Топологические нейросети повышают точность обнаружения наводнений по спутниковым снимкам

Наводнения — одно из самых частых и разрушительных природных явлений. Оперативное и точное обнаружение зон затопления критически важно для координации спасательных работ и минимизации ущерба. Спутниковый мониторинг активно применяется для этих целей, однако облачный покров нередко делает оптические снимки бесполезными. В новой научной работе, опубликованной на arXiv, предложен подход, сочетающий нейросети с методами топологического анализа данных (TDA), что позволяет повысить надёжность и интерпретируемость моделей.

Авторы исследования отмечают, что существующие алгоритмы — свёрточные нейросети (ResNet-50) с рекуррентными блоками (GRU) или современные трансформеры — достигают высокой точности, но работают как «чёрный ящик». Их внутренние решения сложно проанализировать, что создаёт риски в таких чувствительных областях, как ликвидация последствий чрезвычайных ситуаций. Топологический анализ данных, в свою очередь, предлагает строгий математический аппарат для описания глобальной формы изображения, включая связность и структуру объектов.

В эксперименте использован открытый набор данных SEN12-FLOOD, содержащий оптические и радарные снимки с синтезированной апертурой (SAR). Из каждого изображения извлекались топологические признаки — так называемые дескрипторы персистентной гомологии. Эти признаки подавались на вход нейронной сети параллельно с «сырыми» пикселями или как дополнение к уже обученным признакам. Результаты показали, что топологические дескрипторы несут самостоятельный сигнал о наличии воды и хорошо сочетаются с классическими нейросетевыми представлениями.

По данным исследования, комбинированные модели демонстрируют более устойчивую работу при различной степени облачности и превосходят по точности одиночные архитектуры. Учёные подчёркивают, что топологический подход не только улучшает метрики обнаружения, но и делает модель более интерпретируемой: по сохранившимся топологическим признакам можно понять, на какие именно структуры (скопление воды, изгибы береговой линии) опирается алгоритм.

Разработка имеет практическое значение для систем раннего предупреждения и мониторинга паводков. Возможность обрабатывать радарные снимки (SAR), которые «видят» сквозь облака, в комбинации с топологическим анализом обещает повысить автономность и надёжность спутниковых решений. Как указывают авторы, следующий шаг — адаптация метода к мультиспектральным данным и реальным временным рядам для оперативного картирования наводнений в глобальном масштабе.