Deep Learning for Remote Sensing to Improve Flood Inundation Mapping

Sintesi Tecnica: Deep Learning per il Telerilevamento per Migliorare la Mappatura dell'Inondazione da Alluvione

Problematica
Le inondazioni sono un disastro naturale globale pervasivo che causa significative perdite economiche e vittime umane. Sebbene le missioni satellitari ottiche come la Sentinel-2 dell'Agenzia Spaziale Europea forniscano dati multispettrali ad alta risoluzione essenziali per il rilevamento delle inondazioni, la loro utilità operativa è gravemente compromessa dalla copertura nuvolosa durante gli eventi di precipitazione estrema. Nelle regioni tropicali e subtropicali, oltre il 70% delle immagini ottiche diventa inutilizzabile durante le stagioni delle inondazioni.

Le tecniche convenzionali di rimozione delle nuvole, come il compositing temporale o l'interpolazione, falliscono nel monitoraggio delle inondazioni perché le acque di inondazione sono altamente dinamiche; le immagini di giorni precedenti o successivi all'evento non riflettono lo stato di inondazione attuale. Inoltre, sebbene il Radar ad Apertura Sintetica (SAR) possa penetrare le nuvole, esso soffre del rumore speckle e di una ridotta interpretabilità in ambienti urbani complessi. Inoltre, le attuali soluzioni di deep learning basate sulle Reti Generative Avversarie (GAN) soffrono spesso di instabilità dell'addestramento e mode collapse, portando a ricostruzioni errate (ad esempio, la disconnessione dei canali fluviali o l'errata identificazione di terreni asciutti) che mancano della continuità idrologica necessaria per la gestione delle emergenze.

Metodologia
Questo studio introduce un framework di rimozione delle nuvole basato sui Modelli di Diffusione Probabilistica di Denoising (DDPM), sfruttando specificamente l'architettura Masked Diffusion Transformer (MDT). L'approccio è progettato per generare realizzazioni multispettrali prive di nuvole delle immagini Sentinel-2B, preservando la fedeltà visiva e la coerenza idrologica.

• Dati: Il modello è stato addestrato su immagini Sentinel-2B post-2017 (risoluzione 10m) che coprono nove eventi di inondazione in diverse località (2018–2025). Il dataset include 62 immagini accoppiate con mappe di classificazione (Invalido, Terra, Acqua, Nuvola, Inondato) e Modelli Digitali di Elevazione (DEM). I patch di input di 256×256 pixel sono stati normalizzati e aumentati tramite trasformazioni geometriche.
• Architettura: Il modello MDT integra le capacità generative basate sulla diffusione con i meccanismi di attenzione dei Transformer.
  • Encoder: Elabora tutti i token di input (bande multispettrali e caratteristiche DEM) attraverso 12 blocchi transformer. Utilizza l'Adaptive Layer Normalization (AdaLN-Zero) per incorporare le informazioni sul timestep di diffusione.
  • Decoder: Una rete asimmetrica che elabora solo i token mascherati (regioni oscurate dalle nuvole) pur prestando attenzione ai token non mascherati come contesto. Ciò riduce il costo computazionale e impara esplicitamente a ricostruire i patch mancanti.
  • Testa di Rilevamento delle Nuvole: Un ramo di segmentazione semantica separato che classifica i pixel in cinque classi di copertura del suolo.
• Funzioni di Perdita (Loss Functions): L'obiettivo dell'addestramento combina le perdite di segmentazione e di ricostruzione:
  • Segmentazione: Una somma pesata di Cross-Entropy, Dice e Focal loss per gestire lo sbilanciamento delle classi e concentrarsi sugli esempi più difficili.
  • Ricostruzione: Una combinazione di Mean Squared Error (MSE), perdita percettiva e perdita di Indice di Similarità Strutturale (SS old SSIM) per garantire l'accuratezza dei pixel, la similarità della texture e la coerenza strutturale.
• Addestramento e Inferenza: Il modello utilizza un ottimizzatore AdamW con uno schema di rumore lineare su 1000 timestep. Durante l'inferenza, il processo di diffusione inversa denota iterativamente i token mascherati su 50 passi, mantenendo fissi le regioni non mascherate (visibili) per garantire che vengano rigenerate solo le aree colpite dalle nuvole.

Contributi Chiave

1. Adattamento dell'Architettura: L'architettura MDT è stata adattata per l'immagini satellitari multispettrali, integrando esplicitamente le caratteristiche spettrali specifiche delle inondazioni e i dati DEM per guidare la generazione dei corpi idrici.
2. Modellazione dei Token Mascherati: Utilizzando la modellazione dei token mascherati, il framework si allinea al problema fisico dell'ostruzione da nuvole, imparando a predire i patch di immagine mancanti basandosi sul contesto spaziale globale fornito dai meccanismi di auto-attenzione del Transformer.
3. Coerenza Idrologica: Lo studio valuta il modello non solo su metriche standard di qualità dell'immagine, ma anche su misure idrologiche, dimostrando la preservazione della continuità dei corpi idrici e delle firme spettrali critiche per gli indici di rilevamento dell'acqua.
4. Robustezza: L'approccio offre un'alternativa stabile alle GAN, evitando il mode collapse e fornendo ricostruzioni fisicamente coerenti.

Risultati
Il modello è stato addestrato per oltre 100 epoche, mostrando una convergenza stabile senza overfitting significativo.

• Metriche di Performance: L'Intersection over Union (IoU) di validazione per la segmentazione è migliorata da 0.3 a un picco di 0.57. La perdita di ricostruzione si è stabilizzata, indicando che il modello ripristina efficacemente i patch mascherati incorporando i dati di elevazione.
• Caso di Studio (Inondazione del Tennessee 2021): Applicato all'inondazione del Tennessee centrale di agosto 2021, il modello ha ricostruito con successo i corpi idrici in un'immagine dove le nuvole coprivano il 7,91% dell'area.
  • Il modello ha ridotto la copertura nuvolosa residua dal 7,91% al 6,09% nell'output ricostruito.
  • Questa performance è annotata come un importante miglioramento rispetto ai metodi tradizionali basati su soglia come Sen2Cor (che tipicamente mantengono un 10–15% di contaminazione residua) e classificatori basati su semplici CNN (U-Net), che hanno ottenuto circa l'8,5% di copertura residua nello stesso contesto.
  • Il modello ha rilevato lo 0,53% dell'immagine come area inondata, mantenendo la continuità spaziale dei corpi idrici.

Significatività e Rivendicazioni
Il documento afferma che la modellazione generativa basata sulla diffusione offre un'alternativa robusta e fisicamente coerente per la rimozione delle nuvole nel monitoraggio ottico delle inondazioni. Sfruttando il contesto spaziale globale e il raffinamento iterativo, l'approccio MDT mitiga i gap temporali causati dalle nuvole nelle osservazioni della Terra, consentendo osservazioni più affidabili e continue per la gestione del rischio di disastri.

Gli autori riconoscono i limiti, notando che il modello è stato addestrato su un numero limitato di eventi localizzati e si basa principalmente su immagini e dati di elevazione piuttosto che su processi idrodinamici espliciti basati sulla fisica. Suggeriscono che il lavoro futuro dovrebbe espandere il dataset di addestramento a diversi scenari di inondazione, incorporare ulteriori vincoli fisici (ad esempio, topologia del drenaggio, umidità del suolo) e integrare modelli basati sulla fisica con dati ottici e SAR fusi per migliorare ulteriormente la robustezza predittiva. Lo studio posiziona questo lavoro come un passo verso l'abilitazione dell'uso di immagini ottiche ad alta risoluzione in condizioni atmosferiche avverse, accelerando potenzialmente i tempi di valutazione dei danni e di risposta alle emergenze.