SAD: Satellite Anomaly Detection 🛰️

3 место btw

Technostart 2026

Система автоматического мониторинга и анализа спутниковых снимков для обнаружения экологических аномалий.

📋 Возможности

• 🔥 Обнаружение лесных пожаров: Использует специально предобученную модель YOLOv11 для поиска дыма/огня в видимом диапазоне и верифицирует данные с помощью инфракрасного слоя (SWIR) для исключения ложных срабатываний.
• 🌲 Анализ потери растительности: Сравнивает текущий индекс NDVI с историческими спутниковыми данными (Sentinel-2) за прошлый год для выявления вырубок или гибели леса.
• 🗺️ Интерактивная карта: Визуализация обнаруженных объектов с гео-привязкой через Leafmap.
• 📊 Отчетность: Генерация и экспорт детального отчета о нарушениях в формате CSV.

🛠️ Установка и запуск

Предварительные требования

• Linux / Windows / macOS
• Python 3.8+
• CUDA (рекомендуется для ускорения работы нейросетей)

Инструкция

1. Клонируйте репозиторий:

   git clone https://github.com/your-repo/hackathon2026.git
   cd hackathon2026

2. Создайте и активируйте виртуальное окружение:

   python -m venv .venv
   source .venv/bin/activate  # Linux/macOS
   # .venv\Scripts\activate   # Windows

3. Установите зависимости:

   pip install -r requirements.txt

4. Настройка API (для исторических данных): Создайте файл .env в корне проекта и добавьте учетные данные Sentinel Hub:

   sentinelid=ВАШ_CLIENT_ID
   sentinelkey=ВАШ_CLIENT_SECRET

   Без этих ключей функция анализа потери растительности (сравнение с прошлым годом) работать не будет.

5. Запуск приложения:

   streamlit run app.py

📂 Как использовать

1. Откройте приложение в браузере (обычно http://localhost:8501).
2. В боковой панели загрузите ZIP-архив со спутниковыми данными. Для поиска можно использовать EO Browser или Copernicus
3. Требования к архиву: Архив должен содержать файлы каналов формата TIF, соответствующие:
   • True Color (видимый спектр) — для поиска объектов нейросетью.
   • SWIR (коротковолновый инфракрасный) — для подтверждения температурных аномалий.
   • NDVI (индекс растительности) — для анализа состояния леса.
4. Настройте пороги уверенности (Confidence Threshold) и чувствительности в боковом меню.
5. Изучите результаты на карте и скачайте отчет violations_report.csv.

🏗️ Структура проекта

• app.py: Основное веб-приложение на Streamlit.
• src/:
  • processor.py: Обработка изображений, работа с ZIP, нормализация каналов.
  • sentinel.py: Клиент API Sentinel Hub для загрузки исторических данных.
  • ml.py: Обертка над моделями YOLO и SAHI (Slicing Aided Hyper Inference).
  • geo.py: Утилиты для работы с геокоординатами.
• runs/: Папка с весами обученных моделей.

---

Разработано в рамках хакатона Technostart 2026 с использованием AI!