зоне вокруг озера Симко и соседних водосборов южного Онтарио.
- Воспроизвести эксперимент и сравнить нейросетевую сегментацию с градиентным бустингом на базе прилагаемых контрольных моделей в папке
ablations/. - Использовать как референсный пайплайн настройки
SemanticSegmentationTaskв библиотеке TerraTorch 1.2.14 для собственных задач классификации спутниковых снимков.
Пример
Для запуска загрузите конфигурацию terratorch_config.yaml в SemanticSegmentationTask библиотеки TerraTorch с параметром backbone_pretrained: false, затем переведите тензоры из land_cover_ca_v2_fp16.safetensors во float32 и загрузите веса с strict=True. На вход подаётся нормализованный 6-канальный летний композит Sentinel-2 L2A без облаков с разрешением 30 м.
Подробнее
Метрики (mean IoU на тестовом блоке): 0.5145 по всей территории и 0.4040 в 30-метровой прибрежной полосе (выше градиентного бустинга с 0.4794 и первой версии модели с 0.4724).По классам (IoU): вода — 0.9044, пашня — 0.8010, лес — 0.6550, застройка — 0.5727, болота — 0.0846, прочее — 0.0690.
Обучение: 636 обучающих и 30 валидационных чипов (224×224 пикселя) за 2019–2021 годы на Google Colab A100 в bf16.
Ограничения: модель обучена на федеральной карте Канады 2020 года (не на полевых замерах) только для южного Онтарио; на зимних (mIoU 0.0484), облачных (0.2117) и задымлённых снимках качество резко падает.










Комментарии