Данная работа посвящена разработке метода автоматического детектирования границ сельскохозяйственных полей России по данным спутниковой съёмки. В работе исследуются современные нейросетевые подходы на базе архитектур U-Net  и многозадачной трансформерной модели HBGNet  и безоблачные сезонные композитные изображения 8 областей России по данным спутников серии Sentinel-2.В работе был проведён анализ целевого набора данных, охватывающего 8 регионов России. Были выявлены ключевые особенности полей каждого региона: размер и форма полей, наличие населённых пунктов, береговой линии и лесных массивов примыкающих к полям, кустарники и деревья внутри полей. Далее, было выполнено исследование применимости классической модели U-Net, обученной на паттернах полей одного региона на данных другого региона. Модель (архитектуры U-net) обучалась на данных одного из 4-х выбранных регионов (Калининградская область, Вологодская область, Запорожская область, Алтайский край), после чего тестировалось, как она показывает себя в применении к данным 8 регионов (Калининградская область, Вологодская область, Запорожская область, Алтайский край + Московская область, Рязанская область, Пензенская область, Амурская область) по метрике IоU. Сделаны следующие выводы: (i) Модель распознавания полей, обученная на выбранном регионе, не переносится автоматически на другие регионы; например, для Амурской области не подходят модели обученные на данных других регионов, (ii) ряд регионов имеют схожую структуру полей (например, Московская и Калининградская области), поэтому для них модели имеют неплохую переносимость (IoU>70-80%), (iii) модель для полей Вологодской области обладает низкой точностью (IoU<45%), что мы связываем с недостаточным качеством ручной разметки полей данного региона (которая использовалась в обучении).

На данных Калининградской области исследовалась модель HBGNet. Это современная иерархическая семантическая нейросеть с предобученным энкодером на базе Pyramid Vision Transformer (PVT-V2). Архитектура нейросетевой модели объединяет в себе две ветви: основную для сегментации площади полей и вспомогательную ветвь для распознавания границ объектов. Обучение модели построено по принципам многозадачного обучения — веса определяются путем одновременной оптимизация площади полей, их границ и карт расстояний до границы полей. По результатам экспериментов были сделаны следующие выводы: (i) HBGNet показывает существенное улучшение качества распознавания с/х полей Калининградской области по сравнению со стандартной сверточной моделью сегментации U-Net (+15% IoU), (ii) модель HBGNet может встречать трудности в распознавании проселочных дорог, разделяющих поля, а также в распознавании полей, плохо заметных на сезонных композитных изображениях, (iii) в ряде случаев точность нейросетевой модели ограничена качеством ручной разметки полей, выполненной человеком (на которой модель обучается).

В заключение необходимо отметить ряд перспективных направлений для будущих исследований. Обучение HBGNet и/или схожих трансформенных моделей многозадачного обучения на данных разных регионов России позволит создать универсальную модель распознавания границ полей. Точность подобных моделей предполагается улучшать за счет более качественной и однородной разметки полей. Использование месячных композитов (в дополнении к сезонным) также позволит точнее выделять границы полей и рабочие участки. Наконец, векторизация границ полей на полученной карте сегментации позволит использовать представленную модель для множества прикладных задач спутникового мониторинга c/х деятельности.