ТЕРМОСТРАЖ — Интеллектуальная система мониторинга лесных пожаров

● Анализ проблемы

Россия горит

Лесные пожары наносят катастрофический ущерб экологии, экономике и жизни людей

🔥

Масштаб проблемы

5–15 млн га/год

Площадь лесных пожаров в России. Ущерб превышает 200 млрд рублей ежегодно. Тенденция к росту из-за изменения климата.

⏱️

Критический разрыв

4–12 часов

Время между обнаружением аномалии и верификацией на месте. За это время пожар увеличивается в площади в 5–10 раз, делая тушение экспоненциально дороже.

✈️

Устаревшие методы

15 000 ₽/час

Стоимость авиапатрулирования на Ан-2. Не покрывает труднодоступные регионы Сибири и Дальнего Востока. Зависимость от человеческого фактора.

🌐

Зависимость от иностранных данных

MODIS / VIIRS

ИСДМ-Рослесхоз использует данные с американских спутников NASA. Пространственное разрешение 1 км, задержка 2–6 часов. Геополитические риски.

● Концепция технической реализации

Трёхуровневая архитектура

Полный цикл: от спутниковой съёмки до аналитического отчёта в 2 часа

🛰️

УРОВЕНЬ 1: КОСМИЧЕСКИЙ СЕГМЕНТ

Обзорная ИК-съёмка территории российскими спутниками с периодичностью 1–2 раза в сутки. Автоматический приём данных наземными станциями НЦ ОМЗ «Планета».

Канопус-В №3, 5, 7 (ИК, 200м) Метеор-М №2-3, 2-4 (МСУ, 2800 км) Ресурс-П (мультиспектр, 3–12м) Кондор-ФКА (радар, всепогодный)

▼ Данные ДЗЗ (ИК + мультиспектральные снимки) ▼

🧠

УРОВЕНЬ 2: ИИ-ПЛАТФОРМА ОБРАБОТКИ

Автоматическая детекция тепловых аномалий, классификация типа и интенсивности, прогноз распространения огня, формирование полётного задания для БАС.

U-Net / DeepLabV3+ (сегментация) YOLOv8 (детекция объектов) LSTM + клеточный автомат (прогноз) OR-Tools (маршрутизация) XGBoost (классификация)

▼ Полётное задание + координаты аномалии ▼

🚁

УРОВЕНЬ 3: БАС (ДЕТАЛЬНАЯ РАЗВЕДКА)

Автоматический вылет дрона к точке аномалии для детальной верификации. Передача видео и тепловой карты в реальном времени. Уточнение площади, интенсивности и направления распространения.

ZALA 421-16E (радиус 50 км, 4 ч) Тепловизор + RGB камера ГЛОНАСС/GPS навигация Канал связи: 4G/LTE / радиоканал

▼ Аналитический отчёт ▼

📊

РЕЗУЛЬТАТ: ДОСТАВКА АНАЛИТИКИ

Интеграция в существующие платформы ситуационного мониторинга. Автоматическое оповещение ответственных служб с координатами, площадью, прогнозом.

«Безопасный город» ИСДМ-Рослесхоз Платформа «Сфера» АИУС РСЧС (МЧС) «Планета»

● Интеграция в существующие платформы

Совместимость с госсистемами

🏙️

«Безопасный город»

Автоматическая загрузка инцидентов на карту через API. Оповещение оперативных служб региона.

🌍

ИКИ РАН «Планета»

Приём и обработка данных ДЗЗ через инфраструктуру НЦ ОМЗ «Планета» (Москва, Новосибирск, Хабаровск).

📡

Платформа «Сфера»

Перспективная интеграция с многоспутниковой системой «Сфера» для увеличения частоты съёмки.

● Сценарий взаимодействия

Последовательность действий

Полный цикл обнаружения и верификации лесного пожара

T+0

🛰️ Спутниковая съёмка

Канопус-В проходит над зоной мониторинга, выполняет ИК-съёмку полосой 20 км с разрешением 200м

Канопус-ВSWIR 1.6/2.2 мкм

T+15мин

📥 Приём данных

Наземная станция НЦ «Планета» принимает телеметрию и снимки. Предварительная обработка и геореференцирование.

НЦ «Планета»Геореференцирование

T+30мин

🧠 ИИ-детекция тепловых аномалий

Нейронная сеть U-Net сегментирует термоточки на снимке. XGBoost классифицирует тип аномалии. Пороговый confidence ≥ 0.85 для срабатывания тревоги.

U-NetXGBoostIoU ≥ 0.75

T+35мин

📋 Формирование полётного задания

Автоматический расчёт оптимального маршрута для БАС от ближайшей площадки до точки аномалии с учётом метеоусловий, запретных зон и рельефа.

OR-ToolsМаршрут БАСМетео API

T+40мин

🚁 Запуск БАС

Оператор подтверждает вылет. ZALA 421-16E стартует с катапульты на ближайшей базе. Тепловизор + RGB-камера активированы.

ZALA 421-16EТепловизорГЛОНАСС

T+90мин

📹 Детальная разведка с БАС

Дрон над очагом. Передача HD-видео и тепловой карты в реальном времени. YOLOv8 детектирует границы огня и задымления.

ВидеопотокYOLOv8Сегментация

T+100мин

📊 Аналитический отчёт

ИИ формирует отчёт: точные координаты, площадь (±5%), интенсивность, тип (верховой/низовой), направление ветра. Прогноз на 6/12/24 часа.

LSTMКлеточный автоматОтчёт

T+120мин

🚨 Оповещение и реагирование

Отчёт автоматически загружен в «Безопасный город» и АИУС РСЧС. Push-уведомления диспетчеру МЧС, Авиалесоохране и региональной ОДС. Рекомендации по тушению.

МЧС (ЦУКС)АвиалесоохранаРослесхоз

● Глубинные интервью

Голос отрасли

5 глубинных интервью с ключевыми стейкхолдерами

Респондент #1 — Авиалесоохрана

Начальник отдела авиамониторинга

«Наши лётчики-наблюдатели физически не успевают охватить территорию. В Якутии на одного приходится 2 млн гектаров. Когда мы видим дым с самолёта — пожар уже 50 га и выше.»

💡 Инсайт: нужна система предупреждения ДО визуального обнаружения дыма

Респондент #2 — МЧС (ЦУКС)

Оперативный дежурный регионального ЦУКС

«Главная проблема — верификация. Спутник показывает термоточку, но это может быть костёр, техника, нагретая крыша. Пока мы проверим — уже прошло полдня. А если пожар реальный — он уже ушёл.»

💡 Инсайт: двухэтапная верификация (спутник → дрон) критически сокращает время

Респондент #3 — Специалист ДЗЗ

Ведущий инженер, НЦ ОМЗ «Планета»

«Канопус-В даёт отличные ИК-данные с разрешением 200м — этого достаточно для первичной детекции. Проблема в автоматизации: обработка до сих пор полуручная, оператор смотрит снимки глазами.»

💡 Инсайт: российская группировка уже способна решать задачу, нужна ИИ-автоматизация

Респондент #4 — Оператор БАС

Директор коммерческой компании по эксплуатации БПЛА

«ZALA или Орлан могут летать 3–4 часа, радиус 50 км. С тепловизором мы видим очаг задолго до того, как он станет видимым в RGB. Проблема: нам не ставят задачи оперативно. Пока согласуют, пока получим координаты...»

💡 Инсайт: автоматическое формирование полётного задания от ИИ-платформы устраняет задержку

Респондент #5 — Региональное лесничество

Заместитель руководителя лесничества, Красноярский край

«Нам нужен не просто факт пожара, а прогноз: куда он пойдёт через 6 часов, какие населённые пункты под угрозой, какие силы задействовать. Сейчас решения принимаются "на глаз", по опыту.»

💡 Инсайт: прогнозный модуль с учётом ветра и рельефа — ключевая ценность для ЛПР

● Анализ конкурентов

Конкурентный ландшафт

Сравнение с существующими решениями двух типов

Решение	Тип	Спутник	БАС	ИИ	Прогноз	Задержка	Суверенность
ИСДМ-Рослесхоз	Иной	⚠ MODIS (США)	✗	✗	⚠ Базовый	2–6 ч	✗ Низкая
NASA FIRMS	Иной	✓ VIIRS	✗	⚠	✗	3–6 ч	✗ Иностранная
Терра Тех	Схожий	✓ РФ	✗	⚠ Частично	✗	4–8 ч	✓
Авиапатрулирование	Иной	✗	✗	✗	✗	1–3 дня	✓
🔥 ТЕРМОСТРÁЖ	Комплексный	✓ Канопус-В	✓ ZALA	✓ Полный	✓ LSTM+CA	≤2 ч	✓ 100% РФ

⚔ Конкуренты с иным типом решения

Авиапатрулирование и вышковое наблюдение — устаревшие подходы с высокой стоимостью, ограниченным покрытием и зависимостью от человеческого фактора. NASA FIRMS — бесплатен, но является иностранной системой с низким разрешением.

🤝 Конкуренты с похожим решением

Терра Тех и Сканэкс предоставляют аналитику ДЗЗ, но без связки со БАС и без прогнозного модуля. ТЕРМОСТРÁЖ — единственное решение полного цикла «спутник → ИИ → дрон → отчёт» на 100% российском стеке.

● Математическая модель и ИИ

Модели искусственного интеллекта

Четыре ключевых модуля ИИ с валидированными метриками

🔍 Детекция тепловых аномалий

U-Net / DeepLabV3+

Семантическая сегментация ИК-снимков для выделения термоточек. Обучение на архивных данных Канопус-В + аугментация.

IoU (Intersection over Union)≥ 0.75

F1-score≥ 0.85

Recall (полнота)≥ 0.95

🏷️ Классификация аномалий

XGBoost / Random Forest

Различение типов тепловых аномалий: пожар, техногенный объект, нагретая поверхность, облачный артефакт.

Accuracy≥ 0.90

Precision (точность)≥ 0.88

📈 Прогноз распространения

LSTM + Клеточный автомат

Прогнозирование площади и направления распространения пожара на 6/12/24 часа с учётом метеоданных, рельефа и типа растительности.

MAE площади≤ 15%

Точность направления≥ 80%

🎯 Детекция с БАС

YOLOv8 + сегментация

Обработка видеопотока с дрона в реальном времени. Детекция границ огня, дыма, повреждённых участков, людей и техники.

mAP@0.5≥ 0.80

FPS (кадры/сек)≥ 25

🖥️ Аппаратные и программные требования

GPU (обучение)

NVIDIA A100 / 2×RTX 4090

GPU (инференс)

NVIDIA T4 / Jetson AGX Orin

Фреймворки

PyTorch, GDAL, Rasterio, GeoPandas

Инфраструктура

Docker + K8s, PostgreSQL + PostGIS

Фронтенд

React + Leaflet / DeckGL

API

FastAPI + WebSocket (видеопоток)

● Экономическая эффективность

Unit-экономика

Стоимость одного инцидента и рыночный потенциал

🛰️

40 000 ₽

Оперативная съёмка Канопус-В (1 сцена)

🧠

10 000 ₽

ИИ-обработка и анализ данных

🚁

25 000 ₽

Вылет БАС ZALA для верификации

📊

85 000 ₽

Полный цикл на 1 инцидент

Сравнение стоимости с классическими методами

Авиапатрулирование (Ан-2)

~300 000 ₽/инцидент

Вертолётный облёт (Ми-8)

~250 000 ₽/инцидент

🔥 ТЕРМОСТРÁЖ

~85 000 ₽/инцидент

📊 Рыночный потенциал

15 млрд ₽/год

TAM — мониторинг лесных пожаров РФ

3 млрд ₽/год

SAM — регионы с высоким риском

300 млн ₽/год

SOM — первые 10 регионов (год 1–2)

💰 Бизнес-модель

✅ SaaS-подписка для регионов: 2–5 млн ₽/сезон
✅ Лесопромышленные компании: защита арендованных участков
✅ Страховые компании: снижение убыточности полисов
✅ Госконтракты: МЧС, Рослесхоз, региональные бюджеты
✅ Экспорт: СНГ, Юго-Восточная Азия, Африка

● Безопасность и риски

Устойчивость системы

Анализ рисков и механизмы их минимизации

☁️

Облачность при съёмке

Вероятность: Высокая

✅ Радарные данные Кондор-ФКА (всепогодные). Повторный проход через 6–12 ч. Мультисенсорная фузия.

📡

Сбой ГЛОНАСС/GPS

Вероятность: Средняя

✅ Инерциальная навигация (ИНС) на борту БАС. Визуальная одометрия. Автоматический возврат на базу.

🛰️

Отказ спутника

Вероятность: Низкая

✅ Группировка из 6 КА. При выходе одного — остальные перекрывают. Резервирование данными Метеор-М.

🤖

Ложные срабатывания ИИ

Вероятность: Средняя

✅ Двухэтапная верификация: спутник → БАС. Порог confidence ≥ 0.85. Человек в петле принятия решений.

🌧️

Метеоусловия для БАС

Вероятность: Высокая

✅ Ограничения: ветер ≤15 м/с, видимость ≥1 км. Учёт метео в SLA. Режим ожидания с приоритетным вылетом.

👤

Человеческий фактор

Вероятность: Низкая

✅ Максимальная автоматизация. Оператор только подтверждает вылет. Логирование всех действий.

🛡️ БЕЗОПАСНОСТЬ ДЛЯ ЛЮДЕЙ И ОКРУЖАЮЩЕЙ СРЕДЫ

Решение не предполагает полётов над населёнными пунктами. БАС летает только над лесным массивом. Нет опасных грузов. Экологический эффект — положительный: сокращение площади пожаров спасает экосистемы и снижает выбросы CO₂.

● Гибкость и адаптация

Применение в других отраслях

Архитектура «спутник → ИИ → БАС» легко адаптируется

🌊

Наводнения

Мониторинг паводков и прорыва дамб

🛢️

Нефтеразливы

Детекция загрязнений на водных объектах

🌾

Сельское хозяйство

Мониторинг состояния посевов, засухи

🏗️

Инфраструктура

Контроль линейных объектов и трубопроводов

🪵

Незаконные рубки

Выявление нелегальной вырубки леса

● Продукт (MVP)

Степень проработки продукта

MVP с режимом симуляции БВС и ДЗЗ

Модуль детекции

Обученная U-Net на MODIS Active Fire dataset. Детекция термоаномалий на спутниковых снимках с IoU ≥ 0.75.

Симулятор ДЗЗ

Генерация синтетических ИК-снимков с параметрами Канопус-В. Имитация прохода спутника и приёма данных.

Прогнозный модуль

Клеточный автомат + LSTM для прогноза распространения с учётом метеоданных и рельефа.

Планировщик БАС

Автоматическое формирование полётного задания. Оптимальный маршрут с учётом запретных зон.

Симулятор БАС

3D-визуализация полёта ZALA. Симуляция видеопотока с тепловизора и обработки YOLOv8.

Веб-дашборд

React + Leaflet: интерактивная карта, панель инцидентов, карточки тревог, прогнозные слои, аналитика.

            # Структура репозитория ТЕРМОСТРÁЖ (GitFlic)

            📁 thermostrazh/

            ├── 📁 satellite_simulator/   # Симулятор данных ДЗЗ Канопус-В

            ├── 📁 ai_detection/         # U-Net модель детекции термоаномалий

            ├── 📁 ai_classification/    # XGBoost классификация типа аномалии

            ├── 📁 fire_prediction/      # LSTM + клеточный автомат прогноза

            ├── 📁 uas_planner/         # Планировщик маршрута БАС (OR-Tools)

            ├── 📁 uas_simulator/       # Симулятор полёта ZALA 421-16E

            ├── 📁 web_dashboard/       # React + Leaflet веб-интерфейс

            ├── 📁 api/                 # FastAPI REST + WebSocket

            ├── 📁 data/                # Датасеты, обученные модели

            ├── 📁 docs/                # Пояснительная записка, схемы

            ├── docker-compose.yml     # Оркестрация всех сервисов

            ├── requirements.txt

            └── README.md

● Взаимодействие со службами

Наземные партнёры

🚒

МЧС (ЦУКС)

Роль: Принятие решений о тушении

Связь: API → АИУС РСЧС

Обратная связь: Статус реагирования

🌲

Авиалесоохрана

Роль: Координация авиасил тушения

Связь: Оперативные сводки

Обратная связь: Данные с борта

🏛️

Рослесхоз

Роль: Стратегический мониторинг

Связь: Интеграция в ИСДМ

Обратная связь: Архивные данные

📋

Региональные ОДС

Роль: Диспетчеризация сил

Связь: Push-уведомления

Обратная связь: Подтверждение получения

ТЕРМОСТРÁЖ