ИРЭ им. В.А. Котельникова РАН English Войти Подать статью
Журнал радиоэлектроники Электронный научный журнал · eISSN 1684-1719
2026, № 1 · ИНФОРМАЦИОННЫЕ МЕТОДЫ РАДИОЛОКАЦИИ И ЭЛЕМЕНТНАЯ БАЗА

Гибридная платформа спутникового мониторинга и ИИ для оперативного выявления предпосылок наводнений

Е.В. Савченко1, С.М. Маклаков1

1 ФИРЭ им. В.А. Котельникова РАН, Фрязино, Россия
Полный текст DOI: 10.30898/1684-1719.2026.1.3 УДК 528.8 EDN TTRSEB

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.

  • наводнения
  • изучение климата
  • визуализация данных
  • дистанционное зондирование
  • спутниковое зондирование
  • искусственный интеллект
Abstract (in English)

Hybrid satellite monitoring and AI platform for rapid identification of flood conditions

A methodology for constructing a hybrid operational satellite monitoring platform for the early detection of flood zones is presented. The approach combines optical (Sentinel-2), radar (Sentinel-1), and geostationary (SEVIRI) observations, precipitation estimation products (MPE), and ground-based verification. Unified data preprocessing is performed, including georeferencing, reduction to a single spatial resolution, cloud filtering, and windowing of large scenes. A set of index indicators (NDWI, MNDWI, AWEI, SWI, etc.), texture characteristics, and radar features are calculated. The results are integrated by a neural network module, which generates probabilistic flood maps and confidence indicators for each selected polygon. The implementation is performed in the Python environment using standard libraries for working with raster data and training neural networks. At the same time, modularity is emphasized: individual stages (downloading and saving scenes, preprocessing, generating a training set, model training, and postprocessing) can be performed independently and reused for other events and regions. Testing on flood data in Crimea (June 2021) demonstrated improved detection accuracy and robustness compared to standard index-based methods and confirms the practical applicability of the proposed solution for operational monitoring and alerting, provided the labeled set is further expanded and local landscape features are taken into account.

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

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