洪水は世界中で頻繁に発生し、迅速かつ正確な検出は緊急対応と人的・経済的損失の軽減に不可欠である。衛星データの利用拡大と人工知能の進歩により環境ハザードの監視は向上したが、雲が光学衛星画像を遮るため、多くの洪水イベントの検出は依然として困難である。RambourらはSEN12-FLOODデータセットを導入し、ResNet-50で特徴を抽出してゲート付き回帰ユニットに供給し、時間情報が単一画像ベースラインと比べて精度を大幅に改善することを示した。最近ではChamatidisらが視覚トランスフォーマーが畳み込みアーキテクチャと同等以上の性能を達成することを示した。しかし、これらのモデルは通常ブラックボックスとして機能し、決定境界や学習特徴、内部推論を解釈するのが困難であり、リモートセンシングのような安全クリティカルな領域では特に問題となる。
これに対して、トポロジカルデータ解析（TDA）はデータの大域的構造特徴を捉える数学的枠組みを提供する。TDAは複雑な画像、特に幾何学的に解釈可能な構造を持つ画像の解析に強力なツールとして台頭しており、洪水はその代表例である。本研究では、オープンソースのSEN12-FLOODデータセットを用いて洪水検出のためのトポロジー記述子を系統的に評価する。各画像からトポロジー特徴を抽出しニューラルネットワークに組み込むことで、トポロジー記述子が独立して意味のある洪水信号を運び、既存ネットワークを補完してより堅牢で解釈可能な洪水検出システムを実現することを実証する。
本論文はSophia Liら4名の著者により2026年6月24日にarXiv（2606.26204）に投稿され、機械学習（cs.LG）に分類される。研究は安全クリティカルな応用における解釈可能な特徴の重要性を強調し、リモートセンシング災害監視に新たな視点を提供する。トポロジー特徴と深層学習の組み合わせにより、将来の洪水検出の精度と透明性が向上し、意思決定者がより信頼性高く災害に対応できることが期待される。