Remote Sensing: Связывание типов данных и архитектур глубокого обучения для моделирования городских наводнений
Методы глубокого обучения широко применяются для моделирования городских наводнений и управления рисками, связанными с ними. Хотя глубокое обучение обеспечивает аналитическую базу, именно уникальные характеристики самих типов (модальностей) исходных данных в значительной степени определяют эффективность моделей. В данной статье представлен обзор 289 исследований, опубликованных в период с 2016 по 2025 гг.; работы классифицированы по пяти типам данных на основе методов их получения, характеристик и процессов обработки: гидрогеопространственные физические данные, данные дистанционного зондирования, данные о восприятии людьми и социальном мониторинге (social sensing), акустические данные окружающей среды, а также методы кросс-модальной интеграции. Гидрогеопространственные физические данные и данные дистанционного зондирования преобладают в современных исследованиях благодаря своей стабильности, широкой доступности и высокой информационной насыщенности, в то время как данные о поведении людей и акустические данные используются недостаточно активно из-за их неоднородности, ограниченной доступности и трудоёмкости предварительной обработки. К числу основных проблем относятся потеря информации на этапе предварительной обработки, недостаточное согласование различных типов данных (кросс-модальное выравнивание), трудности при создании представлений, сочетающих статистическую корреляцию с физической обоснованностью, а также значительные региональные различия в данных. В конечном счёте, эти ограничения свидетельствуют о том, что в данной области по-прежнему доминируют модели, основанные исключительно на данных; для дальнейшего прогресса необходима интеграция методов статистического обучения с физическими механизмами, что позволит повысить надёжность моделей и их способность к обобщению.
