拓扑信息神经网络用于光学与合成孔径雷达影像洪水检测

洪水是全球频发的自然灾害，快速准确的检测对于应急响应和减少人员财产损失至关重要。随着卫星数据可用性的增加和人工智能技术的发展，环境灾害监测能力得到增强，但许多洪水事件仍因云层遮挡光学卫星影像而难以检测。针对这一问题，Rambour等人引入了SEN12-FLOOD数据集，并采用ResNet-50卷积神经网络骨干提取图像特征，再通过门控循环单元（GRU）网络处理时序信息，证明了时序信息能显著提升单图像基线的精度。随后，Chamatidis等人证明视觉变换器结合卷积架构也能取得优异成绩。然而，这些模型通常作为黑箱运行，难以解释其决策边界、学习特征和内部推理过程，这在遥感等安全关键领域尤为不利。

相比之下，拓扑数据分析（TDA）提供了一种数学严谨的框架，用于捕捉数据的全局结构特征。TDA已成為分析复杂影像的有力工具，尤其适用于具有几何可解释结构的图像，洪水正是典型例子。本研究由Sophia Li等人系统评估了拓扑描述符在洪水检测中的应用，利用开源SEN12-FLOOD数据集，从每张图像中提取拓扑特征并将其融入神经网络。具体而言，他们计算图像的持续同调（persistent homology）特征，如贝蒂数（Betti numbers）和持续图（persistence diagrams），然后将这些拓扑描述符作为附加输入馈入现有的卷积或变换器网络中。结果表明，拓扑描述符能独立携带有意义的洪水信号，并与现有网络互补，从而构建更鲁棒且可解释的洪水检测系统。实验在多种传感器组合（光学、SAR及二者融合）下进行，拓扑增强模型的交并比（IoU）和F1分数均有提升，特别是在云层覆盖或复杂地形区域表现尤为突出。此外，通过可视化拓扑特征对决策的贡献，模型的可解释性得到增强，为安全关键应用提供了新思路。该方法不仅提升了检测性能，还展示了将几何先验知识融入深度学习模型的有效途径。