Коллектив ученых из Кубанского государственного технологического университета, Кубанского государственного аграрного университета и МФТИ разработал технологию поиска незарегистрированных построек и нарушений землепользования с помощью искусственного интеллекта. Работа, способная вернуть в государственный бюджет миллиарды рублей недополученных налогов, опубликована в журнале «Геодезия и картография».
Полнота и достоверность государственного кадастрового учета напрямую влияют на экономическую стабильность любого региона, так как именно недвижимость формирует значительную часть налоговой базы. Однако на практике возникают серьезные проблемы со сбором этих налогов.
Например, только в Краснодарском крае насчитываются тысячи участков с неучтенными зданиями, что оборачивается колоссальными финансовыми потерями для бюджета. В туристических и развивающихся аграрных регионах особенно остро стоит проблема нецелевого использования земель и самостроя: владельцы возводят многоэтажные гостиницы под видом небольших частных домов или превышают разрешенные габариты.
Чтобы обнаружить такие нарушения, надзорные ведомства традиционно используют дорогие выездные проверки или анализируют плоские фотографии с беспилотников и спутников. Но двумерные снимки имеют серьезные фундаментальные ограничения: по ним невероятно сложно вычислить точную высоту и этажность постройки, а густые кроны деревьев могут полностью скрыть незаконный объект от объектива камеры.
В своей прошлой работе, о которой мы писали в 2024 году, ученые как раз занимались государственным мониторингом земель и гаражей на основе двумерных кадастровых планов. В новом исследовании они предложили перейти на 3D с использованием нейросетей и воздушного лазерного сканирования, с целью повышения объективности, точности и скорости получения данных. Это позволит не только создать новый 3D-кадастр, но и заняться поиском неучтенных объектов.
В результате воздушного лазерного сканирования получается так называемое облако точек, представляющее собой трехмерную цифровую копию местности. Лазерный луч способен проникать сквозь листву и ветки, что позволяет увидеть истинный рельеф и точные контуры объектов любой сложности. Но вручную анализировать гигантские массивы из миллионов пространственных координат практически невозможно.
Именно поэтому ученые поставили перед собой амбициозную цель автоматизировать процесс обработки трехмерной информации, поручив эту ресурсоемкую аналитическую задачу искусственному интеллекту.
В качестве главного вычислительного инструмента исследователи выбрали архитектуру сверточной нейронной сети динамического графа, известной в научной среде как DGCNN. В отличие от классических нейросетей, обученных работать с упорядоченными пикселями на фотографиях, эта модель создана специально для анализа хаотичных и неструктурированных облаков точек.
Исследователи детально изучили механику внутреннего модуля плотной свертки сети, который умеет блестяще группировать пространственные координаты по сложным геометрическим признакам.
Для качественного обучения искусственного интеллекта авторы сгенерировали безупречный синтетический набор пространственных данных с помощью специализированного программного обеспечения.
Этот виртуальный полигон размером 600 x 600 метров достоверно имитировал сложный рельеф с землей, зданиями и растительностью разной высоты.
Проведя серию из 12 масштабных вычислительных экспериментов, коллектив определил идеальные параметры для обучения алгоритма.
Оказалось, что сеть достигает максимальной точности при разбиении пространства на сетку с шагом 25 метров, подаче 7500 точек и обучении на протяжении 100 циклов. При таких настройках программа практически безошибочно отделяла крыши домов от деревьев и элементов ландшафта.
Сергей Самарин, аспирант кафедры интеллектуальных информационных систем и технологий МФТИ, прокомментировал: «Наш подход кардинально меняет правила игры в пространственном анализе территорий. В отличие от существующих кадастровых сервисов, которые опираются на классификацию плоских изображений, мы учим алгоритм воспринимать мир в естественных трех измерениях. Анализ лазерных отражений позволяет нам не только «срывать» лиственный покров, надежно скрывающий самострой, но и с сантиметровой точностью определять этажность и габариты любого сооружения. Найденные нами оптимальные гиперпараметры для сети DGCNN — ключ к невероятно быстрой и точной автоматической обработке гигантских массивов пространственной информации без малейшего участия человека».
Уникальность предложенного инженерного решения заключается в фундаментальном переходе от работы с двумерными текстурами к глубокому анализу сложной пространственной геометрии. Это полностью снимает зависимость от капризов погоды и уровня освещенности, характерную для классической аэрофотосъемки, а также устраняет необходимость долгих и крайне трудоемких наземных геодезических измерений. Разработанный вычислительный метод напрямую решает технологические проблемы, с которыми физически не могут справиться автоматизированные системы учета, выводя качество дистанционного распознавания объектов капитального строительства на принципиально новый экспертный уровень.
С практической точки зрения масштабное внедрение описываемой технологии в повседневную работу надзорных органов способно полностью автоматизировать процесс выявления нарушений строгих градостроительных регламентов. Умная программа сможет самостоятельно сопоставлять фактические трехмерные габариты зданий с разрешенными параметрами из реестра недвижимости, мгновенно подсвечивая любые подозрительные расхождения на интерактивной карте.
В фундаментальном научном плане исследование закладывает мощную и надежную методологическую базу для применения методов глубокого машинного обучения к сложнейшим задачам государственного пространственного управления и урбанистики.
В ближайшем будущем авторы планируют провести тщательную верификацию алгоритма на реальных, а не синтетических наборах данных, используя признанные мировые базы тестирования графовых нейросетей от Стэнфордского университета. Успешное завершение этих ответственных испытаний станет финальным и самым важным шагом перед возможной полной интеграцией лазерного искусственного интеллекта в действующую систему государственного кадастрового учета, что сделает рынок недвижимости абсолютно прозрачным и контролируемым.
Научная статья: Р. А. Дьяченко, Д. А. Гура, С. В. Самарин, Д. А. Беспятчук; «Методика использования воздушного лазерного сканирования и нейросетевых технологий для обеспечения достоверными пространственными данными кадастра недвижимости»; 2024. DOI: 10.22389/0016-7126-2025-1020-6-54-63
