arXiv:2606.06524v1 eess.IV

물리 유도 심층 학습을 활용한 고급 홍수 예측: UNet, FNO, SAR/광학 영상의 결합

Advanced Flood Prediction with Physics-Guided Deep Learning: Combining UNet, FNO, and SAR/Optical Imagery

Tewodros Syum Gebre, Jagrati Talreja, Leila Hashemi-Beni

제출 2026-06-02

한국어 초록

정확하고 확장 가능한 홍수 매핑은 제한된 지상 관측, 이질적인 지형 조건, 그리고 데이터 기반 모델 내에서 유체역학적 일관성을 강제하기 어렵다는 점으로 인해 여전히 어려운 과제이다. 본 연구는 다중 모달 원격 탐사(Sentinel-1 SAR, Sentinel-2 광학 영상, DEM 기반 지형 특징)를 깊이 평균 천해수 방정식(SWE)의 제약과 통합하는 물리 유도 심층 학습 프레임워크를 제안한다. 제안된 하이브리드 아키텍처는 세밀한 공간적 세부를 포착하기 위한 UNet과 유역 규모 수리학적 상호작용을 모델링하기 위한 Fourier Neural Operator(FNO)를 결합하며, 물리 정보 잔차 손실이 질량 및 모멘텀 일관성을 보장한다. 다양한 범람원 환경에서 평가한 결과, 하이브리드 모델은 침수 범위 예측에서 Intersection over Union(IoU) 0.82와 F1 점수 0.90을 달성하여 UNet 단독 및 FNO 단독 기준선을 능가했다. 유체역학 시뮬레이션을 참조 데이터로 사용할 때, 모델은 수심에 대해 RMSE 0.21 m, 유속에 대해 0.15 m/s의 RMSE를 달성했다. 물리적 일관성은 유지되며, 잔차가 낮고 질량 불균형은 2.1% 미만이다. 절제 연구(ablation study)는 물리 기반 정규화를 제거하면 성능이 크게 저하됨을 확인하여, 안정성과 일반화를 위한 물리적 제약의 가치를 강조한다. 이러한 결과는 유체역학 원리를 심층 학습에 내재화하면 더 정확하고 신뢰할 수 있으며 물리적으로 일관된 홍수 예측을 얻을 수 있음을 보여 주며, 운영 모니터링 및 대규모 배포에 큰 잠재력을 제공한다.

원문 초록

Accurate and scalable flood mapping remains challenging due to limited ground observations, heterogeneous terrain conditions, and the difficulty of enforcing hydrodynamic consistency within data-driven models. This work introduces a physics-guided deep learning framework that integrates multi-modal remote sensing (Sentinel-1 SAR, Sentinel-2 optical imagery, and DEM-derived terrain features) with constraints from the depth-averaged shallow water equations (SWE). The proposed hybrid architecture combines a UNet to capture fine-scale spatial details with a Fourier Neural Operator (FNO) to model basin-scale hydraulic interactions, while physics-informed residual losses ensure mass and momentum consistency. Evaluated across diverse floodplain settings, the hybrid model achieves an Intersection over Union of 0.82 and an F1 score of 0.90 for flood extent prediction, outperforming UNet-only and FNO-only baselines. Using hydrodynamic simulations as reference data, the model achieves an RMSE of 0.21 m for water depth and 0.15 m/s for flow velocity. Physics consistency is maintained, with low residuals and mass imbalance below 2.1%. Ablation studies confirm that removing physicsbased regularization significantly degrades performance, underscoring the value of physical constraints for stability and generalization. These results demonstrate that embedding hydrodynamic principles into deep learning yields more accurate, reliable, and physically coherent flood predictions, offering strong potential for operational monitoring and large-scale deployment.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.06524v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2610.13857v1cs.CV공통 태그 Semantic Segmentation, remote sensing

위성 영상을 활용한 건물 피해 평가 과제 재고

Revisiting the Task of Building Damage Assessment by Satellite Imaging

지진, 열대성 폭풍, 홍수와 같은 자연재해는 건물에 광범위한 피해를 입히며, 신속하고 신뢰할 수 있는 피해 지도는 긴급 대응을 안내하는 데 필수적입니다. 위성 영상으로부터 이 작업을 자동화하는 건물 피해 평가(BDA, building damage assessment)는 원격 탐사, 컴퓨터 비전(CV), 머신러닝의 교차점에서 활발한 연구 주제가 되었으며, 특히 지도 기반 심층 학습(deep learning) 방법이 기존의 수작업 특징 기반 접근법보다 우수한 성능을 보이는 것으로 입증된 이후 더욱 주목받고 있습니다. 그러나 10년간의 활발한 연구와 여러 대규모 데이터셋(dataset)의 공개에도 불구하고, 이 분야는 공통된 기반이 부족한 실정입니다. 본 챕터에서는 데이터, 평가(evaluation), 방법이라는 세 가지 축을 중심으로 BDA 과제를 근본적인 원리(first principles)에서 재고합니다. 먼저 후보 과제 정식화를 명확히 하고, 재난 전 영상의 누락을 허용하는 센서 불가지론적(sensor-agnostic) 인스턴스 기반 정의를 제안합니다. 그런 다음 센싱 양식(modality), 시간적 구성, 지리적 적용 범위라는 축을 따라 기존 데이터셋을 검토합니다. 평가 측면에서는 주로 단일 종합 점수에 의존하는 기존 관행이 이론적으로 취약함을 보이고, 더 유용한 정보를 제공하는 순위 기반 다중 점수 프로토콜의 기반을 마련합니다. 나아가 과제 특화 심층 신경망부터 최근의 지구 관측 파운데이션 모델에 이르는 방법론을 검토하며, 미확인 재난 및 지역에 대한 일반화가 여전히 미해결 과제로 남아 있음을 확인합니다. 마지막으로 교차 검증(cross-validation), 챌린지, 개발자와 사용자 간의 신뢰를 구축하도록 설계된 비공개 데이터 공유 설정을 포함하여, 이러한 요소들이 BDA 챌린지 조직에 어떻게 정보를 제공할 수 있는지 논의합니다.

arXiv:2609.28022v1cs.LG공통 태그 Prediction, physics-informed learning

PISCES: 우주 날씨 이상 탐지 및 조기 경보를 위한 물리 정보 기반 태양풍 합성곱 오토인코더

PISCES: Physics-Informed Solar-wind Convolutional autoEncoder for Space-weather Anomaly Detection and Early Warning

우주 날씨 조기 경보는 태양풍 과도현상(transients)이 지구에 도달하기 전 제1 태양-지구 라그랑주 점(L1)의 현장(in-situ) 측정치에서 이를 감지하는 데 의존합니다. 고정된 임계값은 복합적인 자기장 및 플라즈마 구조를 놓칠 수 있으며, 많은 학습 방법은 단일 이상 점수만을 제공합니다. 본 논문에서는 물리적 제약 조건 하에서 카탈로그 레이블 없이 OMNI 태양풍 측정 데이터를 학습한 합성곱 오토인코더인 PISCES(Physics-Informed Solar-wind Convolutional autoEncoder for Space-weather)를 제시합니다. 본 모델의 손실(loss)에는 자기장 일관성, 온도와 속도 간의 경험적 관계, 파커 스파이럴(Parker spiral) 각도, 그리고 재구성 결과로부터 계산된 유도 물리량들에서 연속된 1분 단위 샘플 간의 변화에 대한 페널티가 포함됩니다. 추론(inference) 시 PISCES는 이상 점수를 자기장 및 플라즈마 재구성 오차, 물리적 관계, 잔차 보정값으로 분리하여 각 기여도의 크기를 보고합니다. 검증(validation) 데이터를 통해 선택된 스킵 연결(skip connection)의 감쇠는 학습된 모델의 평균 정밀도(precision)를 향상시키는 반면, 학습되지 않은 점수는 거의 동일하게 유지됩니다. 또한 학습된 모델은 이러한 물리적 기여도 간의 보다 일관된 순위를 제공합니다. 후행 중앙값(trailing median)으로 스무딩을 거친 후 경보는 양의 급변 임펄스(positive sudden impulses)를 포함하여 독립적으로 관측된 급성 시작(sudden commencements)보다 앞서 발생할 수 있습니다.

arXiv:2609.28192v1cs.CV공통 태그 Semantic Segmentation, remote sensing

변화 캡션에서 변화 탐지까지: 원격 탐사 변화 탐지를 위한 의미-외형 일치 프레임워크

From Change Captions to Change Detection: Semantic-Appearance Agreement Framework for Remote Sensing Change Detection

원격 탐사 변화 탐지(RSCD)는 토지 피복 변화 및 도시 개발을 모니터링하는 데 필수적입니다. 그러나 대부분의 방법은 픽셀 수준의 변화 마스크를 요구하며, 이는 주석 작업에 많은 비용과 시간이 소요됩니다. 약지도(weakly supervised) 방식은 이미지 수준의 변화 레이블을 사용하여 이러한 비용을 줄입니다. 하지만 이러한 레이블은 변화의 발생 여부만을 나타내므로, 모델이 추가적이고 복잡한 메커니즘을 통해 변화의 위치와 의미론적 의미를 복원해야 합니다. 이러한 누락된 정보는 무엇이 변하고 무엇으로 바뀌며 어디에서 발생하는지 설명하는 변화 캡션을 통해 직접 제공될 수 있습니다. 따라서 본 연구에서는 수동으로 주석을 단 변화 마스크 없이 변화 마스크를 학습하기 위한 유일한 태스크 특화 지도 정보로 변화 캡션을 활용하는 변화 캡션 유도 RSCD를 소개합니다. 제안하는 프레임워크는 두 가지 구성 요소로 이루어져 있습니다. 각 캡션과 일치하는 제어된 변화를 갖는 대규모 시계열 원격 탐사 이미지 쌍을 생성하는 캡션 기반 생성 파이프라인과, 캡션의 전이 의미론에 의해 유도되는 변화 탐지기입니다. 이 탐지기는 의미-외형 일치 프레임워크(SAAF)를 사용하여 캡션 기반 의미론적 반응과 RGB 차이를 결합해 변화 위치를 특정하며, 텍스트 조건화는 조밀 예측(dense prediction)을 유도합니다. 새롭게 구축된 Flair-RSGen 데이터셋 및 WHU-CDC에서의 실험 결과, SAAF가 평가 프로토콜 하에서 매크로 평균 IoU 및 F1 점수 모두 가장 유사하게 재현된 제한적 지도 베이스라인들을 능가함을 보여줍니다. 코드는 https://github.com/qianyuancs/SAAF 에서 공개되어 있습니다.

arXiv:2609.22834v1cs.CV공통 태그 Semantic Segmentation, remote sensing

SatOV: 원격 탐사 영상에서 학습이 필요 없는 개방형 어휘 분할을 위한 공간 사전 정보 복원

SatOV: Restoring Spatial Priors for Training-Free Open-Vocabulary Segmentation in Remote Sensing Imagery

원격 탐사 영상의 개방형 어휘 의미 분할(open-vocabulary semantic segmentation, OVS)은 원격 탐사 데이터의 공간적 특성에 대한 강한 일반화와 적응을 요구하는 어려운 픽셀 수준 과제이다. 기존의 비전-언어 파운데이션 모델은 일반 도메인에서는 우수한 성능을 보이지만, 이미지 수준 분류 설계로 인해 고해상도 원격 탐사 분할에 필요한 공간 사전 정보(spatial priors)가 약화된다. 즉, 구조적인 공간적 관계는 깊은 특징(feature) 변환 과정에서 저하되고, 미세한 공간적 세부 정보는 다운샘플링 과정에서 손실된다. 이러한 상호 보완적인 결함을 해결하기 위해, 우리는 표현(representation) 파이프라인의 두 단계에서 공간 사전 정보를 복원하는, 학습이 필요 없는(training-free) 원격 탐사 개방형 어휘 분할 프레임워크인 SatOV를 제안한다. 구체적으로, 잔차 QQ 어텐션(Residual QQ Attention, ResQQ)은 CLIP의 중간 층(layer)에서 Query-Key 셀프 어텐션을 추출하고, 이를 잔차 결합(residual combination)을 통해 마지막 층의 Query-Query 어텐션과 융합함으로써 마지막 층 표현에 의해 억제된 구조적 공간 사전 정보를 복원한다. 공간적으로 변조된 업샘플링(Spatially Modulated Upsampling, SatUp)은 원본 고해상도 RGB 이미지를 공간적 안내(spatial guidance)로 사용하며, 공간 특징 변조와 안내된 크로스 어텐션을 결합하여 픽셀 수준의 텍스처와 경계를 재구성한다. DOTA, UDD, LoveDA, Vaihingen에 대한 광범위한 실험을 통해 SatOV가 학습이 필요 없는 OVS를 일관되게 개선하며, 최신(state-of-the-art) 기법들과 비교해 경쟁력 있는 정량적 및 정성적 결과를 달성함을 보인다. 이러한 결과는 원격 탐사 개방형 어휘 분할에서 표현 단계와 공간 해상도 단계 모두에서 공간 사전 정보를 복원하는 것의 효과를 입증한다.

arXiv:2609.24409v1cs.CV공통 태그 Semantic Segmentation, remote sensing

DeCo: 다중 과제 비주얼 그라운딩을 위한 효율적인 Decouple-to-Couple 학습

DeCo: Efficient Decouple-to-Couple Learning for Multi-Task Visual Grounding

다중 과제 비주얼 그라운딩은 모델이 언어적 의미를 공동으로 이해하고 정확한 시각적 위치 지정(localization)과 분할(segmentation)을 수행해야 한다. 멀티모달 대규모 언어 모델의 성공에도 불구하고, 이를 여러 그라운딩 목표에 효과적으로 적응시키는 것은 여전히 어렵다. 기존 방법들은 공유 표현을 통해 과제 간 협력을 강제하는 경우가 많지만, 과제 지향적 특징 관심 사이의 내재적 충돌은 간과한다. 본 논문에서는 $\textbf{DeCo}$를 소개한다. 이는 효율적인 $\textbf{De}$couple-to-$\textbf{Co}$uple 학습 프레임워크로, 두 단계 패러다임을 통해 이 딜레마를 해결한다: 과제별 표현 분리(decoupling)에 이어 상보적 사전(prior) 결합(coupling)이다. 구체적으로, 먼저 Task-aware Semantic Decoupling(TSD)을 제안하여 두드러진 단어 수준(word-level) 안내 하에 공유 시각 단서를 개별 특징으로 라우팅함으로써 위치 지정과 분할 간 표현 간섭을 완화한다. 더 나아가, 분할은 밀집(dense) 감독으로 인해 정보가 풍부한 위치 지정 사전을 자연스럽게 제공한다는 점을 관찰한다. 이 통찰에 기반하여, Hybrid Prior Coupling(HPC)을 도입한다. 이는 문장 수준 의미 사전과 마스크에서 유도된 공간 사전을 통합하여 그라운딩을 강화한다. 동결(frozen)된 멀티모달 인코더 위에 구축된 DeCo는 경량의 학습 가능 파라미터만 필요하면서도 여러 그라운딩 목표에 걸쳐 강한 일반화를 달성한다. RefCOCO/+, G-Ref, ReferIt, Flickr, DIOR-RSVG, SARVG1.0, RRSIS-D, RIS-LAD, RefDIOR에 대한 광범위한 실험은 DeCo가 자연 영상 및 원격 탐사(remote sensing) 벤치마크 모두에서 최신(state-of-the-art) 성능을 달성함을 보여준다. 코드와 모델은 https://github.com/xiaoqiang-lu/DeCo 에서 이용할 수 있다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.