ЖУРНАЛ РАДИОЭЛЕКТРОНИКИ. eISSN 1684-1719. 2026. №1

УДК: 528.8; 528.83; 528.85; 528.88

Гибридная платформа спутникового мониторинга

и ИИ для оперативного выявления

предпосылок наводнений

Е.В. Савченко, С.М. Маклаков

Институт радиотехники и электроники им. В.А. Котельникова РАН,

141190, г. Фрязино, пл. Введенского, 1

Статья поступила в редакцию 19 декабря 2025 г.

Аннотация. Представлена методика построения гибридной платформы оперативного спутникового мониторинга для раннего выявления зон затопления. Подход объединяет оптические (Sentinel-2), радиолокационные (Sentinel-1) и геостационарные (SEVIRI) наблюдения, продукты оценки осадков (MPE) и наземную верификацию. Выполняется унифицированная предобработка данных – геопривязка, приведение к единому пространственному разрешению, фильтрация по облачности и оконная нарезка больших сцен; рассчитывается набор индексных показателей (NDWI, MNDWI, AWEI, SWI и др.), текстурные характеристики и радиолокационные признаки. Интеграция результатов осуществляется нейросетевым модулем, формирующим вероятностные карты затопления и показатели доверия для каждого выделенного полигона. Реализация выполнена в среде Python с использованием стандартных библиотек для работы с растровыми данными и обучения нейросетей; при этом подчеркнута модульность – отдельные этапы (скачивание и сохранение сцен, предобработка, формирование обучающей выборки, обучение модели и постобработка) могут выполняться независимо и переиспользоваться для других событий и регионов. Апробация на материалах наводнения в Крыму (июнь 2021) показала повышение точности и устойчивости обнаружения по сравнению со стандартными индексными методами и подтверждает практическую применимость предложенного решения для оперативного мониторинга и оповещения при условии дальнейшего расширения размеченной выборки и учета локальных особенностей ландшафта.

Ключевые слова: наводнения, изучение климата, визуализация данных, дистанционное зондирование, спутниковое зондирование, искусственный интеллект.

Финансирование: Работа выполнена в рамках государственного задания ИРЭ им. В.А. Котельникова РАН № 075-00395-25-00.

Автор для переписки: Маклаков Сергей Михайлович, ser2110@mail.ru

Литература

1. Митник Л.М., Кулешов В.П., Митник М.Л., Пичугин М.К., Хазанова Е.С. Спутниковый мониторинг наводнения в Приморье в 2017 г. // Сборник тезисов докладов пятнадцатой Всероссийской открытой конференции "Современные проблемы дистанционного зондирования Земли из космоса", Москва, 13–17 ноября 2017 года / Институт космических исследований Российской академии наук. – Москва: Институт космических исследований Российской академии наук, 2017. – С. 102.

2. Notti D. et al. Potential and limitations of open satellite data for flood mapping // Remote sensing. – 2018. – Т. 10. – №. 11. – С. 1673.

3. Schmetz J. et al. An introduction to Meteosat second generation (MSG) // Bulletin of the American Meteorological Society. – 2002. – Т. 83. – №. 7. – С. 977-992. https://doi.org/10.1175/1520-0477(2002)083%3C0977:AITMSG%3E2.3.CO;2

4. Schmetz J. et al. Monitoring weather and climate with the Meteosat and Metop satellites // Revista de Teledetección. – 2007. – Т. 27. – С. 5-16. http://www.aet.org.es/revistas/revista27/AET27-01.pdf

5. MSG Meteorological Products Extraction Facility Algorithm Specification Document 23 October 2015, v7B e-signed // Eumetsat.int. URL: https://www.eumetsat.int/media/38993

6. Нерушев А.Ф., Вишератин К.Н., Ивангородский Р.В. Характеристики поля ветра в верхней тропосфере как индикаторы климатической изменчивости // Исследование Земли из Космоса, 2023, № 4, стр. 92-106. https://doi.org/10.31857/S0205961423030053

7. The main instruments carried by the MSG satellites are the Spinning Enhanced Visible and Infrared Imager (SEVIRI) and the Geostationary Earth Radiation Budget (GERB) // Eumetsat.int. URL: https://www.eumetsat.int/meteosat-second-gen-instruments

8. Gerardo R., de Lima I.P. Comparing the Capability of Sentinel-2 and Landsat 9 Imagery for Mapping Water and Sandbars in the River Bed of the Lower Tagus River (Portugal) // Remote Sens. 2023, 15, 1927 // https://doi.org/10.3390/rs15071927

9. Shen G., Fu W., Guo H., Liao J. Water Body Mapping Using Long Time Series Sentinel-1 SAR Data in Poyang Lake. Water 2022, 14, 1902. // [Электронный ресурс]. URL: https://doi.org/10.3390/w14121902

10. Gulácsi A., Kovács F. Sentinel-1-Imagery-Based High-Resolution Water Cover Detection on Wetlands, Aided by Google Earth Engine // Remote Sens. 2020, 12, 1614. https://doi.org/10.3390/rs12101614

11. Kumah K.K. Near-real-time rainfall detection and estimation from commercial microwave links and Meteosat Second Generation data // University of Twente, Faculty of Geo-Information Science and Earth Observation (ITC), 2022. 215 p.

12. Meirink J.F., Roebeling R.A., and Stammes P. Inter-calibration of polar imager solar channels using SEVIRI // Atmos. Meas. Tech., 6, 2495–2508 https://doi.org/10.5194/amt-6-2495-2013

13. Doxani G. et al. Atmospheric Correction Inter-comparison eXercise, ACIX-II Land: An assessment of atmospheric correction processors for Landsat 8 and Sentinel-2 over land // Remote Sensing of Environment. – 2023. – Т. 285. – С. 113412. https://doi.org/10.1016/j.rse.2022.113412

14. McFEETERS S.K. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features // International Journal of Remote Sensing, 17(7), 1425–1432. https://doi.org/10.1080/01431169608948714

15. Xu H. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery // International Journal of Remote Sensing, 27(14), 3025–3033. https://doi.org/10.1080/01431160600589179

16. Feyisa G.L. et al. Automated Water Extraction Index: A new technique for surface water mapping using Landsat imagery // Remote sensing of environment. – 2014. – Т. 140. – С. 23-35.

17. Sharma R.C., Tateishi R., Hara K., Nguyen L.V. Developing Superfine Water Index (SWI) for Global Water Cover Mapping Using MODIS Data // Remote Sens. 2015, 7, 13807-13841. https://doi.org/10.3390/rs71013807

18. Liu S., Wu Y., Zhang G., Lin N., Liu Z. Comparing Water Indices for Landsat Data for Automated Surface Water Body Extraction under Complex Ground Background: A Case Study in Jilin Province. Remote Sens, 2023, 15, 1678.

19. Mastering NDWI: Understanding Water Thresholds and Ranges for Precision Agriculture // [Электронный ресурс]. URL: https://farmonaut.com/remote-sensing/mastering-ndwi-understanding-water-thresholds-and-ranges-for-precision-agriculture

20. Anwer Hossam Aldeen & Mohamed Tarig. Prediction of Flood Monitoring for Satellite Image Using Artificial Neural Networks // ResearchGate. 2025. https://www.researchgate.net/publication/387599533_Prediction_of_Flood_Monitoring_for_Satellite_Image_Using_Artificial_Neural_Networks

21. Hernandez L., Ali M., Zhang S. Geospatial Artificial Intelligence for Satellite-based Flood Extent Mapping: Concepts, Advances, and Future Perspectives. // ResearchGate. 2025. https://arxiv.org/html/2504.02214v2

22. Wu Xuan, Zhang Zhijie, Xiong Shengqing, Zhang Wanchang, Tang Jiakui, Li Zhenghao, An Bangsheng, Li Rui. A Near-Real-Time Flood Detection Method Based on Deep Learning and SAR Images // Remote Sensing, 15(8), 2046, 2023. URL: https://www.mdpi.com/2072-4292/15/8/2046

23. Pranath Reddy Kumbam, Kshitij Maruti Vejre. FloodLense: A Framework for ChatGPT-based Real-time Flood Detection // arXiv preprint, arXiv:2401.15501v1, 2024. https://arxiv.org/html/2401.15501v1

24. Штормовое предупреждение об опасных гидрометеорологических явлениях по Республике Крым на 16-17 июня 2021 года. // [Электронный ресурс]. URL: https://82.mchs.gov.ru/deyatelnost/press-centr/vse_novosti/4489285

25. Штормовое предупреждение об опасных гидрометеорологических явлениях по Республике Крым на 21-22 июня 2021 года. // [Электронный ресурс]. URL: https://82.mchs.gov.ru/deyatelnost/press-centr/vse_novosti/4493462

26. Главное управление МЧС России по Республике Крым. Официальный сайт, раздел пресс-центр, оперативная информация // [Электронный ресурс]. URL: https://82.mchs.gov.ru/deyatelnost/press-centr/operativnaya-informaciya

27. Наблюдательная сеть метеостанций республики Крым. // Росгидромет. ФГБУ «Крымское УГМС» [Электронный ресурс]. URL: https://meteo.crimea.ru/?page_id=99

28. Diederik P. Kingma, Jimmy Ba. Adam: A Method for Stochastic Optimization // Arxiv. https://doi.org/10.48550/arXiv.1412.6980

Для цитирования:

Савченко Е.В., Маклаков С.М. Гибридная платформа спутникового мониторинга и ИИ для оперативного выявления предпосылок наводнений // Журнал радиоэлектроники. – 2026. – №. 1. https://doi.org/10.30898/1684-1719.2026.1.3