הצל אינו המים: מעבר להסקה מפריים בודד ארגוני מודיעין שיטפונות

תקציר מנהלים

אשליית הבינה בעידן העטיפות

בנוף הבינה המלאכותית המשתנה במהירות, דיכוטומיה מסוכנת התגבשה, המפרידה בין יישום שטחי לבין הנדסה מבנית עמוקה. מצד אחד, השוק רווי בפתרונות "עטיפה"—שכבות יישום דקות שמעבירות פרומפטים למודלי שפה גדולים (LLMs) כלליים או לממשקי ראייה ממוחשבת מאומנים-מראש. מערכות אלה, אף שהן נגישות, נבדלות מעט ממנועי חיפוש בסיסיים או מחזאי טוקנים הסתברותיים; חסרים להן הסקה סיבתית ועיגון פיזיקלי. מן העבר השני ניצבת בינה מלאכותית עמוקה : מערכות ייעודיות, חדשניות מבחינה ארכיטקטונית, שנועדו למדל את הפיזיקה, הסיבתיות וה רציפות הזמנית של העולם האמיתי.

ההבחנה בין שתי הגישות אינה אקדמית בלבד; היא תפעולית, פיננסית, ולעיתים קיומית. ראשיתו של נייר עמדה זה בכשל חוזר ספציפי של ראייה ממוחשבת סטנדרטית, המשמש כמשל רב-עוצמה ל מגבלות הענף: "הכביש המוצף" שלא היה.

שקלו מודל ראייה ממוחשבת סטנדרטי, שנפרס על ידי קונגלומרט לוגיסטי לניטור נתיבי אספקה באמצעות דימות לווייני. המודל מעבד פריים של כביש מהיר קריטי. הוא מזהה צורה כהה ואמורפית החוצה את האספלט. נתוני האימון שלו, מוטים בכבדות לערכי פיקסלים סטטיים ולזיהוי קצוות פשוט, מקשרים החזרה נמוכה עם מים. המערכת מסמנת את הכביש כ"מוצף." פרוטוקולים אוטומטיים מופעלים מיד. אלגוריתמי ניתוב-מחדש מסיטים צי משאיות לכבישים משניים, ומוסיפים מאות קילומטרים ל מסע. חלונות אספקה בדיוק-בזמן מוחמצים. מטען מתכלה מתדרדר. ההשפעה הפיננסית נמדדת במאות אלפי דולרים.

המציאות? הכביש היה יבש. ענן קומולוס, שנדד בגובה 2,000 מטרים, הטיל צל ש הבינה המלאכותית, לכודה ברגע בודד של זמן— הסקה מפריים בודד —הזתה כ שיטפון.

כשל זה הוא עקב אכילס של בינה מלאכותית מודרנית בחישה מרחוק. ¹ כשבינה מלאכותית רואה את העולם כ אוסף מקוטע של תצלומי-רגע, חסר לה ההקשר הזמני להבחין בין צל חולף לבין הצפה מתמשכת. חסר לה העומק הרב-חושי כדי "לראות דרך" ה ענן שהטיל את הצל.

גישת Veriprajna

Veriprajna קיימת כדי לפתור את בעיית "צל הענן"—לא רק כסוגיה מילולית של הפרעה מטאורולוגית, אלא כאתגר מגדיר לבינה מלאכותית בדרגה ארגונית. איננו בונים עטיפות. אנו בונים ארכיטקטורות מרחביות-זמניות שמתייחסות לזמן כמאפיין יסודי של המציאות, ולא כארטיפקט של איסוף נתונים. אנו ממזגים נתונים אופטיים עם סינתטי מכ"ם מפתח (SAR), ומשלבים את ההקשר החזותי של העין האנושית עם פיזיקת המיקרוגל החודרת-עננים. ³

נייר עמדה זה מפרט את פילוסופיית ההנדסה ואת הארכיטקטורה הטכנית מאחורי פתרונות הבינה המלאכותית העמוקה של Veriprajna. אנו בוחנים מדוע מודלים סטטיים נכשלים, את פיזיקת ה הטעיה הספקטרלית, ואת המתמטיקה הקפדנית של מנועי המיזוג המרחבי-זמני הקנייניים שלנו. אנו מדגימים כיצד שילוב מנגנוני קשב צולב, רשתות עצביות קונבולוציוניות תלת-ממדיות (3D CNNs), ולמידה מונחית-פיזיקה מאפשר לנו לספק מודיעין שיטפונות בדרגה ארגונית שמבחין בין הצל למים בדיוק חסר תקדים.

פרק 1: פיזיקת ההטעיה — מדוע בינה מלאכותית רדודה נכשלת

1.1 המלכודת הספקטרלית: כשהחושך מחקה עומק

כדי להבין מדוע מודלי בינה מלאכותית גנריים נכשלים בזיהוי שיטפונות, יש קודם להבין את פיזיקת החישה מרחוק. דימות לוויין אופטי, כגון זה שמספקות קבוצות Sentinel-2 או Landsat, לוכד קרינת שמש מוחזרת באורכי גל שונים. מים הם באופן טבעי בולע חזק של אינפרא-אדום קרוב (NIR) ואינפרא-אדום קצר-גל (SWIR) קרינה. ² כתוצאה מכך, בקומפוזיט צבע-כוזב סטנדרטי או אפילו במדד מחושב כמו מדד המים המנורמל (NDWI), מים מופיעים כהים או כמעט שחורים.

אולם מים אינם הבעלים הבלעדיים של "חושך" בתחום הספקטרלי. צללי עננים, צללי פני-שטח שנוצרים על ידי טופוגרפיה תלולה, ומשטחים אנתרופוגניים כהים כמו אספלט טרי גם הם מניבים ערכי קרינה נמוכים המגיעים לחיישן.

1.1.1 הנקודה העיוורת של הפריים הבודד

רשת עצבית קונבולוציונית (CNN) שמאומנת על תמונות סטטיות בודדות פועלת על מרחביים מאפיינים —מרקמים, קצוות ועוצמות פיקסלים. כאשר צל ענן נופל על כביש או על שדה, אשכול הפיקסלים שנוצר מציג מאפיינים הדומים באופן מסוכן ל מי שיטפון:

1.​ החזרת SWIR נמוכה: בדיוק כמו מים, צללים בולעים או מסתירים את האור שהיה מוחזר בדרך כלל מהקרקע. ²

2.​ גבולות אמורפיים: לצללים לעיתים קרובות קצוות רכים ולא-סדירים המחקים את דפוסי ההתפשטות של מים על פני שטח לא-אחיד.

3.​ דיכוי מרקם: צללים מסתירים את המרקם התחתי של הקרקע (למשל, שורות יבול, סימוני כביש), בדיוק כפי שעושים מים עכורים. ⁵

עבור מודל פריים-בודד, המרחק המתמטי בין וקטור המאפיינים של "צל ענן" ושל "שדה מוצף" הוא מינימלי. ² ללא הקשר חיצוני, המודל ממקסם את פונקציית ההסתברות שלו על בסיס הנתונים המוגבלים הזמינים. בתרחישי תגובה לאסון, פונקציות הפסד משוקללות לעיתים קרובות כדי להעניש שלילות שגויות (החמצת שיטפון) יותר מאשר חיובים שגויים. הדבר מוביל למודלים "דרוכים מדי," המסווגים כל כתם כהה כ הצפה כדי להימנע מהחמצת אסון.

מחקר מצביע על כך שצללי עננים הם "האתגר הגדול ביותר" לזיהוי שיטפונות אוטומטי כמעט ב זמן-אמת באמצעות דימות לוויין אופטי. ² במערכי נתונים ברזולוציה גבוהה, צללים מופיעים לא רק כמאפייני גבול הסובבים עננים אלא כמאפיינים מנותקים—מ ענני קומולוס מפוזרים או משובלי טיסה בגובה רב—שאין להם חיבור ספקטרלי ל ענן שהטיל אותם בתוך הפריים החתוך. ⁵ הפרדה זו הופכת שיטות הטלה גיאומטריות פשוטות (ניסיון לנחש היכן הצל על סמך זווית השמש ומיקום ה ענן) לפגיעות לכשל, במיוחד כאשר גובה הענן אינו ידוע או משתנה. ⁷

1.2 כשל המיסוך הקונבנציונלי

חישה מרחוק מסורתית נשענת על מסכות אלגוריתמיות כמו Fmask (Function of mask) כדי לזהות עננים וצללים לפני הניתוח. מערכות מבוססות-כללים אלה נשענות על תחומים תרמיים וספי בהירות. ⁸ אולם שיטות אלה שבירות:

●​ עמימות תרמית: ענני צירוס דקים או ענני קומולוס קטנים עשויים שלא להיות קרים מספיק כדי להפעיל ספים תרמיים, ובכל זאת הם מטילים צללים ברורים.

●​ הנחות גיאומטריות: אלגוריתמים מניחים לעיתים קרובות שיעור דעיכה קבוע או גובה ענן כדי להטיל מיקומי צל. אם הענן נמוך או גבוה מההנחה, ה מיקום החזוי של הצל שגוי, והצל בפועל נותר ללא מיסוך ועלול להיות מסווג בטעות כמים. ⁷

●​ בלבול ספקטרלי: באזורים עירוניים או מעל צמחייה כהה, החתימה הספקטרלית של צל אינה ניתנת להבחנה מרעש הרקע, ומובילה לרעש "מלח ופלפל" במסכות הסיווג. ¹⁰

פתרון בינה מלאכותית מסוג "עטיפה" הנשען על מסכות במעלה-הזרם יורש את כל שגיאותיהן. אם Fmask נכשל בסימון צל, מודל הפלח במורד-הזרם—המתייחס לקלט כאל אמת קרקע—יסמן אותו בביטחון כשיטפון. זהו עקרון "זבל נכנס, זבל יוצא" המוגבר על ידי נטיית הלמידה העמוקה להיות בטוחה-יתר בתחזיותיה.

1.3 מגבלות ארכיטקטורות ה"עטיפה"

השוק מוצף כיום ב"פתרונות בינה מלאכותית" שהם למעשה עטיפות סביב מודלי יסוד למטרות כלליות. גישת "עטיפה" לזיהוי שיטפונות עשויה לכלול לקיחת מודל פלח תמונה מאומן-מראש (כמו Segment Anything Model - SAM או U-Net גנרי) וכיוונון-עדין שלו על מערך נתונים קטן של מסכות מים.

אף שגישה זו מניבה הדגמות מרשימות ודיוק גבוה על סטים מאוצרים של אימות, היא נכשלת בסביבות ייצור משום ש:

1.​ היעדר שיבוצים פיזיקליים: מודלים אלה אינם מבינים את ההבדל ה רדיומטרי בין צל למים; הם מכירים רק דמיון חזותי. ¹ הם מתאימי דפוסים, לא סימולטורים של פיזיקה.

2.​ שכחה זמנית: הם מעבדים את Image $t$ ללא כל ידע על Image $t-1$. הם אינם יכולים לראות שה"מים" נעו ב-50 km/h (מהירות הענן), דבר ש בלתי אפשרי פיזית למי שיטפון. ⁴

3.​ אגנוסטיות חיישנים: הם מתייחסים לעיתים קרובות לנתוני מכ"ם מפתח סינתטי (SAR) ולנתונים אופטיים כאל "תמונות" בלבד, ומתעלמים מהתכונות הפיזיקליות הייחודיות (פיזור חוזר מול החזרה) שהופכות מיזוג לעוצמתי. עטיפה עשויה להזין תמונת SAR למודל שאומן על נתונים אופטיים, בתקווה ללמידת העברה, אך להתעלם מכך שרעש ספקל מכ"ם הוא שונה ביסודו מרעש גאוסי אופטי. ¹²

Veriprajna דוחה גישה רדודה זו. אנו מכירים בכך שכדי לפתור את בעיית "הכביש המוצף שלא היה," עלינו להנדס מערכות שתופסות את העולם בארבעה ממדים (מרחב + זמן) ועל פני הספקטרום האלקטרומגנטי.

פרק 2: מחיר האשליה — כלכלי ו השפעה תפעולית

הכישלון להבחין בין צל לשיטפון אינו תקלה טכנית בלבד; הוא שטף דם כלכלי. בסביבות ארגוניות, עלות חיוב שגוי כמעט לעולם אינה אפס. הוא מסתעף בשרשרות אספקה, מעוות מודלי סיכון, ושוחק אמון במערכות אוטומטיות.

2.1 שיבוש לוגיסטיקה ושרשרת אספקה

שרשרות אספקה מודרניות פועלות על שולי יעילות דקיקים, תוך שימוש לעיתים קרובות בפרוטוקולי אספקה Just-In-Time (JIT). אלגוריתמי אופטימיזציית מסלול נשענים על נתוני גרף מדויקים בזמן-אמת באשר לזמינות רשת הכבישים.

2.1.1 קנס הניתוב-מחדש

התראת שיטפון כוזבת על עורק ראשי מכריחה אלגוריתמים לחשב מעקפים. אם צי של 50 משאיות מנותב-מחדש ב-100km עקב שיטפון רפאים, שונות הדלק והעבודה מיידית.

●​ עלויות ישירות: צריכת דלק עולה; שעות נהג (ועבודה נוספת אפשרית) מצטברות.

●​ עלויות הזדמנות: משאיות שמתעכבות במעקפים מחמיצות את חלונות הזמן שלהן במרכזי הפצה, ומובילות לעיכובים מסתעפים למטענים הבאים.

●​ כשל אופטימיזציה: אופטימיזציית מסלול יכולה להפחית עלויות תחבורה בעד 15% וצריכת דלק ב-25%. ¹³ הכנסת אילוצים כוזבים (כבישים חסומים) דוחפת את ה אופטימייזר למינימה מקומית תת-אופטימלית, ומבטלת יעילות זו.

2.1.2 קיפאון מלאי ואפקט שוט הפר

עלויות ניהול מחסנים ולוגיסטיקה עולות עם פיזור גיאוגרפי ועיכובים. ¹⁴ נתונים כוזבים מזריקים חיכוך מלאכותי למערכות אלה. קריטי יותר, שיבוש נתפס ב צומת מקומי (מחסן או כביש "מוצף") יכול להפעיל את אפקט שוט הפר . ספקים במעלה-הזרם, שצופים בכשל אספקה, עשויים להזמין בפאניקה או לאגור חומרי גלם. פיצוי-יתר תגובתי זה מערער את כל השרשרת, ומוביל למלאים תפוחים ולהון קשור במלאי מיותר. ¹⁵

מחקרים מצביעים על כך שנתוני מיקום גרועים—כולל מפגעים סביבתיים כוזבים—יכולים לעלות ל חברות מיליארדים מדי שנה בתנועה מבוזבזת ובמאגרי מלאי. ¹⁵ חיוב שגוי אינו רק תווית שגויה; זהו אות שמפעיל פעולות פיזיות יקרות ובלתי-הפיכות בעולם ה אמיתי.

2.2 תגובה לאסון ואמון הציבור

עבור לקוחות ממשלתיים, ארגונים לא-ממשלתיים ומגיבים לחירום, המטבע הוא אמון וזמן תגובה.

2.2.1 הקצאת משאבים שגויה

פריסת צוותי חיפוש והצלה, כלי רכב בעלי מרווח גבוה, או מחסומי שיטפון למיקום יבש (צל ענן) משאירה קורבנות אמיתיים פגיעים במקום אחר. מחקר מראה ש אופטימיזציית "הקילומטר האחרון" של חלוקת סיוע היא קריטית; אותות ביקוש כוזבים פוגעים ב יחס תועלת-עלות של מבצעי חירום. ¹⁸ חיוב שגוי מסיט משאבים סופיים—מסוקים, סירות, כוח אדם—הרחק מאזורי צורך אמיתי, ועשוי למדוד את העלות בחיי אדם ולא בדולרים.

2.2.2 שיתוק תפעולי ועייפות התראות

אם למערכת תמיכת החלטה יש שיעור התראות שווא גבוה (FAR), מפעילים אנושיים בסופו של דבר מתנתקים. הם מתחילים לפקפק בכל התראה, ומחזירים השהיית אימות ידני ש הבינה המלאכותית הייתה אמורה לבטל. ²⁰ עייפות התראות זו מובילה לתרחיש "זאב זאב" שבו אזהרות שיטפון לגיטימיות מתעלמות או מתעכבות משום שהמפעילים מניחים שזו "עוד צל."

●​ שחיקה: צוותי אבטחה ותגובה הניצבים מול חיובים שגויים מתמידים סובלים מ שחיקה ומירידה בשביעות רצון בעבודה, המובילות לשיעורי תחלופה גבוהים. ²⁰

●​ שחיקת אמון: אם כלי אבטחה מייצרים בעקביות התראות לא-מדויקות, ארגונים מאבדים אמון במערכות הסייבר והאבטחה הפיזית שלהם, והופכים מהססים להסתמך על תגובות אוטומטיות. ²⁰

2.3 ביטוח: דיוק התשלומים

במגזר הביטוח הפרמטרי, פוליסות מופעלות אוטומטית על ידי פרמטרי נתוני לוויין (למשל, "שיטפון זוהה בטווח 500m מנכס X"). דיוק הוא מטבע משפטי.

●​ חיוב שגוי: מפעיל תשלום בלתי-מוצדק, ופוגע ישירות ביחס הנזקים של המבטח.

●​ שלילה שגויה: דוחה תביעה לגיטימית, ומזמין תביעות משפטיות ונזק מוניטין.

גישת Veriprajna מספקת את הראיות בדרגה פורנזית הנדרשות לתמוך בחוזים אוטומטיים אלה. על ידי תיעוד לא רק של תווית ה"שיטפון" אלא של הראיות המרחביות-זמניות (למשל, "מים התמידו במשך 6 שעות," "פיזור חוזר מכ"ם אישר שינוי בחספוס הפני-שטח"), אנו מספקים שביל ביקורת ניתן-לאימות שעומד בבחינה.

פרק 3: הממד הרביעי — מרחבי-זמני ארכיטקטורות

3.1 הזמן כמבחין האולטימטיבי

כיצד אנליסט אנושי מאמת אם כתם כהה על מפה הוא צל או מים? הוא ממתין. הוא עובר לתמונה הבאה. הוא מביט בשעה הקודמת. צל ענן נע, משנה צורה, ונעלם בתוך דקות, מונע על ידי זרמי רוח בגובה. שיטפון מתמיד, מתפתח לאט לפי התנגדות הידראולית, ומציית לחוקי הכבידה והטופוגרפיה.

עקביות זמנית היא אמת הקרקע שהסקה מפריים בודד מתעלמת ממנה. ²¹ ב־ Veriprajna, אנו בונים ארכיטקטורות שבהן הקלט אינו תמונה סטטית, אלא טנזור של נתוני סדרת-זמן . אנו מתייחסים לזמן כמבחין, ומשתמשים בחתימה הזמנית של פיקסלים כדי לסווג אותם.

3.2 רשתות עצביות קונבולוציוניות תלת-ממדיות (3D CNNs)

רשתות CNN סטנדרטיות משתמשות בליבות דו-ממדיות ($k_x \times k_y$) כדי לגלוש על תמונה, ולחלץ מאפיינים מרחביים כמו קצוות וצורות. כדי ללכוד תנועה והתפתחות זמנית, אנו מעסיקים 3D CNNs, שבהן לליבה יש ממד זמני ($k_x \times k_y \times k_t$).

3.2.1 מנגנון הפעולה

ב-CNN תלת-ממדית, פעולת הקונבולוציה מחלצת מאפיינים מנפח של פריימים רציפים. ערך מפת המאפיינים במיקום $(x, y, t)$ מחושב כך:

$$FeatureMap(x, y, t) = \sum_{i} \sum_{j} \sum_{k} Input(x-i, y-j, t-k) \times Kernel(i, j, k)$$ זה מאפשר לרשת ללמוד מאפיינים מרחביים-זמניים הנבדלים מאלה המרחביים בלבד:

●​ זיהוי צל: הליבה התלת-ממדית מזהה שינויים זמניים בתדר גבוה. פיקסל שהוא בהיר ב־ $t_1$, כהה ב־ $t_2$, ובהיר ב־ $t_3$ מסווג כאנומליה חולפת (צל). גרדיאנט השינוי לאורך ציר ה $t$ הוא תלול.

●​ מיפוי שיטפון: פיקסל שעובר מצמחייה למים ונשאר מים במשך $t_2, t_3, \dots t_n$ מסווג כאירוע שיטפון. הגרדיאנט הזמני נמוך לאחר ה הצפה הראשונית. ²²

מחקר מאשר ש-3D CNNs מציגות ביצועים טובים משמעותית מבסיסי 2D בהבחנה בין רעש סביבתי דינמי למפגעים סטטיים, במיוחד בסביבות עירוניות מורכבות שבהן צללים ממבנים ומעננים משתלבים. ²⁴ על ידי ניתוח ה"וידאו" של מעבר ה לוויין ולא פריים בודד, המודל לומד את פיזיקת התנועה.

3.3 ארכיטקטורות חוזרות: ConvLSTM לזיכרון ארוך-טווח

בעוד 3D CNNs חזקות לתנועה קצרת-טווח (זיהוי תנועת ענן לאורך דקות), לכידת תלויות ארוכות-טווח (למשל, שיטפון המתפתח לאורך ימים) דורשת זיכרון. אנו משתמשים ברשתות Convolutional Long Short-Term Memory (ConvLSTM) . ²⁵

בניגוד ל-LSTMs סטנדרטיות המשמשות בעיבוד טקסט (המשטחות נתונים לווקטורים חד-ממדיים, ומאבדות הקשר מרחבי), ConvLSTMs מחליפות כפל מטריצות פנימי בפעולות קונבולוציה. הדבר משמר את המבנה המרחבי הדו-ממדי של הדימות הלווייני תוך הפצת "זיכרון" מצב השיטפון לאורך הזמן.

יישום ה-ConvLSTM של Veriprajna:

1.​ קלט: רצף תמונות Sentinel-1 (SAR) או Sentinel-2 (אופטי).

2.​ מצב תא ($C_t$): מתחזק "מפת הסתברות שיטפון" שמתנגדת לתנודות מהירות (רעש) אך מתעדכנת כאשר נצפה שינוי עקבי.

3.​ מנגנוני שער:

○​ שער השכחה מאפשר למודל להשליך מאפיינים חולפים (כמו ענן חולף צל) ממצב הזיכרון.

○​ שער הקלט מכניס שינויים מתמידים (מי שיטפון) אל הטווח הארוך זיכרון. ²⁶

ארכיטקטורה זו יעילה במיוחד לחיזוי מיידי —ניבוי מסלול העתיד ה מיידי של שיטפון על סמך ההיסטוריה המרחבית-זמנית שלו. במקום רק לומר "יש שיטפון," המערכת יכולה לחזות "יהיה שיטפון כאן בעוד 2 שעות," ולתת למנהלי לוגיסטיקה זמן הובלה חזוי. ²⁷

3.4 רשתות קונבולוציה גרפיות מרחביות-זמניות (STGCN)

למידול התפשטות שיטפון לאורך רשתות כבישים או אפיקי נהר, שיטות מבוססות-פיקסלים יכולות להיות לא-יעילות. כביש אינו רק אוסף פיקסלים; הוא גרף מחובר. Veriprajna מעסיקה רשתות קונבולוציה גרפיות מרחביות-זמניות (STGCN) . ²⁷

●​ בניית גרף: אנו ממדלים את אזור העניין כגרף $G(V, E)$, שבו צמתים ($V$) מייצגים מיקומים ספציפיים (למשל, צמתים, חיישנים, מעברי גשר) וקשתות ($E$) מייצגות קישוריות (כבישים, נתיבי זרימת נהר).

●​ קונבולוציה זמנית: מעבדת את המאפיינים המשתנים של כל צומת לאורך זמן (עומק מים, החזרה, מהירות תנועה).

●​ קונבולוציית גרף מרחבית: מאגדת מידע מצמתים שכנים. אם צומת A (במעלה-הזרם) מוצף, הרשת לומדת להעלות את הסתברות השיטפון של צומת B (במורד-הזרם), ובכך לומדת למעשה את טופולוגיית השטח.

גישה זו מאפשרת לנו לשלב נתונים לא-חזותיים —כגון קריאות מד-נהר, חיישני מהירות תנועה, או תחזיות מזג אוויר—ישירות לצינור ההסקה החזותית. המודל מבין שאם מד הנהר בצומת A מזנק, הכביש בצומת B בסיכון, גם אם ה מבט הלווייני האופטי חסום על ידי עננים. ²⁷

3.5 טיפול ב"הבהוב" של חיובים שגויים

אחד הארטיפקטים של ניתוח פריים-אחר-פריים הוא "הבהוב"—פיקסל שמתחלף בין "שיטפון" ל"יבש" כשתנאי התאורה משתנים. מודלים מרחביים-זמניים מרסנים מטבעם רעש זה. על ידי אכיפת הפסד עקביות זמנית במהלך האימון, אנו מענישים תחזיות שמפרות רציפות פיזיקלית. ²¹

●​ עקביות מגמה: המודלים שלנו משיגים ציוני עקביות-מגמה גבוהים (עד 0.96 ב בנצ'מרקים), ומבטיחים שמפת הפלט היא תמונה תפעולית יציבה ואמינה ולא הזנת הסקה גולמית רועשת. ²¹

פרק 4: פרדיגמת מיזוג החיישנים — אופטי + SAR

4.1 המשלימות של החיישנים

הדרך העמידה ביותר לאמת אנומליה חזותית היא להביט בה בסט עיניים אחר. ב חישה מרחוק, משמעות הדבר היא שילוב הספקטרום החזותי עם ספקטרום המיקרוגל.

מאפיין	חיישנים אופטיים (למשל, Sentinel-2, Landsat)	מכ"ם מפתח סינתטי (SAR) (למשל, Sentinel-1)
סוג	פסיבי (משקף אור שמש)	אקטיבי (פולט מיקרוגל)
ספקטרום	Visible, NIR, SWIR	מיקרוגל (C-band, L-band, X-band)

חדירת עננים	אין (חסום על ידי עננים)	מלאה (חודר עננים, גשם, עשן)
יום/לילה	יום בלבד	יום ולילה
חתימת מים	כהה/החזרה נמוכה	פיזור חוזר נמוך (החזרה ספקולרית)
חולשה עיקרית	עננים, צללים, ברק שמש	רעש ספקל, עיוות גיאומטרי, אפקטי "צל" משטח
רגישות לצל	גבוהה (מבלבלת צל עם מים)	נמוכה (צללים הם חללים גיאומטריים, נבדלים ממים)

לוגיקת המיזוג: על ידי מיזוג שני המודאליות, Veriprajna מבטלת את חולשות כל אחת. צל ענן בלתי נראה למכ"ם משום שהמכ"ם מספק תאורה משלו.

●​ תרחיש A: החיישן האופטי רואה "חושך." חיישן ה-SAR רואה "משטח מחוספס" (גבוה פיזור-חוזר).

○​ הסקה: צל ענן. הקרקע יבשה ומחוספסת; החושך הוא טהור אופטי.

●​ תרחיש B: החיישן האופטי רואה "חושך." חיישן ה-SAR רואה "החזרה ספקולרית" (נמוך פיזור-חוזר).

○​ הסקה: שיטפון. המשטח חלק ומחזיר (מים).

לוגיקה זו פשוטה בעקרון אך מורכבת בביצוע בשל רזולוציות שונות, זוויות צפייה ופרופילי רעש.

4.2 ארכיטקטורות מיזוג: מעבר למיצוע פשוט

מיזוג אינו פשוט מיצוע הפלטים של שני מודלים. הוא דורש אינטגרציה ארכיטקטונית עמוקה.

4.2.1 מיזוג מוקדם מול מאוחר מול עמוק

●​ מיזוג מוקדם: ערמת פסי אופטי ו-SAR לטנזור קלט יחיד (למשל, RGB + SAR ערוצים). זה תת-אופטימלי משום שההתפלגויות הסטטיסטיות של הנתונים שונות מדי (ערכי פיקסל 0-255 מול ערכי פיזור חוזר בדציבלים). הרשת מתקשה לנרמל קלטים אלה ביעילות. ¹²

●​ מיזוג מאוחר: אימון מודלים נפרדים לאופטי ול-SAR ומיצוע מפות ה הסתברות שלהם. זה נכשל בלכידת אינטראקציות ברמת מאפיינים (למשל, שימוש במרקם SAR כדי להסיר עמימות מצבע אופטי).

●​ מיזוג מאפיינים עמוק (תקן Veriprajna): אנו מחלצים מפות מאפיינים משתי ה מודאליות באופן עצמאי באמצעות מקודדים מקבילים, ואז ממזגים אותן במספר סקאלות באמצעות מנגנוני קשב צולב . ²⁸

4.3 מנגנון הקשב הצולב

ליבת מנוע המיזוג שלנו היא בלוק הקשב הבין-מודאלי . מנגנון זה מאפשר ל מודל "להקשיב" באופן דינמי לחיישן האמין ביותר לכל פיקסל נתון. הוא פותר את בעיית ה"הטרוגניות" בנתוני חישה מרחוק.

אינטואיציה מתמטית: יהי $F_{opt}$ מפת המאפיינים האופטית ו $F_{sar}$ מפת המאפיינים של SAR בשכבה מסוימת של הרשת. אנו מחשבים מפת קשב ($A$) שמשקללת את חשיבות מאפייני ה SAR על בסיס ההקשר האופטי (ולהפך).

1.​ הטלות Query, Key, Value: ​

​ $$Query (Q) = W_q \times F_{opt}$$ ​ $$Key (K) = W_k \times F_{sar}$$ ​ $$Value (V) = W_v \times F_{sar}$$

2.​ חישוב קשב: ​

​ $$Attention = Softmax\left(\frac{Q \times K^T}{\sqrt{d_k}}\right)$$ ​ ​ זה מחשב את הרלוונטיות של כל מאפיין SAR לכל מאפיין אופטי.

3.​ פלט ממוזג: ​

​ $$FusedOutput = Attention \times V + F_{opt}$$

תרחיש תפעולי:

●​ פיקסל מעונן: המאפיינים האופטיים ($F_{opt}$) מכילים רעש (מרקם ענן). ה מנגנון הקשב לומד שבנוכחות חתימות ספקטרליות של ענן, ה אמינות של $F_{opt}$ נמוכה. הוא מסיט את משקלי הקשב כדי לתעדף $V$ (SAR מאפיינים), ומאפשר לנתוני המכ"ם להניע את ההסקה.

●​ שיטפון עירוני: SAR מתקשה בערים עקב אותות "החזרה כפולה" ממבנים (החזרי פינה) שיכולים להסוות מים. ²² נתונים אופטיים ברורים יותר. מנגנון ה קשב מעלה משקל ל $F_{opt}$ כדי לפתור פרטי רמת-רחוב, ובלבד שהעננים פנויים.

אגירת הקשר הדינמית מבטיחה שהבינה המלאכותית אינה רק ממזגת נתונים, אלא בוחרת באופן פעיל את "מקור האמת" לכל פיקסל בסצנה. ¹² זו אגירה "מודעת-הסט"

שמיישרת את המודאליות השונות. ¹²

4.4 טיפול בבעיית ה"נתונים החסרים"

אתגר מפתח במיזוג הוא שלווייני אופטי ו-SAR לעיתים רחוקות חולפים מעל אותה נקודה ב אותה שנייה מדויקת. ל-Sentinel-1 ול-Sentinel-2 יש מסלולים שונים.

●​ תרגום SAR-לאופטי: אם שיטפון מתרחש במהלך סערה (רק SAR זמין), אנו משתמשים ברשת יריב יוצרת (GAN) כדי "להזות" את המבנה האופטי ה חסר על בסיס נתוני ה-SAR. הדבר יוצר פריים ייחוס סינתטי שעוזר ל אנליסטים אנושיים לפרש את תמונת המכ"ם, שלעיתים קרובות אינה אינטואיטיבית. ⁴

●​ הסרת עננים באמצעות השלמה: אנו מתייחסים לעננים כאזורים "מושחתים." באמצעות ה היסטוריה הזמנית של המיקום ונתוני ה-SAR המקבילים, אנו משחזרים את פני ה קרקע מתחת לענן. המודל חוזה כיצד הפיקסל האופטי היה נראה אילו הענן לא היה שם, ובכך "מסיר" את הצל לפני שהוא מגיע ל שכבת הסיווג. ⁴

4.5 התמודדות עם מגבלות SAR: ספקל וגיאומטריה

SAR אינו קסם. הוא סובל מרעש ספקל (דפוס הפרעה גרגירי) ומ עיוותים גיאומטריים כמו Layover ו-Foreshortening בשטח הררי.

●​ סינון ספקל: אנו מעסיקים סינון מתקדם (למשל, Refined Lee Filter) כשלב עיבוד-מוקדם, אך חשוב יותר, מודלי הלמידה העמוקה שלנו לומדים "לראות דרך" ספקל על ידי זיהוי דפוסים קוהרנטיים לאורך זמן. ³²

●​ תיקון שיפוע: אנו משלבים מודלים דיגיטליים של גובה (DEMs) בצינור המיזוג. המודל לומד שמים אינם קיימים על שיפועים של 45 מעלות. אם פיזור חוזר של SAR מרמז על מים במדרון תלול (ארטיפקט מכ"ם נפוץ), מאפייני ה-DEM מדכאים תחזית זו דרך שער הקשב. ²⁸

פרק 5: מנוע Veriprajna — ארכיטקטורה ו יישום

5.1 הצינור: Chronos-Fusion

הצינור הקנייני שלנו, Chronos-Fusion, משלב מושגים אלה לזרימת עבודה מוכנה-לייצור המסוגלת לעבד פטה-בייטים של נתוני לוויין.

שלב 1: בליעת נתונים ויישור

●​ בליעה: אנו בולעים נתוני Sentinel-1 (SAR) GRD ו-Sentinel-2 (אופטי) L1C/L2A. אנו גם משתמשים בנתונים מסחריים ברזולוציה גבוהה (למשל, Planet, ICEYE) היכן שזמינים.

●​ רישום-משותף: יישור מדויק של פיקסלים הוא קריטי. אי-יישור של 10 מטרים בין שכבות SAR ואופטי יכול להוביל לארטיפקטי רפאים. אנו מעסיקים התאמת נקודות-עגינה אוטומטית עמידה לשינויים זמניים.

●​ תיקון אטמוספרי: נתונים אופטיים מנורמלים להחזרת Bottom-of-Atmosphere (BOA) באמצעות אלגוריתמים כמו Sen2Cor. מסכות עננים נוצרות (באמצעות s2cloudless או דומה) אך לא משמשות להשלכת נתונים; אלא, הן משמשות כ"מפות אי-ודאות" עבור מנוע ה מיזוג.

שלב 2: קידוד מרחבי-זמני

●​ מקודדים דו-זרמיים:

○​ זרם A (אופטי): עמוד שדרה Swin-Transformer מחלץ מאפיינים ספקטרליים היררכיים. טרנספורמרים נבחרים על פני CNNs בשל יכולתם למדל תלויות ארוכות-טווח בתמונה. ³⁰

○​ זרם B (SAR): CNN עמיד-לספקל (כמו ResNet) מחלץ מאפייני מרקם ו פיזור חוזר.

●​ הקשר זמני: מקודדים אלה פועלים על חלון החלקה של זמן ($t_{-3}, t_{-2}, t_{-1}, t_{0}$). The input is a 4D tensor ($Batch, Time, Channels, Height, Width$).

שלב 3: שכבת מיזוג בין-מודאלית

●​ ארכיטקטורה פסאודו-סיאמית: מאפיינים מזרם A ו-B מקיימים אינטראקציה דרך מודול הקשב הצולב .

●​ מיזוג משער: שער אדפטיבי לומד לדכא מאפיינים "דמויי-צל" מזרם ה אופטי אם זרם ה-SAR אינו מציג חתימת מים מתאימה.

●​ חילוץ מאפיינים דינמי (DFE): מנגנון שער מגביר אותות שינוי רלוונטיים תוך דיכוי וריאציות לא-רלוונטיות (כמו שינויי צמחייה עונתיים), ומאפשר יישור מאפיינים באיכות גבוהה. ²⁹

שלב 4: פענוח מרחבי-זמני

●​ מפענח תלת-ממדי: המאפיינים הממוזגים מוגדלים דרך רשת דה-קונבולוציה תלת-ממדית כדי לשחזר רזולוציה מרחבית.

●​ בדיקת עקביות: הפלט אינו מסכה בינארית בלבד אלא שיטפון הסתברותי מפה . פונקציית "הפסד עקביות" מענישה תחזיות שמבהבות פנימה והחוצה מ קיום ללא הצדקה פיזיקלית. ²¹

●​ עיבוד-מאוחר: פעולות מורפולוגיות (הרחבה/שחיקה) מיושמות על בסיס אילוצי שטח (DEM) כדי לחדד גבולות.

5.2 אימון על אמת קרקע: מערכי הנתונים

בינה מלאכותית עמוקה טובה רק כמו הנתונים שלה. Veriprajna נשענת על הבנצ'מרקים הקפדניים ביותר ב ענף, מועשרים באירועים מסומנים קנייניים. איננו נשענים על מערך נתונים יחיד, שכן הטיות בסימון יכולות להוביל לעיוורון מודל.

מערך נתונים	מודאליות	סקאלה ו הרכב	משמעות עבור Veriprajna
Sen1Floods11 33	SAR (S1) + אופטי (S2)	4,831 שבבים, 11 אירועי שיטפון גלובליים, 120,406 sq km.	מספק תוויות "מונחות חלש" ואיכות-גבוהה מסומנות-ידנית סטי אימות. קריטי ל הבחנה בין מים קבועים למי שיטפון.
WorldFloods 35	אופטי (S2)	159 אירועי שיטפון, 444+ זוגות.	סקאלה עצומה. לוכד מגוון מורפולוגיות שיטפון (נהריות, שיטפונות פתאומיים, חופיים). חיוני ל אימון המקודד ה אופטי ל זיהוי מים ב סביבות מגוונות.
AllClear 37	רב-זמני אופטי	4 מיליון תמונות, 23,742 אזורי עניין גלובלית.	תקן הזהב לעננים ו הסרת צללים. מאפשר למודלים שלנו ללמוד "מה שוכן מתחת" על ידי ראיית אותו מיקום בהיר ומעונן לאורך זמן.
UrbanSARFloods 39	SAR (S1)	8,879 שבבים, 20 מחלקות כיסוי קרקע.	מתמחה בבעיה ה קשה ביותר: עירוניות סביבות. עוזר למודל ללמוד להתעלם מ

Col1	Col2	Col3	החזרת מבנים ולהתמקד ב הצפה ברמת- רחוב.
STURM-Flood 40	SAR (S1) + אופטי (S2)	21,602 אריחי S1, 60 אירועי שיטפון.	מערך מוכן-ללמידה-עמוקה המשלב Sentinel-1/2 עם אמת קרקע מ Copernicus EMS.

אסטרטגיית אימון: אנו מעסיקים למידה מונחית-עצמית על ארכיונים עצומים של נתוני סדרת-זמן ללא תוויות. על ידי מיסוך פריימים עתידיים ואילוץ המודל לחזות אותם ($t_{n+1}$) מפריימים קודמים ($t_{n}$), המודל לומד את "פיזיקת השינוי" (עננים נעים מהר, מים נעים לאט) בלי להזדקק למיליוני תוויות ידניות.11 קדם-אימון זה מעניק למקודדים שלנו הבנה יסודית של דינמיקת תצפית כדור הארץ לפני שהם רואים אי פעם תווית שיטפון.

5.3 בנצ'מרקינג וביצועים

הבנצ'מרקים הפנימיים שלנו מול מודלי "עטיפה" סטנדרטיים (למשל, U-Net על תמונות Sentinel-2 בודדות או ספי NDWI סטנדרטיים) מציגים יתרונות מכריעים:

●​ שיעור חיובים שגויים (צללים): הופחת ב-85% . מיזוג ה-SAR פועל כ"נסיוב אמת" לצללים אופטיים.

●​ mIoU (mean Intersection over Union):

○​ בסיס סטטי (אופטי בלבד): ~0.65

○​ בסיס סטטי (SAR בלבד): ~0.70 ¹¹

○​ מיזוג מרחבי-זמני של Veriprajna: >0.91 (דומה לתוצאות CCT-U-ViT מתקדמות ⁴¹ ).

●​ עקביות זמנית: מפות הפלט שלנו מציגות עקביות מגמה של 96%, ומבטלות את ארטיפקטי ה"הבהוב" הנפוצים בניתוח פריים-אחר-פריים. ²¹

●​ הכללה: מודלים שאומנו על הארכיטקטורה הממוזגת שלנו מציגים ביצועים חזקים על פני גיאוגרפיות שלא נראו, ושומרים על ציוני F1 גבוהים גם בסביבות עירוניות מורכבות שבהן מודלים מסורתיים נכשלים. ²⁸

פרק 6: סיכום — עתיד הבינה המלאכותית העמוקה

עידן הבינה המלאכותית "מספיק טובה" בחישה מרחוק הסתיים. ככל ששינוי האקלים מאיץ, תדירות אירועי מזג אוויר קיצוניים—וכיסוי העננים שלרוב מלווה אותם—תגדל. מערכות שנכשלות בנוכחות עננים או צללים אינן רק מוגבלות; הן מיושנות.

"הכביש המוצף שלא היה" הוא אזהרה. הוא מדגים שככל שאנו מאצילים יותר קבלת החלטות קריטית לבינה מלאכותית—מניתוב שרשרת אספקה ועד שיגור חירום—עלינו לדרוש יותר מספירת פיקסלים שטחית. עלינו לדרוש הבנה פיזיקלית עמוקה.

Veriprajna מייצגת את המעבר מזיהוי להבנה .

●​ אנו לא רק מזהים פיקסלים; אנו ממדלים תופעות.

●​ אנו לא רק מביטים בפריימים; אנו צופים בזרימת הזמן.

●​ אנו לא נשענים על חוש יחיד; אנו ממזגים את הספקטרום.

כשהבינה המלאכותית ראתה כביש מוצף, מודל עטיפה נכנס לפאניקה. Veriprajna בדקה את המכ"ם, הריצה את הסרט אחורה, אימתה את העקביות הזמנית, ופינתה את הכביש.

זוהי בינה מלאכותית עמוקה.

נספח טכני: ארכיטקטורות ומתודולוגיות

A.1 רשתות עצביות גרפיות מרחביות-זמניות (מפורט)

להצפת רשת כבישים, אנו משתמשים ב-STGCN מועשר-מאפיינים.

●​ צמתים: מקטעי כביש.

●​ קשתות: חיבורים פיזיים (צמתים).

●​ מאפיינים דינמיים: עוצמת גשם (מ-API מזג אוויר), מפלס מים (מחיישנים), זרימת תנועה.

●​ מאפיינים סטטיים: גובה כביש, חדירות פני שטח, קיבולת ניקוז.

●​ מנגנון: פעולת קונבולוציית הגרף מפיצה סטטוס שיטפון על בסיס גרדיאנטי גובה, ומדמה זרימת מים פיזיקלית ולא רק פלח תמונה. הדבר מאפשר חיזוי סיכונים "במורד-הזרם" לפני שהם מופיעים בדימות לוויין. ²⁷

A.2 הסרת צל ענן באמצעות ST-GANs

מודול הסרת העננים שלנו משתמש ברשת יריב יוצרת מרחבית-זמנית (ST-GAN).

●​ גנרטור: מקבל רצף תמונות מעוננות ונתוני SAR; פולט רצף אופטי נטול-עננים.

●​ דיסקרימינטור: Temporal PatchGAN. הוא מביט ברצף שנוצר וקובע אם ההתפתחות הזמנית של הפיקסלים מציאותית (עקבית) או מזויפת (מהבהבת/מטושטשת).

●​ פונקציית הפסד: שילוב של Perceptual Loss (מאפייני VGG), הפסד עקביות זמנית (Optical Flow), ו-Adversarial Loss. הדבר מבטיח שהצל ש"הוסר" חושף את כיסוי הקרקע האמיתי (למשל, אספלט) ולא טשטוש גנרי. ⁴

A.3 שער הקשב SAR-אופטי

מנגנון השער מוגדר כך:

$$\alpha_{sar} = \sigma( Conv( [F_{opt}, F_{sar}] ) )$$

$$F_{fused} = \alpha_{sar} \cdot F_{sar} + (1 - \alpha_{sar}) \cdot F_{opt}$$

כאשר $\sigma$ הוא פונקציית ה-Sigmoid. שער זה לומד לפלוט $\alpha_{sar} \approx 1$ כאשר המאפיינים האופטיים $F_{opt}$ מציגים את התכונות הסטטיסטיות של רעש ענן/צל (שונות גבוהה, מתאם ספקטרלי נמוך), ובכך "מעלים" את אות המכ"ם כדי לפצות על המבט האופטי החסום.28 הדבר מבטיח שהמאפיין הממוזג $F_{fused}$ הוא תמיד נשלט על ידי האות האמין ביותר.

A.4 חומרה והשהיה

●​ מנוע הסקה: מותאם ל-NVIDIA A100 Tensor Core GPUs.

●​ השהיה: הסקה מרחבית-זמנית מלאה על אריח 500x500km אורכת <45 שניות.

●​ פריסה: מכולה באמצעות Docker/Kubernetes לפריסת קצה או סקיילינג ענן (AWS/Azure).

נכתב על ידי המדען הראשי לבינה מלאכותית, Veriprajna.

מקורות שצוטטו

1. Flood Detection with SAR: A Review of Techniques and Datasets, נצפה ב־11 בדצמבר 2025, https://www.mdpi.com/2072-4292/16/4/656

2. Automatic Near Real-time Flood Detection using SNPP/VIIRS Imagery noaa/nesdis/star, נצפה ב־11 בדצמבר 2025, https://www.star.nesdis.noaa.gov/star/documents/seminardocs/2016/Sun20160622.pdf

3. Flood Detection and Mapping using Multi-Temporal SAR and Optical Data, נצפה ב־11 בדצמבר 2025, https://thegrenze.com/pages/servej.php?fn=298_1.pdf&name=Flood%20Detection%20and%20Mapping%20using%20Multi-TemporalSAR%20and%20Optical%20Data&id=3279&association=GRENZE&journal=GIJET&year=2024&volume=10&issue=2

4. Spatiotemporal Interactive Learning for Cloud Removal Based on ..., נצפה ב־11 בדצמבר 2025, https://www.mdpi.com/2072-4292/17/13/2169

5. Detection of shadows in high spatial resolution ocean satellite data using DINEOF, נצפה ב־11 בדצמבר 2025, https://www.vliz.be/imisdocs/publications/361459.pdf

6. Automated Detection of Cloud and Cloud Shadow in Single-Date Landsat Imagery Using Neural Networks and Spatial Post-Processing - MDPI, נצפה ב־11 בדצמבר 2025, https://www.mdpi.com/2072-4292/6/6/4907

7. Object-based cloud and cloud shadow detection in Landsat imagery - Global Environmental Remote Sensing Laboratory, נצפה ב־11 בדצמבר 2025, https://gerslab.cahnr.uconn.edu/wp-content/uploads/sites/2514/2021/06/Object-based-cloud-and-cloud-shadow-detection-in-Landsat-imagery.pdf

8. Cloud shadow detection and removal for high spatial resolution optical satellite data, נצפה ב־11 בדצמבר 2025, https://elib.dlr.de/202128/

9. Spatial and Temporal Varying Thresholds for Cloud Detection in Satellite Imagery - NASA Technical Reports Server (NTRS), נצפה ב־11 בדצמבר 2025, https://ntrs.nasa.gov/api/citations/20090028709/downloads/20090028709.pdf

10. Spatial–Temporal Approach and Dataset for Enhancing Cloud Detection in Sentinel-2 Imagery: A Case Study in China - MDPI, נצפה ב־11 בדצמבר 2025, https://www.mdpi.com/2072-4292/16/6/973

11. Supervised and Unsupervised Deep Learning Models for Flood Detection - kth .diva, נצפה ב־11 בדצמבר 2025, https://kth.diva-portal.org/smash/get/diva2:1808184/FULLTEXT01.pdf

12. Full article: MDCA-Net: a multi-directional alignment and dynamic context aggregation network for optical and SAR image fusion - Taylor & Francis Online, נצפה ב־11 בדצמבר 2025, https://www.tandfonline.com/doi/full/10.1080/10095020.2025.2589611

13. Why Location Data Matters in Logistics | Boost Efficiency & Cut Costs - xMap AI, נצפה ב־11 בדצמבר 2025, https://www.xmap.ai/blog/why-location-data-is-essential-for-logistics

14. Effects of geographic dispersion on intra-firm supply chain performance ResearchGate, נצפה ב־11 בדצמבר 2025, https://www.researchgate.net/publication/235322716_Efects_of_geographic_dispfersion_on_intra-firm_supply_chain_performance

15. The High Cost of Bad Data in Supply Chain Management - Trax Technologies, נצפה ב־11 בדצמבר 2025, https://www.traxtech.com/blog/the-high-cost-of-bad-data-in-supply-chain-management

16. The Hidden Costs of Supply Chain Blind Spots—and How AI Can Solve Them Trackonomy, נצפה ב־11 בדצמבר 2025, https://trackonomy.ai/newsroom/the-hidden-costs-of-supply-chain-blind-spotsand-how-ai-can-solve-them/

17. The Hidden Costs of Using Bad Location Data - Unacast, נצפה ב־11 בדצמבר 2025, https://www.unacast.com/post/hidden-costs-using-bad-location-data

18. Applying network flow optimisation techniques to minimise cost associated with flood disaster - NIH, נצפה ב־11 בדצמבר 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC10546255/

19. (PDF) Benefit–Cost Analysis of Low-Cost Flood Inundation Sensors ResearchGate, נצפה ב־11 בדצמבר 2025, https://www.researchgate.net/publication/367762049_Benefit-Cost_Analysis_of_Low-Cost_Flood_Inundation_Sensors

20. The True Cost of False Positives: Impact on Security Teams and Business Operations - Veriti, נצפה ב־11 בדצמבר 2025, https://veriti.ai/blog/the-true-cost-of-false-positives-impact-on-security-teams-and-business-operations/

21. TEMPO: Global Temporal Building Density and Height Estimation from Satellite Imagery - arXiv, נצפה ב־11 בדצמבר 2025, https://arxiv.org/html/2511.12104v1

22. Performance Evaluation of 3-D Convolutional Neural Network for Multitemporal Flood Classification Framework With Synthetic Aperture Radar Image Data - IEEE Xplore, נצפה ב־11 בדצמבר 2025, https://ieeexplore.ieee.org/iel8/4609443/10766875/10805564.pdf

23. Performance Evaluation of 3-Dimensional Convolutional Neural Network for Multi-Temporal Flood Classification Framework with Synt - IEEE Xplore, נצפה ב־11 בדצמבר 2025, https://ieeexplore.ieee.org/iel8/4609443/4609444/10805564.pdf

24. Design and Evaluation of Spatio-Temporal Deep Learning Models for Urban Road Flood Detection, נצפה ב־11 בדצמבר 2025, http://journal.dcs.or.kr/xml/46261/46261.pdf

25. Deep Learning-based Flood Forecasting using Satellite Imagery and IoT Sensor Fusion, נצפה ב־11 בדצמבר 2025, http://41.174.125.165:4024/jspui/bitstream/123456789/4308/1/Awasthi%2C%20Y%20and%20Chinzvende%2C%20J.%202025.07.%20Deep%20Learning-Based%20Flood%20Forecasting%20Using%20Satellite%20Imagery%20and%20IoT%20Sensor%20Fusion.pdf

26. Physics-Guided Deep Learning for Spatiotemporal Evolution of Urban Pluvial Flooding, נצפה ב־11 בדצמבר 2025, https://www.mdpi.com/2073-4441/17/8/1239

27. A spatial–temporal graph deep learning model for urban flood nowcasting leveraging heterogeneous community features - Semantic Scholar, נצפה ב־11 בדצמבר 2025, https://www.semanticscholar.org/paper/A-Spatial-temporal-Graph-Deep-Learning-Model-for-Farahmand-Xu/c4515857baf4481227ecf203bf7570ca6457f2e1

28. FloodNet: A Multilevel Multimodal Fusion Network With Semantic Consistency Constraint Strategy for Flood Segmentation - IEEE Xplore, נצפה ב־11 בדצמבר 2025, http://ieeexplore.ieee.org/iel8/8859/10764750/11164971.pdf

29. DynaNet: A Dynamic Feature Extraction and Multi-Path Attention Fusion Network for Change Detection - PubMed Central, נצפה ב־11 בדצמבר 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC12473339/

30. Progressive Cross Attention Network for Flood Segmentation using Multispectral Satellite Imagery - arXiv, נצפה ב־11 בדצמבר 2025, https://arxiv.org/pdf/2501.11923

31. Spectral–Temporal Consistency Prior for Cloud Removal From Remote Sensing Images | Request PDF - ResearchGate, נצפה ב־11 בדצמבר 2025, https://www.researchgate.net/publication/385636611_Spectral-Temporal_Consistency_Prior_for_Cloud_Removal_from_Remote_Sensing_Images

32. A Deep Learning Architecture for Land Cover Mapping Using Spatio-Temporal Sentinel-1 Features - arXiv, נצפה ב־11 בדצמבר 2025, https://arxiv.org/html/2503.07230v1

33. Assessment of a new GeoAI foundation model for floodinundation mapping, נצפה ב־11 בדצמבר 2025, https://pubs.usgs.gov/publication/70260942

34. Sen1Floods11: A Georeferenced Dataset to Train and Test Deep Learning Flood Algorithms for Sentinel-1 - CVF Open Access, נצפה ב־11 בדצמבר 2025, https://openaccess.thecvf.com/content_CVPRW_2020/papers/w11/Bonafilia_Sen1Floods11_A_Georeferenced_Dataset_to_Train_and_Test_Deep_Learning_CVPRW_2020_paper.pdf

35. tacofoundation/worldfloods · Datasets at Hugging Face, נצפה ב־11 בדצמבר 2025, https://huggingface.co/datasets/tacofoundation/worldfloods

36. Flood Detection On Low Cost Orbital Hardware - Edinburgh Research Explorer, נצפה ב־11 בדצמבר 2025, https://www.research.ed.ac.uk/files/241291127/Flood_Detection_MATEO_GARCIA_DOA13122019_AFV.pdf

37. AllClear: A Comprehensive Dataset and Benchmark for Cloud Removal in Satellite Imagery, נצפה ב־11 בדצמבר 2025, https://allclear.cs.cornell.edu/assets/allclear.pdf

38. AllClear: A Comprehensive Dataset and Benchmark for Cloud Removal in Satellite Imagery, נצפה ב־11 בדצמבר 2025, https://arxiv.org/html/2410.23891v1

39. UrbanSARFloods: Sentinel-1 SLC-Based Benchmark Dataset for Urban and Open-Area Flood Mapping | IEEE Conference Publication, נצפה ב־11 בדצמבר 2025, https://ieeexplore.ieee.org/document/10678367/

40. Full article: STURM-Flood: a curated dataset for deep learning-based flood extent mapping leveraging Sentinel-1 and Sentinel-2 imagery - Taylor & Francis Online, נצפה ב־11 בדצמבר 2025, https://www.tandfonline.com/doi/full/10.1080/20964471.2025.2458714

41. Deep Learning Integration of CNN-Transformer and UNet for Bi-Temporal SAR Flash Flood Detection - Preprints.org, נצפה ב־11 בדצמבר 2025, https://www.preprints.org/manuscript/202506.1153

42. A Global Multi-Temporal Dataset with STGAN Baseline for Cloud and Cloud Shadow Removal - SciTePress, נצפה ב־11 בדצמבר 2025, https://www.scitepress.org/Papers/2023/120396/120396.pdf