Geometric Flood Depth Estimation: Fusing Transformer-Based Segmentation with Digital Elevation Models

기술 요약: 기하학적 침수 깊이 추정

문제 제기
재해 후 홍수 대응은 홍수 범위 식별뿐만 아니라 항행 가능성과 구조적 위험을 평가하기 위한 수위 추정도 필요합니다. 딥러닝 기반 시맨틱 분할은 2 차원 홍수 마스크를 효과적으로 식별하지만, 부피 분석에 필요한 수직 차원을 결여하고 있습니다. 기존 대안들은 다음과 같은 중대한 한계에 직면해 있습니다:

• 수력학적 솔버(예: 얕은 물 방정식을 푸는 솔버)는 물리적 엄밀성을 제공하지만, 단일 사건에 대해 수일이 소요되는 높은 계산 지연 시간과 재해 직후 거의 즉시 이용 불가능한 실시간 경계 조건 (유입량, 강우량) 에 대한 의존성으로 고통받습니다.
• 머신러닝 대리 모델은 추론 시간을 단축하지만, 종종 물리적으로 불가능한 위치에 홍수를 평활화 아티팩트나 환각으로 생성합니다.
• 참고 제품(예: FEMA 깊이 래스터)은 정확한 실제 지표를 제공하지만, 사건 발생 후 수주에서 수개월 뒤에 공개되어 즉각적인 대응에는 무용지물이 됩니다.

방법론
본 논문은 고정밀 2 차원 분할 마스크와 기존 디지털 고도 모델 (DEM) 을 융합하여 수력학적 시뮬레이션과 데이터 기반 대리 모델을 우회하는 기하학적 깊이 추정 파이프라인을 제안합니다. 이 접근법은 고인 홍수수가 국소적으로 평평한 표면을 만든다는 "욕조 원리"에 기반합니다. 파이프라인은 세 단계로 구성됩니다:

1. 데이터 수집 및 전처리:

   • 데이터셋: 시스템은 분할 모델 훈련을 위해 FloodNet을, 배포 및 검증을 위해 지리 공간 메타데이터가 포함된 GeoTIFF 이미지를 포함하는 CRASAR-U-DROIDS를 활용합니다.
   • 정렬: DEM 은 OpenTopography 에서 가져와 UAV 이미지의 좌표 참조 시스템 (CRS) 및 해상도와 일치하도록 이선 보간을 통해 재투영 및 업샘플링됩니다.
   • 타일링: 대형 오르토모자이크는 건물 중심을 중심으로 1024×1024 타일로 자르고, 주요 허리케인 사건에 대해 필터링되며, 공백 픽셀을 제거하기 위해 품질 관리됩니다.

2. 2 차원 홍수 분할 (1 단계):

   • 모델 선택: 저자들은 FloodNet 에서 세 가지 아키텍처 (Attention U-Net, SegFormer, Mask2Former) 를 미세 조정하고 벤치마킹했습니다. Mask2Former는 기하학적 정확도에 필수적인 날카로운 수선 윤곽을 제공하는 트랜스포머 기반 어텐션 메커니즘으로 인해 최적의 백본으로 선정되었습니다.
   • 클래스 집계: 도시 시나리오의 경우, 연결된 수역이 올바르게 식별되도록 클래스를 "홍수"(물과 침수 도로 결합), "건물", "배경"으로 단순화합니다.

3. 기하학적 깊이 계산 (2 단계):

   • 연결 성분 분석 (CCA): 이진 홍수 마스크는 서로 다른 고도에서 잘못된 수위 계산을 방지하기 위해 불연속 수역을 독립적인 물리적 시스템으로 식별하도록 처리됩니다.
   • 수선 식별: "엄격한 건조지 접촉" 로직이 적용됩니다. 형태학적 침식은 물이 건조한 땅과 만나는 내부 경계 픽셀을 식별하여 이미지 가장자리 아티팩트를 거부합니다.
   • 깊이 계산: 각 독립적인 수역에 대해, 식별된 경계 픽셀에서의 DEM 값의 95 백분위수를 계산하여 전역 수면 고도 ($Z_{water}$) 를 추정합니다. 이 통계적 접근법은 최대 고도를 사용하는 것보다 고주파수 이상치 (예: 오분류된 식생 또는 건물 벽) 를 더 잘 필터링합니다. 임의 픽셀 $(x, y)$의 깊이는 다음과 같이 계산됩니다:
     $$Depth(x, y) = \max(0, Z_{water}^{(k)} - DEM(x, y))$$

주요 기여

• 트랜스포머 통합: 전통적인 CNN 이나 더 거친 SAR 기반 마스크에 비해 날카로운 수선 윤곽을 달성하기 위해 어텐션 메커니즘을 활용하여 Mask2Former 를 기하학적 깊이 추정에 통합했습니다.
• 엄격한 건조지 접촉 로직: 수 - 육지 인터페이스 식별의 정밀도를 향상시키는 가장자리 아티팩트 거부 기능이 포함된 경계 로직을 도입하여, 이는 기하학적 깊이 정확도의 중요한 병목 현상입니다.
• 효율적인 부피 추론: 수력학적 시뮬레이션의 지연 시간이나 데이터 기반 대리 모델의 불안정성 없이 2 차원 단안 이미지에서 3 차원 부피 데이터를 추출하는 파이프라인입니다.

결과
이 방법은 FEMA 홍수 깊이 래스터를 정량적 실제 지표로 사용하여 CRASAR-U-DROIDS 데이터셋의 136 개 허리케인 하비 타일 (5,200 만 개 이상의 공개 침수 픽셀 포함) 에서 평가되었습니다.

• 분할 성능: Mask2Former 는 FloodNet 테스트 세트에서 평균 교차율 (mIoU) **73.6%**를 달성하여 SegFormer(70.4%) 와 Attention U-Net(69.7%) 을 능가했으며, "침수 도로" 및 "물" 클래스에서 상당한 개선을 보였습니다.
• 깊이 정확도: 파이프라인은 평균 제곱근 오차 (RMSE) 1.999 미터 및 전역 $\sqrt{MSE}$ 2.169 미터를 달성했습니다.
• 정성적 검증: 시각적 결과는 수선에서 얕고 분지 중심으로 깊어지는 물리적으로 타당한 정수압 기울기와 수직 구조물에서 잘못된 깊이 추정을 방지하기 위한 건물의 정확한 마스킹을 보여주었습니다.

의의 및 주장
저자들은 이 기하학적 프레임워크가 신속한 재해 후 상황 인식을 위한 계산적으로 효율적이고 물리적으로 근거 있는 접근법을 제공한다고 주장합니다. 복잡한 시뮬레이션 대신 직접 관찰 (분할 + DEM) 에 의존함으로써, 이 방법은 즉각적인 대응에 적합한 실행 가능한 부피 통찰력을 제공합니다. 논문은 이 방법이 현장별 보정 없이 복잡한 도시 환경에서 현실적인 깊이 기울기를 회복할 만큼 견고하다고 주장합니다. 향후 작업은 이러한 유도된 깊이 추정치를 손상 평가 네트워크에 통합하여 개별 건물의 구조적 손상 정도를 정량화하는 것으로 식별되었습니다.