ИИ-модель преодолела «физический шок» и повысила точность карт наводнений на 25%

Учёные из международной научной группы представили подход, решающий проблему «физического шока» в нейросетях для картографирования наводнений. Работа опубликована на сервере препринтов arXiv.

При обработке данных спутникового радара (SAR) стандартные модели глубокого обучения часто выдают физически невозможные результаты — например, воду на склонах гор. Физика-информированные нейронные сети (PINN) призваны исправить это, добавляя уравнения гидродинамики в функцию потерь, но на практике они с трудом сходятся из-за шума в реальных снимках.

Авторы назвали это явление «физическим шоком» — жёсткие пространственные производные (вроде двумерных уравнений мелкой воды) вступают в конфликт с зашумлёнными данными, вызывая расходимость градиентов. Чтобы обойти проблему, исследователи предложили модель неопределённости на основе PINN с двумя ключевыми нововведениями.

Во-первых, динамический протокол Warm-Start — на начальных этапах обучения физические ограничения ослабляются, чтобы сеть сначала адаптировалась к данным. Во-вторых, моделирование гетероскедастической случайной неопределённости через отрицательное логарифмическое правдоподобие. Это позволяет сети автоматически «смягчать» физические ограничения в зонах с сильным шумом датчика и строго соблюдать их в областях высокой достоверности.

Разработанная архитектура — вероятностный Attention-Gated FNO-UNet — была протестирована на наборе данных Sen1Floods11. Результаты показали улучшение индекса пересечения объединения (IoU) на 25% относительно детерминированных базовых линий.

Кроме того, используя ансамбли глубоких моделей, авторы смогли разделить два источника неопределённости: внутренний шум датчика и незнакомую территорию (out-of-distribution). Это даёт спасательным службам высококалиброванные доверительные интервалы для принятия решений в реальном времени.

Разработка обещает повысить надёжность спутникового мониторинга паводков — одной из ключевых задач при ликвидации последствий стихийных бедствий. Внедрение подобных методов в оперативные системы может сократить время реакции и уменьшить ущерб от наводнений.