Розробка мультимодальної повністю керованої системи уваги (ММ-ПКСУ) для просторово-часового виявлення повеней
DOI:
https://doi.org/10.15587/1729-4061.2025.338096Ключові слова:
повінь, просторово-часове виявлення, мультимодальний, керована увага, глибоке навчання, система раннього попередженняАнотація
Повені є одними з найчастіших гідрометеорологічних катастроф в Індонезії, що спричиняють серйозні соціальні, економічні та екологічні наслідки. Об'єктом цього дослідження є просторово-часове виявлення повеней у Сімпанг-Емпат, регентство Асахан, Північна Суматра, районі, який щорічно стикається з повенями через високу кількість опадів, низькорослий рельєф та зміни в землекористуванні. Традиційні підходи до виявлення, засновані на просторових або часових даних, часто не враховують складні взаємодії, що обмежує точність прогнозування. Для вирішення цієї проблеми в цьому дослідженні розроблено мультимодальну структуру повністю керованої системи уваги (ММ-ПКСУ), яка інтегрує мультиспектральні зображення Sentinel-2, рельєф SRTM, кількість опадів CHIRPS та атмосферні змінні ERA5. Модель використовує просторові апріорні дані на основі згорткової нейронної мережі (ЗНМ) для керування часовою увагою в довгій короткостроковій пам’яті (ДКП), гарантуючи, що прогнози зосереджені на найбільш релевантних для повеней регіонах та періодах часу. Експериментальні результати показують, що ММ-ПКСУ досягла точності 91,72%, прецизійності 92,05%, повноти 90,29% та AUC 0,945, що значно перевершує базові рівні ЗНМ, ДКП та ЗНМ-ДКП. Це покращення пояснюється чітким просторово-часовим керівництвом, яке підвищує точність прогнозування, а також збільшує інтерпретованість за допомогою карт уваги. Відмінними особливостями фреймворку є мультимодальна інтеграція, керована увага та здатність створювати карти ризику повеней з більш ніж 90% згодою зі спостережуваними даними. Ці результати підтверджують, що ММ-ПКСУ є надійною, адаптивною та здатною створювати точні та пояснювальні прогнози. Фреймворк демонструє значний потенціал для використання в системах раннього попередження про повені та управління ризиками стихійних лих, надаючи своєчасну інформацію для планування евакуації та розподілу ресурсів у вразливих регіонах.
Посилання
- Gosset, M., Dibi-Anoh, P. A., Schumann, G., Hostache, R., Paris, A., Zahiri, E.-P. et al. (2023). Hydrometeorological Extreme Events in Africa: The Role of Satellite Observations for Monitoring Pluvial and Fluvial Flood Risk. Surveys in Geophysics, 44 (1), 197–223. https://doi.org/10.1007/s10712-022-09749-6
- Hermawan, E., Risyanto, R., Purwaningsih, A., Ratri, D. N., Ridho, A., Harjana, T. et al. (2024). Characteristics of Mesoscale Convective Systems and Their Impact on Heavy Rainfall in Indonesia’s New Capital City, Nusantara, in March 2022. Advances in Atmospheric Sciences, 42 (2), 342–356. https://doi.org/10.1007/s00376-024-4102-1
- Taye, M. T., Dyer, E. (2024). Hydrologic Extremes in a Changing Climate: a Review of Extremes in East Africa. Current Climate Change Reports, 10 (1), 1–11. https://doi.org/10.1007/s40641-024-00193-9
- Abegaz, R., Wang, F., Xu, J. (2024). History, causes, and trend of floods in the U.S.: a review. Natural Hazards, 120 (15), 13715–13755. https://doi.org/10.1007/s11069-024-06791-y
- Waleed, M., Sajjad, M. (2023). On the emergence of geospatial cloud-based platforms for disaster risk management: A global scientometric review of google earth engine applications. International Journal of Disaster Risk Reduction, 97, 104056. https://doi.org/10.1016/j.ijdrr.2023.104056
- Luk, S. Y., Sajjad, M. (2025). From space to screen: Recent advances in remote sensing for mangrove valuation through a bibliometric lens. Ocean & Coastal Management, 269, 107844. https://doi.org/10.1016/j.ocecoaman.2025.107844
- Asiyabi, R. M., Ghorbanian, A., Tameh, S. N., Amani, M., Jin, S., Mohammadzadeh, A. (2023). Synthetic Aperture Radar (SAR) for Ocean: A Review. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 16, 9106–9138. https://doi.org/10.1109/jstars.2023.3310363
- Du, R., Xiang, Y., Chen, J., Lu, X., Zhang, F., Zhang, Z. et al. (2024). The daily soil water content monitoring of cropland in irrigation area using Sentinel-2/3 spatio-temporal fusion and machine learning. International Journal of Applied Earth Observation and Geoinformation, 132, 104081. https://doi.org/10.1016/j.jag.2024.104081
- Pareta, K. (2023). Hydrological modelling of largest braided river of India using MIKE Hydro River software with rainfall runoff, hydrodynamic and snowmelt modules. Journal of Water and Climate Change, 14 (4), 1314–1338. https://doi.org/10.2166/wcc.2023.484
- Li, J., Wu, G., Zhang, Y., Shi, W. (2024). Optimizing flood predictions by integrating LSTM and physical-based models with mixed historical and simulated data. Heliyon, 10 (13), e33669. https://doi.org/10.1016/j.heliyon.2024.e33669
- Ke, E., Zhao, J., Zhao, Y. (2025). Investigating the influence of nonlinear spatial heterogeneity in urban flooding factors using geographic explainable artificial intelligence. Journal of Hydrology, 648, 132398. https://doi.org/10.1016/j.jhydrol.2024.132398
- Zhao, B., Sui, H., Liu, J., Shi, W., Wang, W., Xu, C., Wang, J. (2024). Flood inundation monitoring using multi-source satellite imagery: a knowledge transfer strategy for heterogeneous image change detection. Remote Sensing of Environment, 314, 114373. https://doi.org/10.1016/j.rse.2024.114373
- Bagheri, A., Liu, G.-J. (2025). Climate change and urban flooding: assessing remote sensing data and flood modeling techniques: a comprehensive review. Environmental Reviews, 33, 1–14. https://doi.org/10.1139/er-2024-0065
- Qatrinnada, W. F. P., Hidayah, E., Halik, G., Wiyono, R. U. A. (2024). A literature review: rainfall thresholds as flash flood monitoring for an early warning system. Water Practice & Technology, 19 (11), 4486–4498. https://doi.org/10.2166/wpt.2024.271
- Huang, X., Chen, N., Deng, Z., Huang, S. (2024). Multivariate time series anomaly detection via dynamic graph attention network and Informer. Applied Intelligence, 54 (17-18), 7636–7658. https://doi.org/10.1007/s10489-024-05575-y
- Maddah, S., Mojaradi, B., Alizadeh, H. (2024). Enhancing flood susceptibility modeling using integration of multi-source satellite imagery and multi-input convolutional neural network. Natural Hazards, 121 (3), 2801–2824. https://doi.org/10.1007/s11069-024-06764-1
- Fu, Y., Zhu, Z., Liu, L., Zhan, W., He, T., Shen, H. et al. (2024). Remote Sensing Time Series Analysis: A Review of Data and Applications. Journal of Remote Sensing, 4. https://doi.org/10.34133/remotesensing.0285
- Islam, K., Daraio, J. A., Cheema, M., Sabau, G., Galagedara, L. (2025). Improved streamflow prediction accuracy in Boreal climate watershed using a LSTM model: A comparative study. PLOS Water, 4 (4), e0000359. https://doi.org/10.1371/journal.pwat.0000359
- He, X., Zhang, S., Xue, B., Zhao, T., Wu, T. (2023). Cross-modal change detection flood extraction based on convolutional neural network. International Journal of Applied Earth Observation and Geoinformation, 117, 103197. https://doi.org/10.1016/j.jag.2023.103197
- Chen, Z., Lin, H., Shen, G. (2023). TreeLSTM: A spatiotemporal machine learning model for rainfall-runoff estimation. Journal of Hydrology: Regional Studies, 48, 101474. https://doi.org/10.1016/j.ejrh.2023.101474
- Farahmand, H., Xu, Y., Mostafavi, A. (2023). A spatial–temporal graph deep learning model for urban flood nowcasting leveraging heterogeneous community features. Scientific Reports, 13 (1). https://doi.org/10.1038/s41598-023-32548-x
- Li, J., Jin, C., Shen, Y., Ye, W. (2024). TRSANet: A Remote Sensing Deep Learning Model for Water Body Change Detection Based on Time-Reversal Semantic Asymmetry. IEEE Transactions on Geoscience and Remote Sensing, 62, 1–13. https://doi.org/10.1109/tgrs.2024.3458951
- Oddo, P. C., Bolten, J. D., Kumar, S. V., Cleary, B. (2024). Deep Convolutional LSTM for improved flash flood prediction. Frontiers in Water, 6. https://doi.org/10.3389/frwa.2024.1346104
- Wang, Z., Lyu, H., Fu, G., Zhang, C. (2024). Time-guided convolutional neural networks for spatiotemporal urban flood modelling. Journal of Hydrology, 645, 132250. https://doi.org/10.1016/j.jhydrol.2024.132250
- Saleh, T., Holail, S., Zahran, M., Xiao, X., Xia, G.-S. (2024). LiST-Net: Enhanced Flood Mapping With Lightweight SAR Transformer Network and Dimension-Wise Attention. IEEE Transactions on Geoscience and Remote Sensing, 62, 1–17. https://doi.org/10.1109/tgrs.2024.3397797
- Mondal, G., Dhanaraj, R. K. (2025). A novel multi-model fused classification for classifying the natural disaster. Progress in Artificial Intelligence. https://doi.org/10.1007/s13748-025-00388-7
- Chen, C., Zhang, D., Qi, X., Wang, Z., Xiang, L. (2025). GKASA–DDPM: a novel flood forecasting model based on Graph Kolmogorov–Arnold Attention and spatio-temporal attention under smoothing DDPM. Journal of Hydroinformatics, 27 (3), 560–579. https://doi.org/10.2166/hydro.2025.312
- Cui, Y., Duan, P., Li, J. (2025). PDSDC: Progressive Spatiotemporal Difference Capture Network for Remote Sensing Change Detection. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 18, 16879–16895. https://doi.org/10.1109/jstars.2025.3569128
- Zhang, Q., Zhang, X., Quan, C., Zhao, T., Huo, W., Huang, Y. (2025). Mamba-STFM: A Mamba-Based Spatiotemporal Fusion Method for Remote Sensing Images. Remote Sensing, 17 (13), 2135. https://doi.org/10.3390/rs17132135
- Wanto, A., Yuhandri, Y., Okfalisa, O. (2024). RetMobileNet: A New Deep Learning Approach for Multi-Class Eye Disease Identification. Revue d’Intelligence Artificielle, 38 (4). https://doi.org/10.18280/ria.380401
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Neni Mulyani, Anjar Wanto, Jhonson Efendi Hutagalung
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.
