С 1 марта 2026 года владельцы земельных участков обязаны контролировать распространение борщевика Сосновского. Основным инструментом мониторинга стали спутниковые снимки — они позволяют быстро выявлять очаги растения на больших территориях. Однако ручное картографирование таких снимков трудоёмко и плохо масштабируется.

Зачем нужен автоматизированный подход

Я — Сергей Кукуруз, руковожу ML-проектами в центре технологий для общества Yandex Cloud. Вместе со студентами Школы анализа данных (ШАД) и движением добровольцев «СтопБорщевик» мы разработали сервис для автоматического обнаружения борщевика с помощью машинного обучения.

Сервис анализирует спутниковые снимки и выделяет заросли борщевика, рассчитывает площадь заражения и позволяет экспортировать данные в формате GeoJSON для использования в ГИС-программах.

Модель обучена на 55 спутниковых снимках, из которых получено 10 тысяч фрагментов. Ниже — подробный разбор технического пайплайна: от обработки GeoTIFF до векторизации результатов.

Почему борщевик — серьёзная проблема

Борщевик Сосновского ранее выращивали как кормовую культуру: он высокий, неприхотливый и быстро размножается. Однако его сок вызывает сильные ожоги кожи, а мясо и молоко животных, питающихся им, приобретают неприятный запах.

К 2017 году растение было зафиксировано в 18 регионах на площади около 170 тысяч гектаров. К 2022 году — уже в 40 регионах, но точная площадь заражения неизвестна.

Бороться с ним сложно по трём причинам:

• Живучесть. Скошенные побеги быстро отрастают, семена сохраняют всхожесть на протяжении нескольких лет.
• Требуется постоянный контроль. Однократная обработка не решает проблему — нужно регулярно выявлять новые очаги.
• Недостаток ресурсов. Для крупных территорий, таких как парки или лесные массивы, ручной мониторинг неподъёмный.

Сейчас основной способ — визуальное обнаружение с воздуха и ручная разметка. Один сотрудник может потратить целый день на разметку 1000 полигонов.

Нам нужно было создать решение, которое будет:

• Простым — доступным без технических навыков.
• Масштабируемым — применимым к любым территориям.
• Бесплатным — с низкой стоимостью разработки и поддержки.

Ключевое наблюдение: во время цветения борщевик хорошо различим на спутниковых снимках. Оставалось научить модель его распознавать.

Технический пайплайн

Задача — пиксельная классификация (семантическая сегментация): определить, содержит ли каждый пиксель изображения борщевик. Мы выбрали градиентный бустинг, а не нейросети — об этом позже.

Для обучения потребовались размеченные данные. Мы подготовили 10 тысяч фрагментов снимков, разметив их в два этапа:

1. Выделили контуры зарослей борщевика.
2. Рассчитали вегетационный индекс CIVE и подобрали порог: выше — борщевик, ниже — нет.

Спутниковые снимки в формате GeoTIFF содержат не только RGB-каналы, но и геометаданные — это позволяет точно привязать результаты к координатам.

Пайплайн обработки:

1. Чтение снимка.
2. Нормализация данных.
3. Разбивка на тайлы.
4. Извлечение признаков.
5. Классификация с помощью CatBoost.
6. Векторизация.
7. Отображение на карте.

Чтение спутникового снимка

Пользователь загружает GeoTIFF. Мы читаем его с помощью библиотеки rasterio, которая позволяет работать с геопривязанными изображениями. Извлекаем BGR-каналы, конвертируем в RGB и сохраняем метаданные: аффинное преобразование, CRS и размер изображения.

Нормализация данных

Снимки могут содержать аномалии: блики, тени, артефакты сжатия. Это искажает распределение яркости и ухудшает классификацию.

Мы нормализуем каждый канал (R, G, B) отдельно:

• Берём 0,3-й перцентиль как min_value и 99,7-й как max_value.
• Обрезаем значения ниже и выше этих границ.
• Линейно растягиваем оставшийся диапазон до [0; 255].

Также применяем RandomUnderSampler для балансировки классов. Пикселей без борщевика в разы больше, чем с ним — без балансировки модель могла бы просто игнорировать редкий класс.

Разбивка на тайлы

Изображение разбивается на фрагменты 256 × 256 пикселей. Это улучшает качество классификации: статистики по тайлу (среднее, медиана и др.) отражают локальный контекст.

Тайлы нарезаются скользящим окном: если фрагмент не влезает целиком, окно сдвигается назад, чтобы захватить полные 256 пикселей.

Извлечение признаков

Для каждого пикселя формируется 20 признаков:

• Пиксельные (4): значения R, G, B и вегетационный индекс CIVE.
• Глобальные (16): для каждого канала — среднее, стандартное отклонение, медиана, минимум и максимум по всему тайлу, плюс среднее значение CIVE.

Индекс CIVE рассчитывается по формуле: 0,441R − 0,881G + 0,385B + 18,78745. Он эффективно выделяет зелёную растительность.

Глобальные признаки дают контекст: например, отличают «зелёный пиксель в лесу» от «зелёного пикселя в поле с определённой структурой», характерной для борщевика.

Классификация

Модель CatBoost получает признаки и предсказывает вероятность наличия борщевика для каждого пикселя. Мы используем высокий порог — 0,95 — чтобы минимизировать ложные срабатывания.

Результат — бинарная маска: массив из 0 и 1, где 1 означает наличие борщевика.

Векторизация

Бинарная маска конвертируется в полигоны с помощью rasterio. Затем они упаковываются в GeoDataFrame с помощью shapely и geopandas.

Через spatial join определяем, в каком регионе находится каждый полигон, сопоставляя его с шейп-файлом регионов РФ. После этого рассчитываем площадь каждого полигона в квадратных метрах.

Готовые данные отображаются на карте. Точность оценивается по метрике IOU (Intersection Over Union) — у нас она составляет 0,75, что считается хорошим результатом.

Почему CatBoost, а не нейросеть?

Мы выбрали градиентный бустинг по трём причинам:

• Размер датасета. Для нейросетей (например, U-Net) нужно десятки тысяч размеченных снимков. У нас было всего 55, но более 3,6 млн пикселей — достаточно для табличного бустинга.
• Ручной feature engineering. Мы явно задали 20 осмысленных признаков. Градиентный бустинг — стандарт для табличных данных и часто превосходит нейросети в таких задачах.
• Интерпретируемость. CatBoost позволяет посмотреть feature importance — понять, какие признаки важны. С нейросетями это сложнее.

Использованные библиотеки:

• rasterio — чтение GeoTIFF;
• numpy, opencv — обработка изображений;
• catboost — обучение модели;
• scikit-learn, imblearn — разделение выборки и балансировка;
• shapely, geopandas — геометрия и векторизация;
• matplotlib, plotly — визуализация.

Тот же стек можно применить для поиска других объектов: дорог, водоёмов, зданий, вырубок, пожаров. Даже для археологии — например, руин крепостей или мест сражений времён ВОВ.

Результаты и планы

Сначала сервис просто обрабатывал загруженные снимки. Сейчас мы запустили публичную карту, где сохраняются все обнаруженные очаги.

На данный момент на карте отмечено 421 га заражённой территории в 17 регионах европейской части России.

Территории Москвы и Подмосковья уже полностью проанализированы. До лета 2026 года планируем охватить 100 тысяч км² в Тверской и Ярославской областях — с участием волонтёров.

Сервис можно адаптировать и для других инвазивных растений: например, эхиноцистиса лопастного, золотарника канадского и золотарника гигантского.

Глобальная цель — оценить полный ареал борщевика Сосновского в России. С такими данными бороться с ним станет значительно проще.

С 1 марта 2026 года владельцы участков обязаны контролировать распространение борщевика Сосновского на законодательном уровне. Основным инструментом мониторинга стали спутниковые снимки, поскольку на них можно быстро обнаруживать очаги распространения борщевика на больших площадях. Однако ручное картографирование огромных территорий по снимкам с воздуха — процесс дорогой и плохо масштабируемый.

Меня зовут Сергей Кукуруз, я руковожу ML‑проектами в центре технологий для общества Yandex Cloud. В этой статье расскажу, как мы совместно со студентамиШколы анализа данных(ШАД), а также с движением добровольцев «СтопБорщевик» автоматизировали этот процесс с помощью машинного обучения. Мы подробно разберём технический пайплайн: от нормализации GeoTIFF‑файлов и извлечения признаков (индекс CIVE) до обучения модели в CatBoost.

Я расскажу, почему для классификации объектов на спутниковых снимках градиентный бустинг зачастую эффективнее нейросетей, и как применить этот стек для поиска любых объектов — от лесных вырубок до руин крепостей. Собственный дата‑центр не потребуется, это можно сделать в домашних условиях — главное, чтобы у вас было достаточно спутниковых снимков для разметки данных:)

Коротко: что за модель и зачем мы её подготовили

Наша ML‑модель — это часть сервиса для экологического мониторинга, который мы сделали вYandex Cloudвместе со студентами ШАДа. Мы разработали его, чтобыпомочьвладельцам земельных участков (особенно крупных) контролировать распространение опасных растений, в том числе борщевика.

Сервис анализирует спутниковые снимки и выдаёт изображение с размеченными зарослями борщевика и площадью заражения. Также можно выгрузить векторный файл (например, GeoJSON) для работы в ГИС‑программах.

Мы обучили модель на 55 больших спутниковых снимках (это дало датасет в 10 тысяч изображений). Но прежде чем я расскажу о процессе, нужно дать контекст: в чём особенность и опасность борщевика, а также почему мы создали сервис именно таким.

Почему борщевик Сосновского — это проблема

Раньше это растение культивировали на корм для животных: оно вырастает до 3–5 метров в высоту, даёт много зелёной массы, неприхотливо и быстро размножается. Но довольно быстро обнаружился недостаток: при попадании сока на кожу появлялись ожоги. Кроме того, после откорма борщевиком молоко и мясо давали неприятный запах и привкус.

Культивировать растение перестали, но оно уже неплохо распространялось самостоятельно. Настолько быстро, что сейчас точно неизвестно, какая площадь заражена борщевиком.

К 2017 году борщевик Сосновского былобнаруженв 18 регионах на площади около 170 тысяч гектаров. Чтобы легче представить — это квадрат с длиной стороны в 41 км. К 2022 году растение было зафиксировано уже в 40 регионах, но площадь заражения не оценивалась.

Бороться с вредителем сложно из‑за нескольких факторов:

• Растение живучее и плодовитое.Скошенные побеги быстро отрастают, а семена способны прорастать через несколько лет.
• Нужны систематические действия.Недостаточно один раз скосить всё поле или обработать его гербицидами — нужно регулярно оценивать, не появились ли новые очаги.
• У владельцев не всегда хватает ресурсов.Если участок небольшой, то обнаружить и ликвидировать растение — посильная задача. А вот администрациям парков и других крупных участков можно только посочувствовать.

Сейчас наиболее действенный способ обнаружения борщевика — фиксация очагов с воздуха и последующее картографирование вручную. Но такой способ довольно затратный и плохо масштабируется: чтобы отрисовать 1000 полигонов зарослей, одному сотруднику может потребоваться целый рабочий день — это сотни отдельных участков, каждый из которых нужно вручную обвести по снимкам.

Мы подумали, что нужен инструмент, который будет:

• Простым.Чтобы им мог пользоваться любой человек, без технических навыков.
• Масштабируемым.Чтобы решение можно было создать один раз, а использовать бесконечно и в любых условиях.
• Бесплатным.Чтобы им могли пользоваться все. Значит, оно должно быть недорогим в разработке и обслуживании.

Он позволил бы быстро решать сразу несколько задач:

• Находить новые заражённые области.
• Оценивать результаты ликвидации.
• Аккумулировать данные — для научных работ или принятия решений.

Тут мы обратили внимание на один факт: когда борщевик зацветает, его хорошо видно на спутниковых снимках и можно легко отличить от других растений. Осталось только обучить ML‑модель, которая сможет классифицировать эти объекты.

Сервис под капотом

Если нам нужно обучить модель корректно относить объект к одной из двух категорий «вредитель» / «не вредитель» — это задача пиксельной классификации (семантической сегментации). Для неё хорошо подходит алгоритм градиентного бустинга (почему — расскажу чуть позже).

Но для него требуются размеченные данные — эталон, с которым модель будет сравнивать данные при обучении и делать прогноз. Поэтому мы подготовили 10 тысяч фрагментов спутниковых снимков, а затем в два этапа провели их разметку.

1. Выделили по контуру области с борщевиком.
2. Считали вегетативный индекс и подбирали для него порог: если значение было выше, область закрашивалась, если ниже — нет.

Поэтому нам и потребовались именно спутниковые снимки: они не только дают значения RGB‑каналов (по ним рассчитывается вегетативный индекс CIVE), но и обладают метаданными, которые позволяют привязать закрашенную область к определённым координатам.

Далее мы обучили модель с помощью библиотеки CatBoost. Ещё 2000 фрагментов спутниковых снимков использовали для тестирования.

После обучения у нас получился такой пайплайн:

1. Чтение спутникового снимка.
2. Нормализация данных.
3. Разбивка на тайлы.
4. Извлечение признаков.
5. Классификация с помощью CatBoost.
6. Векторизация.
7. Представление на карте.

Давайте разберём подробнее каждый шаг.

Чтение спутникового снимка

Пользователь загрузил GeoTIFF‑файл. Далее мы открываем его с помощью библиотекиrasterio— она нужна для чтения, записи и обработки растровых геоданных. Проще говоря, она позволяет работать с географическими изображениями, где каждый пиксель привязан к координатам на Земле.

Мы читаем BGR‑каналы и конвертируем их в RGB. Одновременно сохраняем метаданные: аффинное преобразование (привязка к координатам), CRS (система координат) и размер изображения.

Нормализация данных

Спутниковые снимки часто содержат аномально яркие или тёмные пиксели. Это могут быть:

• блики (засветки от облаков или воды);
• мёртвые или горячие пиксели сенсора;
• глубокие тени зданий или рельефа;
• артефакты сжатия.

Из‑за выбросов вариативность значений может быть огромной, что способно сильно ухудшить качество классификации. Поэтому мы проводим нормализацию значений яркости каждого из трёх каналов (R, G, B) по отдельности.

Алгоритм такой:

• для каждого канала берётся 0,3-й перцентиль (min_value) и 99,7-й перцентиль (max_value);
• всё, что ниже 0,3%, обрезается до min_value;
• всё, что выше 99,7%, обрезается до max_value;
• оставшийся диапазон линейно растягивается в [0:255].

Тут ещё стоит отметить, что на этапе обучения мы использовали инструментRandomUnderSamplerдля борьбы с дисбалансом в распределении классов. Он берёт все объекты миноритарного класса, случайно удаляет часть объектов мажоритарного класса и делает классы примерно одинаковыми по размеру.

Это важно, потому что пикселей без борщевика на порядки больше, чем с борщевиком, и это искажение может научить модель, что безопасно всегда помечать пиксель как не содержащий борщевик.

Разбивка на тайлы

Тайл — это фрагмент изображения 256 × 256 пикселей. Это ключевой момент — модель работает лучше на мелких фрагментах, потому что глобальные статистики (среднее, медиана и так далее) вычисляются по тайлу и отражают локальный контекст.

Тайлы нарезаются скользящим окном: если у края снимка тайл не влезает целиком, окно сдвигается назад, чтобы захватить полные 256 пикселей.

Извлечение признаков

Этот этап ещё называется feature engineering. Для каждого тайла формируется таблица, где каждый пиксель — строка с 20 признаками:

• 4 пиксельных признака: R‑, G‑, B‑значение конкретного пикселя плюс его значение вегетационного индекса CIVE.

• 16 глобальных (контекстных) признаков тайла. Для каждого из трёх каналов вычисляется среднее значение по всему тайлу плюс:среднее (mean);стандартное отклонение (std);медиана (median);минимальное (min);и максимальное (max) значение.

Вот как выглядит таблица:

Пиксельный

Значения каналов конкретного пикселя

Пиксельный

Вегетационный индекс этого пикселя

R_mean, R_std, R_median, R_min, R_max

Глобальный

Статистики красного канала по тайлу 256 × 256

G_mean, G_std, G_median, G_min, G_max

Глобальный

Статистики зелёного канала по тайлу

B_mean, B_std, B_median, B_min, B_max

Глобальный

Статистики синего канала по тайлу

Глобальный

Средний CIVE по тайлу

Индекс CIVE (англ. Color Index of Vegetation Extraction) рассчитывается по формуле: 0,441R − 0,881G + 0,385 * B + 18,78745. Он хорошо выделяет зелёную растительность.

Глобальные признаки — это «контекст»: они одинаковы для всех пикселей в одном тайле и дают модели информацию об окружающей обстановке (лес, поле, город).

Пиксельные признаки — конкретный цвет и «зелёность» данной точки. Комбинация позволяет бустингу отделить «зелёный пиксель в окружении зелени» (лес) от «зелёный пиксель определённого оттенка в контексте с определёнными статистиками» (борщевик).

Классификация

Обученная с помощью CatBoost модель получает признаки и предсказывает вероятность борщевика для каждого пикселя. Мы применяли высокий порог в 0,95 — чтобы минимизировать ложные срабатывания.

В результате мы получим бинарную маску: вектор из 0 и 1, который показывает, какие пиксели выбраны, а какие нет.

Векторизация

На этом этапе мы конвертируем бинарную маску в полигоны с помощью уже знакомой вам библиотеки rasterio. Далее упаковываем их в GeoDataFrame с помощью библиотек shapely и geopandas.

Затем с помощью операции spatial join мы определяем, в каком регионе находится каждый полигон борщевика, сопоставляя его с шейп‑файлом регионов РФ, после чего вычисляем площадь каждого полигона в квадратных метрах.

Это операция, которая соединяет два геопространственных набора данных по их взаимному расположению (пересечению, вложенности и так далее)

Готово! После этого данные остаётся выгрузить на карту и представить пользователю.

Для оценки точности алгоритмов объектного обнаружения используется метрика IOU (Intersection Over Union). Она измеряет степень перекрытия между предсказанной областью и эталонной разметкой. У нашего решения этот показатель 0,75, что довольно неплохо.

Пара слов о градиентном бустинге

Я ещё обещал рассказать, почему мы выбрали именно градиентный бустинг, а не нейросети, например. Вот какими соображениями мы руководствовались:

• Размер датасета.Для обучения нейросети сегментации (U‑Net, DeepLab и пр.) нужны десятки тысяч размеченных снимков. У нас было только 55 спутниковых изображений, которые дали нам ~3,6 млн пикселей‑строк, но для табличного бустинга это комфортный объём.
• Ручной feature engineering вместо эмбеддингов.Вместо того чтобы заставлять нейросеть самой учить представления, мы сформулировали задачу как табличную, выделив 20 осмысленных признаков на пиксель. Градиентный бустинг — это де‑факто стандарт для табличных данных, он стабильно побеждает нейросети на подобных задачах.
• Возможность посмотреть feature importance.То есть понять, какие признаки важны. С нейросетью это сложнее.

Суммирую — вот какие библиотеки мы использовали и для чего:

• rasterio— чтение GeoTIFF;
• numpyиopencv— обработка изображений;
• catboost— ML;
• scikit‑learnиimblearn— train‑test split, балансировка классов;
• shapelyиgeopandas— геометрия, векторизация, spatial join;
• matplotlibиplotly— визуализация.

Вы можете использовать аналогичный стек и пайплайн для поиска других объектов на спутниковых снимках. Например, дорог, водоёмов, зданий, вырубок леса, участков с пожарами. А если вам интересна археология, можно попытаться найти на спутниковых снимках руины крепостей, городищ, деревень, или мест боёв времён ВОВ.

Если что‑то упустил — напишите в комментариях, для чего вы бы применили классификацию объектов на спутниковых снимках?

Что в итоге

В первой версии сервис просто получал снимок и возвращал результат. А сегодня мы запустилипубличную карту, на которой сохраняются результаты уже распознанных снимков.

Сейчас на карте размечены очаги заражения общей площадью 421 га в 17 регионах европейской части страны

Сегодня территорию Москвы и Подмосковья уже удалось проанализировать полностью. Планируем, что к лету 2026 года мониторингом будет охвачено 100 тысяч км² территории в Тверской и Ярославской областях: здесь мы рассчитываем на вклад пользователей и волонтёров.

Кроме того, сервис можно масштабировать и на другие опасные инвазивные растения: например, дляэхиноцистиса лопастногои золотарниковканадскогоигигантского.

А глобальная цель, конечно, — оценить полный ареал борщевика Сосновского в России. С этими данными и бороться с ним будет значительно проще.