Практика использования технологий машинного обучения в градостроительном проектировании: классификация видов разрешенного использования и предсказание функционального зонирования

Введение

В условиях цифровой трансформации государственного управления и необходимости ускорения процессов градостроительного проектирования, остро встает задача внедрения технологий искусственного интеллекта, в частности методов машинного обучения, в градостроительное проектирование. Особенно актуальна автоматизация задач, традиционно выполняемых вручную, включая определение видов разрешенного использования (ВРИ) и функционального зонирования территорий, что требует значительных трудозатрат и экспертизы со стороны специалистов [1, 2].

Классические подходы к зонированию основаны на анализе существующего землепользования и экспертом толковании текстовых описаний участков. Эти описания, содержащиеся, например, в кадастровых планах территории (КПТ), отличаются высокой степенью разнородности, вариативности формулировок и отсутствием стандартизированных классификаторов. Следствием становится высокая нагрузка на специалистов ГИС и риск ошибок [3, с. 77-81; 4].

В данной статье представлен кейс внедрения ML-модели для автоматического определения ВРИ и соответствующей функциональной зоны на основании анализа текстового поля из КПТ. Рассматривается построение собственного ML-сервиса, основанного на архитектуре трансформеров, и его интеграция в процесс проектирования. Демонстрируется, как предложенное решение позволяет существенно сократить временные и трудозатраты, повысить согласованность данных и качество проектной документации.

Объект и предмет исследования

Объектом исследования является процесс функционального зонирования территорий в рамках разработки градостроительной документации.

Предмет исследования – применение методов машинного обучения для классификации видов разрешенного использования земельных участков и автоматического предсказания функциональных зон.

Цель и задачи исследования

Цель статьи – продемонстрировать возможности и эффективность применения ML-моделей для автоматизации зонирования территорий на основе анализа текстовых описаний участков из кадастровых данных.

Задачи:

• Описать проблематику ручной классификации ВРИ и зонирования.
• Представить архитектуру и принцип работы ML-модели.
• Проанализировать качество предсказаний модели на реальных данных.
• Оценить перспективы масштабирования технологии и ее значимость для практики.

Методология и техническая реализация

Исходные данные

В качестве обучающей выборки использовались сведения о 30000 земельных участках, собранные в процессе пилотного проекта (город Вологда). Главным источником информации выступало текстовое поле из КПТ, содержащее описания фактического использования участка. Характер данных – нерегламентированный, с высокой степенью разнообразия формулировок.

Обработка данных

Текстовые описания нормализованы и приведены к унифицированному формату.

Выполнено ручное присвоение целевых меток – кода ВРИ и функциональной зоны (например, «Жилая застройка», «Образование», «Производственная зона»).

Датасет разделен на обучающую (80%) и тестовую (20%) выборки.

Архитектура модели

Была использована русскоязычная реализация трансформерной модели класса BERT (Bidirectional Encoder Representations from Transformers), дообученная на задаче многоклассовой классификации. Выбор BERT объясняется:

• высокой способностью к интерпретации контекста;
• устойчивостью к неточным или разнородным формулировкам;
• высокой точностью при ограниченных объемах данных.

Обработка реализована в виде ML-сервиса, принимающего на вход ID участка и описание, и возвращающего ID класса ВРИ и соответствующую функциональную зону [5].

Результаты: точность модели и практика применения

На тестовой выборке (≈6000 объектов) модель показала общую точность предсказаний 98,6%. Классы с наиболее частотным представлением (например, жилая застройка) классифицируются с точностью 99%+. Менее распространенные классы имеют незначительное снижение метрик (до 95%).

Таблица 1

Точность предсказаний (пример)

Результаты модели интегрированы в работу геоинформационной платформы QGIS. После запуска сервиса специалисты получают автоматически раскрашенную карту зонирования – участки визуализируются в соответствии с классификацией (по приказу № 10), что упрощает анализ и принятие решений.

Технические аспекты реализации: принципы, технологии и архитектура моделей.

Принципы классификации в машинном обучении

Классификация – одна из базовых задач машинного обучения, цель которой – отнести входной объект к одному из заранее заданных классов. В нашем случае входом является текстовое описание вида использования земельного участка (поле из КПТ), а выходом – предсказанный код функциональной зоны и категория ВРИ [6].

Процесс классификации включает следующие этапы:

1. Предобработка данных:

• нормализация текста (приведение к нижнему регистру, удаление пунктуации, лемматизация);
• токенизация – разбиение текста на элементы (токены), понятные модели.

2. Обучение модели:

• модель «читает» тысячи пар «текст – правильная категория»;
• формируются численные представления (эмбеддинги), которые отражают семантику слов;
• оптимизируются веса нейросети для минимизации ошибки классификации.

3. Инференс (предсказание):

• на новых данных модель сопоставляет текст с наиболее вероятным классом.

Для обучения используется супервизорный подход: датасет содержит примеры с заданными метками, по которым модель учится распознавать закономерности.

Использование BERT в задаче классификации

Особенности BERT

Модель BERT (Bidirectional Encoder Representations from Transformers) – это трансформер, обученный на больших корпусах текстов, с целью понимания контекста. Главное отличие BERT от традиционных моделей:

• она двунаправленная: при обработке текста учитывается как левый, так и правый контекст каждого слова;
• она работает с текстом на уровне подслов (субслов), что особенно полезно для русского языка с его морфологией.

Для задачи был выбран вариант BERT, дообученный на русском языке.

Преимущества BERT:

• высокая точность при ограниченном количестве размеченных данных;
• способность учитывать контекст, в том числе редкие или некорректно сформулированные фразы;
• возможность дообучения под конкретную задачу (fine-tuning).

Таблица 2

Отличие BERT от GPT

BERT – это «читающая» модель. GPT – «пишущая». Поэтому в задачах классификации BERT демонстрирует значительно более высокую эффективность.

Процесс обучения модели

1. Разметка: вручную метятся пары «текст – класс» (например, «используется под торговый центр» → «Общественно-деловая зона»).
2. Fine-tuning BERT: модель дообучается на размеченных данных с использованием кросс-энтропийной функции потерь и оптимизатора AdamW.
3. Валидация: проводится проверка качества на независимой части данных.
4. Метрики оценки: Accuracy (общая точность); Precision/Recall/F1-score по классам; Confusion Matrix – для визуального анализа ошибок.

Обучение производилось на GPU, при этом полный цикл fine-tuning занимал не более 3 часов (на датасете из 30 тыс. строк).

Инструменты и технологии

Язык и библиотеки:

• Python (основной язык);
• transformers от HuggingFace – для загрузки и fine-tuning моделей BERT;
• scikit-learn – для оценки качества модели;
• pandas и numpy – для обработки табличных данных;
• Flask / FastAPI – развертывание модели как веб-сервиса.

Инфраструктура:

• Облако или локальный сервер с GPU (NVIDIA RTX 3060/3090);
• Хранилище модели – .pt файл (PyTorch);
• REST API – взаимодействие между ML-моделью и QGIS-интерфейсом.

Преимущества и ограничения подхода

Преимущества:

• Высокая точность даже на небольших датасетах;
• Универсальность: BERT можно применять к другим текстовым задачам в градостроительстве (анализ обращений граждан, генерация текстов);
• Легкость масштабирования – можно дообучить под другой регион.

Ограничения:

• Требуется предварительно размеченный датасет;
• Обучение требует вычислительных ресурсов (GPU);
• Вариативность формулировок – ключевой источник ошибок;
• Необходим контроль за качеством данных (ошибки в исходных текстах ухудшают результат).

Возможности дальнейшего развития:

• Мультиклассовая классификация с вероятностным выводом (softmax);
• Обратная связь от пользователей (active learning) – модель переобучается по исправленным ошибкам;
• Интеграция с QGIS через плагины – полная автоматизация от ввода КПТ до генерации цветной карты;
• Добавление многомодальных признаков – совместное использование текстов, геометрии участка, кадастровой стоимости.

Сравнение с альтернативными моделями и методами

Для оценки эффективности предложенного подхода были проведены сравнения модели BERT с несколькими альтернативами, включая:

• TF-IDF + логистическая регрессия – классический статистический подход, не учитывающий контекст;
• LSTM (долгая краткосрочная память) – рекуррентная нейросеть;
• FastText – облегчённая векторная модель от Facebook [7].

Таблица 3

Сводная таблица сравнения

Анализ ошибок модели и проблемные классы

Несмотря на высокую общую точность, анализ матрицы ошибок показал, что модель склонна путать между собой некоторые схожие классы. Это особенно выражено в следующих случаях:

1. Общественно-деловая застройка (ОДЗ) ↔ Многофункциональная зона (МФЗ):

• Причина: оба класса часто имеют в описаниях слова «торговля», «услуги», «офисы».
• Решение: требуется введение дополнительных признаков (например, по площади участка или источнику сведений).

2. Сельскохозяйственные зоны ↔ Зоны индивидуальной жилой застройки (ИЖС):

• Причина: в ряде описаний встречаются формулировки вроде «дом с участком», что может относиться и к ЛПХ, и к ИЖС.
• Решение: использование метаинформации (категория земель) повышает точность.

3. Зоны отдыха ↔ Зоны временного размещения объектов торговли:

• Причина: формулировки с ключевыми словами «временные сооружения», «палатки», «торговля» встречаются в обоих классах.

Таблица 4

Примеры ошибок

Обсуждение и перспективы

Применение модели позволило автоматизировать один из самых рутинных и трудоемких этапов проектирования, сравнимый по сложности с ручной отрисовкой функциональных зон. Вместо анализа десятков тысяч записей вручную, специалисты могут полагаться на ML-инструмент, который формирует первичный вариант, подлежащий уточнению.

Ключевые преимущества подхода:

• Сокращение времени выполнения задач по зонированию в 5–10 раз;
• Повышение согласованности данных между текстовыми и графическими разделами;
• Масштабируемость на другие территории и проекты;
• Возможность повторного обучения и адаптации модели под новые категории/региональные особенности.

Ограничения и условия применения

Ограничения:

• Модель зависит от качества входных данных и наличия корректно размеченного датасета;
• Снижение точности возможно для редких/специфических формулировок;
• Не заменяет экспертной проверки – служит инструментом поддержки решений.

Условия успешного применения:

• Подготовка обучающего датасета с реальными метками;
• Наличие команды, владеющей ML-инструментами, и ГИС-средой;
• Интеграция ML-сервиса в рабочие процессы.

Значение для органов власти и проектных организаций

Внедрение таких ML-моделей в работу муниципалитетов, проектных институтов и градостроительных бюро может существенно повысить эффективность проектирования. Это особенно важно в условиях:

• Дефицита кадров (архитекторов, аналитиков, специалистов по ПЗЗ);
• Росте объемов проектной документации;
• Необходимости стандартизации и унификации процедур зонирования.

Модель может быть полезна в задачах:

• Первичного зонирования для разработки ПЗЗ и ГП;
• Проверки на соответствие существующего использования;
• Мониторинга изменений землепользования.

Заключение

Применение технологий машинного обучения в градостроительном проектировании – это не будущее, а уже настоящее. Представленный кейс внедрения ML-модели на базе BERT показал, что задачи классификации видов разрешенного использования и предсказания функциональных зон могут быть решены автоматически с высокой точностью и эффективностью. Созданный ML-сервис интегрируется в ГИС-среду и радикально ускоряет процесс проектирования, снижая нагрузку на специалистов и повышая качество градостроительной документации.

Методология может быть масштабирована и адаптирована под различные задачи территориального планирования, что открывает широкие перспективы для цифровой трансформации отрасли.