拓撲資訊神經網路用於光學與合成孔徑雷達影像洪水檢測

洪水是全球頻發的自然災害，快速準確的檢測對於應急響應和減少人員財產損失至關重要。隨著衛星資料可用性的增加和人工智慧技術的發展，環境災害監測能力得到增強，但許多洪水事件仍因雲層遮擋光學衛星影像而難以檢測。針對這一問題，Rambour等人引入了SEN12-FLOOD資料集，並採用ResNet-50卷積神經網路骨幹提取影像特徵，再透過門控迴圈單元（GRU）網路處理時序資訊，證明了時序資訊能顯著提升單影像基線的精度。隨後，Chamatidis等人證明視覺變換器結合卷積架構也能取得優異成績。然而，這些模型通常作為黑箱執行，難以解釋其決策邊界、學習特徵和內部推理過程，這在遙感等安全關鍵領域尤為不利。

相比之下，拓撲資料分析（TDA）提供了一種數學嚴謹的框架，用於捕捉資料的全域性結構特徵。TDA已成為分析複雜影像的有力工具，尤其適用於具有幾何可解釋結構的影像，洪水正是典型例子。本研究由Sophia Li等人系統評估了拓撲描述符在洪水檢測中的應用，利用開源SEN12-FLOOD資料集，從每張影像中提取拓撲特徵並將其融入神經網路。具體而言，他們計算影像的持續同調（persistent homology）特徵，如貝蒂數（Betti numbers）和持續圖（persistence diagrams），然後將這些拓撲描述符作為附加輸入饋入現有的卷積或變換器網路中。結果表明，拓撲描述符能獨立攜帶有意義的洪水訊號，並與現有網路互補，從而構建更魯棒且可解釋的洪水檢測系統。實驗在多種感測器組合（光學、SAR及二者融合）下進行，拓撲增強模型的交併比（IoU）和F1分數均有提升，特別是在雲層覆蓋或複雜地形區域表現尤為突出。此外，透過視覺化拓撲特徵對決策的貢獻，模型的可解釋性得到增強，為安全關鍵應用提供了新思路。該方法不僅提升了檢測效能，還展示了將幾何先驗知識融入深度學習模型的有效途徑。