Спутниковая съемка Земли редко выглядит как аккуратный поток данных. Облака закрывают поверхность, тени меняются вместе с углом Солнца, а один и тот же район может попадать в кадр с большими перерывами. Для обычных моделей компьютерного зрения такие разрывы становятся проблемой: алгоритм видит не плавную историю, а набор снимков с пропусками.
В новом обзорном препринте исследователи Раул-Александру Горган и Дориан Горган из Технического университета Клуж-Напоки рассматривают, как адаптивные нейросети могут улучшить обработку данных дистанционного зондирования. Один из самых интересных вариантов — Liquid Neural Networks, или жидкие нейронные сети. Их идея вдохновлена компактной нервной системой круглого червя C. elegans, а математически такие модели описывают изменения как непрерывный процесс во времени.
Это важно для орбитальной съемки. Если спутник несколько раз подряд не видит поле из-за облаков, жидкая сеть может учитывать сам промежуток времени, а не только соседние кадры. Теоретически это помогает восстанавливать динамику роста сельхозкультур, границы пожаров, последствия наводнений и другие процессы, которые меняются между пролетами аппарата.
Авторы обзора разобрали 61 работу, опубликованную с 2018 по 2026 год. Большая часть подходов пока развивает привычные сверточные сети, визуальные трансформеры, графовые модели и методы очистки изображений от дымки или облаков. Жидкие нейросети занимают меньшую долю исследований, около одной шестой выборки, но выделяются тем, что могут работать с нерегулярными временными рядами без грубого пересчета всех данных в одинаковые интервалы.
Есть и инженерный плюс. Поскольку такие модели используют уравнения, описывающие непрерывную динамику, они потенциально могут быть менее прожорливыми к вычислениям, чем некоторые тяжелые нейросетевые схемы. В перспективе это открывает путь к обработке части данных прямо на борту малых спутников, где мощность и энергопотребление ограничены.
Пока это не готовое решение для всех миссий наблюдения Земли. Обзор отмечает, что многие эксперименты проверялись только на отдельных регионах, а затраты вычислительных ресурсов часто описаны неполно. Но поток данных с орбитальных аппаратов растет, и именно такие методы могут помочь превратить нерегулярные снимки с облаками, тенями и длинными паузами в более цельную картину изменений на планете.
