De schaduw is niet het water: voorbij enkel-frame-inferentie in enterprise overstromingsintelligentie

Managementsamenvatting

De illusie van intelligentie in het tijdperk van wrappers

In het snel evoluerende landschap van artificial intelligence is een gevaarlijke dichotomie ontstaan, die oppervlakkige implementatie scheidt van diep, structureel engineeringwerk. Aan de ene kant is de markt verzadigd met "wrapper"-oplossingen—dunne applicatielagen die prompts doorgeven aan gegeneraliseerde Large Language Models (LLM's) of voorgetrainde computer vision-API's. Deze systemen, hoewel toegankelijk, verschillen weinig van eenvoudige zoekmachines of probabilistische token- voorspellers; ze ontberen causaal redeneren en fysische verankering. Aan de andere kant ligt Deep AI : doelgebouwde, architectonisch nieuwe systemen ontworpen om de fysica, causaliteit en temporele continuïteit van de echte wereld te modelleren.

Het onderscheid tussen deze twee benaderingen is niet louter academisch; het is operationeel, financieel, en soms existentieel. De oorsprong van dit whitepaper ligt in een specifieke, terugkerende faalmodus van standaard computer vision die dient als een krachtige metafoor voor de beperkingen van de industrie: de "overstroomde weg" die het niet was.

Neem een standaard computer vision-model, ingezet door een logistiek conglomeraat om aanvoerroutes via satellietbeelden te monitoren. Het model verwerkt een frame van een kritieke snelweg. Het detecteert een donkere, amorfe vorm die het asfalt overspant. De trainingsdata, zwaar bevooroordeeld naar statische pixelwaarden en eenvoudige randdetectie, correleert lage reflectantie met water. Het systeem markeert de weg als "Overstroomd." Geautomatiseerde protocollen grijpen onmiddellijk in. Omleidings- algoritmen leiden een vloot trucks om naar secundaire wegen, wat honderden kilometers toevoegt aan de reis. Just-in-time-leveringsvensters worden gemist. Bedrijfbaar vrachtgoed degradeert. De financiële impact wordt gemeten in honderdduizenden dollars.

De realiteit? De weg was droog. Een cumuluswolk, drijvend op 2,000 meter, wierp een schaduw die de AI, gevangen in één enkel moment in de tijd— enkel-frame-inferentie —hallucineerde als een overstroming.

Dit falen is de achilleshiel van moderne remote-sensing-AI. ¹ Wanneer een AI de wereld ziet als een onsamenhangende verzameling snapshots, ontbreekt het temporele context om een voorbijgaande schaduw te onderscheiden van een aanhoudende inundatie. Het ontbeert de multisensorische diepte om "door" de wolk te "kijken" die de schaduw wierp.

De Veriprajna-benadering

Veriprajna bestaat om het "wolkenschaduw"-probleem op te lossen—niet alleen als een letterlijk vraagstuk van meteorologische interferentie, maar als een bepalende uitdaging voor enterprise-grade AI. Wij bouwen geen wrappers. Wij bouwen spatiotemporele architecturen die tijd behandelen als een fundamenteel kenmerk van de werkelijkheid, niet als een artefact van dataverzameling. Wij fuseren optische data met Synthetic Aperture Radar (SAR), waarbij de visuele context van het menselijk oog wordt gecombineerd met de wolkendringende fysica van microgolf-radar. ³

Dit whitepaper beschrijft de engineeringfilosofie en technische architectuur achter Veriprajna’s Deep AI-oplossingen. We onderzoeken waarom statische modellen falen, de fysica van spectrale misleiding, en de rigoureuze wiskunde van onze propriëtaire spatiotemporele fusie-engines. We laten zien hoe het integreren van cross-attention-mechanismen, 3D Convolutional Neural Networks (3D-CNN's) en fysica-gestuurd leren ons in staat stelt enterprise-grade overstromings- intelligentie te leveren die de schaduw van het water onderscheidt met ongekende nauwkeurigheid.

Sectie 1: De fysica van misleiding — waarom oppervlakkige AI faalt

1.1 De spectrale val: wanneer duisternis diepte nabootst

Om te begrijpen waarom generieke AI-modellen falen bij overstromingsdetectie, moet men eerst de fysica van remote sensing begrijpen. Optische satellietbeelden, zoals die van de Sentinel-2- of Landsat-constellaties, vangen gereflecteerde zonnestraling over verschillende golflengten. Water is van nature een sterke absorber van near-infrared (NIR) en shortwave infrared (SWIR)- straling. ² Bijgevolg verschijnt water in een standaard false-color-compositie of zelfs een berekende index zoals de Normalized Difference Water Index (NDWI) donker of bijna zwart.

Water is echter niet de unieke eigenaar van "duisternis" in het spectrale domein. Wolkenschaduwen, terreinschaduwen geworpen door steile topografie, en donkere antropogene oppervlakken zoals vers asfalt leiden eveneens tot lage radiance-waarden die de sensor bereiken.

1.1.1 De enkel-frame-blinde vlek

Een Convolutional Neural Network (CNN) getraind op enkele statische beelden opereert op ruimtelijke kenmerken —texturen, randen en pixelintensiteiten. Wanneer een wolkenschaduw over een weg of een veld valt, vertoont het resulterende pixelcluster kenmerken die gevaarlijk lijken op overstromingswater:

1.​ Lage SWIR-reflectantie: Net als water absorberen of verduisteren schaduwen het licht dat normaal van de grond zou weerkaatsen. ²

2.​ Amorfe grenzen: Schaduwen hebben vaak zachte, onregelmatige randen die de spreidingspatronen van water over oneffen terrein nabootsen.

3.​ Textuuronderdrukking: Schaduwen verbergen de onderliggende textuur van het land (bijv. gewasrijen, wegmarkeringen), net zoals troebel water dat doet. ⁵

Voor een enkel-frame-model is de wiskundige afstand tussen de featurevector van een "Wolken- schaduw" en een "overstroomd veld" minimaal. ² Zonder externe context maximaliseert het model zijn kansfunctie op basis van de beperkte beschikbare data. In scenarios voor rampenbestrijding worden loss- functies vaak gewogen om fout-negatieven (een overstroming missen) zwaarder te bestraffen dan fout- positieven. Dit leidt tot modellen die overhaast triggeren, en elke donkere vlek als een inundatie classificeren om een catastrofe niet te missen.

Onderzoek wijst uit dat wolkenschaduwen de "grootste uitdaging" vormen voor automatische near- real-time overstromingsdetectie met optische satellietbeelden. ² In hogeresolutiedatasets verschijnen schaduwen niet alleen als randkenmerken rond wolken, maar als losstaande kenmerken—van verspreide cumuluswolken of contrails op grote hoogte—die geen spectrale verbinding hebben met de wolk die ze wierp binnen het bijgesneden frame. ⁵ Deze scheiding maakt eenvoudige geometrische projectiemethoden (proberen te raden waar de schaduw ligt op basis van de zonhoek en wolk- positie) faalgevoelig, vooral wanneer de wolkhoogte onbekend of variabel is. ⁷

1.2 Het falen van conventionele masking

Traditionele remote sensing steunt op algoritmische maskers zoals Fmask (Function of mask) om wolken en schaduwen te identificeren vóór analyse. Deze regelgebaseerde systemen steunen op thermische banden en helderheidsdrempels. ⁸ Deze methoden zijn echter bros:

●​ Thermische ambiguïteit: Dunne cirruswolken of kleine cumuluswolken zijn mogelijk niet koud genoeg om thermische drempels te triggeren, en toch werpen ze duidelijke schaduwen.

●​ Geometrische aannames: Algoritmen nemen vaak een constante lapse rate of wolkhoogte aan om schaduwlocaties te projecteren. Als de wolk lager of hoger is dan de aanname, is de voorspelde schaduwlocatie verkeerd, waardoor de werkelijke schaduw ongemaskeerd blijft en kans loopt te worden verkeerd geclassificeerd als water. ⁷

●​ Spectrale verwarring: In stedelijke gebieden of over donkere vegetatie is de spectrale signatuur van een schaduw niet te onderscheiden van de achtergrondruis, wat leidt tot "zout-en-peper"- ruis in de classificatiemaskers. ¹⁰

Een "wrapper"-AI-oplossing die op deze upstream-maskers steunt, erft al hun fouten. Als Fmask er niet in slaagt een schaduw te labelen, zal het downstream-segmentatiemodel—dat de input als ground truth behandelt—die zelfverzekerd als overstroming labelen. Dit is het "Garbage In, Garbage Out"-principe versterkt door de neiging van deep learning om overmoedig te zijn in zijn voorspellingen.

1.3 De beperkingen van "wrapper"-architecturen

De markt is momenteel overspoeld met "AI-oplossingen" die in wezen wrappers zijn rond general-purpose foundation models. Een "wrapper"-benadering van overstromingsdetectie kan inhouden dat men een voorgetraind imagesegmentatiemodel (zoals het Segment Anything Model - SAM of een generieke U-Net) neemt en het fine-tunet op een kleine dataset van watermaskers.

Hoewel deze aanpak indrukwekkende demonstraties en hoge precisie oplevert op gecureerde validatiesets, faalt ze in productieomgevingen omdat:

1.​ Gebrek aan fysica-embeddings: Deze modellen begrijpen het radiometrische verschil tussen een schaduw en water niet; ze kennen alleen visuele gelijkenis. ¹ Het zijn patroonmatchers, geen fysicasimulators.

2.​ Temporele amnesie: Ze verwerken Image $t$ zonder enige kennis van Image $t-1$. Ze kunnen niet zien dat het "water" bewoog met 50 km/h (de snelheid van de wolk), wat fysisch onmogelijk is voor overstromingswater. ⁴

3.​ Sensoragnosticisme: Ze behandelen Synthetic Aperture Radar (SAR) en optische data vaak als louter "plaatjes," waarbij ze de onderscheiden fysische eigenschappen (backscatter vs. reflectantie) negeren die fusie krachtig maken. Een wrapper zou een SAR-beeld in een model kunnen voeden dat is getraind op optische data, hopend op transfer learning, maar negerend dat radar-speckle-ruis fundamenteel anders is dan optische Gaussische ruis. ¹²

Veriprajna verwerpt deze oppervlakkige aanpak. Wij erkennen dat om het probleem van de "overstroomde weg die het niet was" op te lossen, we systemen moeten engineeren die de wereld in vier dimensies (ruimte + tijd) en over het elektromagnetische spectrum waarnemen.

Sectie 2: De prijs van de illusie — economische en operationele impact

Het falen om een schaduw van een overstroming te onderscheiden is niet louter een technische glitch; het is een economische bloeding. In enterprise-omgevingen is de kost van een fout-positief zelden nul. Het cascadeert door toeleveringsketens, vervormt risicomodellen en erodeert vertrouwen in geautomatiseerde systemen.

2.1 Logistiek en verstoring van de toeleveringsketen

Moderne toeleveringsketens opereren op flinterdunne efficiëntiemarges, vaak met Just-In-Time- (JIT)-leveringsprotocollen. Route-optimalisatiealgoritmen steunen op accurate, real-time graafdata over de beschikbaarheid van het wegennet.

2.1.1 De omleidingsboete

Een vals overstromingsalarm op een hoofdader dwingt algoritmen omwegen te berekenen. Als een vloot van 50 trucks 100km wordt omgeleid vanwege een fantoomoverstroming, is de brandstof- en arbeidsvariantie onmiddellijk.

●​ Directe kosten: Brandstofverbruik stijgt; chauffeururen (en mogelijke overuren) stapelen zich op.

●​ Opportunitykosten: Trucks die vertraagd raken op omwegen missen hun slottijden bij distributie- centra, wat leidt tot cascaderende vertragingen voor volgende ladingen.

●​ Optimalisatiefalen: Route-optimalisatie kan transportkosten met tot 15% verlagen en brandstofverbruik met 25%. ¹³ Het invoeren van valse constraints (geblokkeerde wegen) dwingt de optimizer in suboptimale lokale minima, waardoor deze efficiënties tenietgaan.

2.1.2 Voorraadstagnatie en het Bullwhip-effect

Magazijn- en logistieke administratiekosten stijgen met geografische spreiding en vertragingen. ¹⁴ Valse data injecteert kunstmatige frictie in deze systemen. Kritischer nog: een vermeende verstoring bij een lokaal knooppunt (een "overstroomd" magazijn of weg) kan het Bullwhip-effect triggeren. Upstream- leveranciers, die een leveringsfalen anticiperen, kunnen paniekbestellen of grondstoffen hamsteren. Deze reactieve overcompensatie destabiliseert de hele keten, wat leidt tot opgeblazen voorraden en kapitaal vast in onnodige stock. ¹⁵

Studies wijzen uit dat slechte locatiedata—inclusief valse milieugevaren—bedrijven jaarlijks miljarden kan kosten in verspilde beweging en voorraadbuffers. ¹⁵ Een fout-positief is niet louter een verkeerd label; het is een signaal dat dure, onomkeerbare fysieke acties in de echte wereld.

2.2 Rampenbestrijding en publiek vertrouwen

Voor overheidscliënten, ngo's en hulpdiensten is de valuta vertrouwen en respons- tijd.

2.2.1 Misallocatie van middelen

Het inzetten van search-and-rescue-teams, voertuigen met hoge bodemvrijheid of overstromingsbarrières op een droge locatie (een wolkenschaduw) laat echte slachtoffers elders kwetsbaar. Onderzoek toont dat het optimaliseren van de "Last Mile" van hulpdistributie kritiek is; valse vraag-signalen degraderen de baten-kostenverhouding van noodoperaties. ¹⁸ Een fout-positief leidt eindige middelen—helikopters, boten, personeel—weg van gebieden van werkelijke nood, waarbij de kost potentieel in levens wordt gemeten in plaats van in dollars.

2.2.2 Operationele verlamming en alertmoeheid

Als een decision-supportsysteem een hoog false alarm rate (FAR) heeft, haken menselijke operators uiteindelijk af. Ze beginnen elk alert in twijfel te trekken, waardoor handmatige verificatielatentie opnieuw wordt ingevoerd die de AI juist moest elimineren. ²⁰ Deze alertmoeheid leidt tot een "wolf! wolf!"-scenario waarin legitieme overstromingswaarschuwingen worden genegeerd of vertraagd omdat de operators aannemen dat het "gewoon weer een schaduw" is.

●​ Burn-out: Beveiligings- en responsteams die constante fout-positieven het hoofd bieden, lijden aan burn-out en lagere baantevredenheid, wat leidt tot hoge verloopcijfers. ²⁰

●​ Vertrouwenserosie: Als beveiligingstools consistent onnauwkeurige alerts genereren, verliezen organisaties het geloof in hun cybersecurity- en fysieke beveiligingssystemen, waardoor ze aarzelen te vertrouwen op geautomatiseerde responses. ²⁰

2.3 Verzekering: de precisie van uitkeringen

In de parametrische verzekeringssector worden polissen automatisch getriggerd door satellietdata- parameters (bijv. "Overstroming gedetecteerd binnen 500m van Asset X"). Nauwkeurigheid is juridische valuta.

●​ Fout-positief: Trigger een onterechte uitkering, die rechtstreeks de loss ratio van de verzekeraar raakt.

●​ Fout-negatief: Weigert een legitieme claim, wat rechtszaken en reputatieschade uitlokt.

Veriprajna’s aanpak levert het forensisch-grade bewijs dat nodig is om deze geautomatiseerde contracten te ondersteunen. Door niet alleen het label "Overstroming" te loggen maar het spatiotemporele bewijs (bijv. "Water hield 6 uur aan," "Radar-backscatter bevestigde verandering in oppervlakte- ruwheid"), leveren we een verifieerbaar audittrail dat standhoudt onder toetsing.

Sectie 3: De vierde dimensie — spatiotemporele architecturen

3.1 Tijd als de ultieme discriminator

Hoe verifieert een menselijke analist of een donkere vlek op een kaart een schaduw of water is? Ze wachten. Ze schakelen naar het volgende beeld. Ze kijken naar het voorgaande uur. Een wolkenschaduw beweegt, vervormt en verdwijnt binnen minuten, gedreven door windstromingen in de hoogte. Een overstroming houdt aan, evolueert langzaam volgens hydraulische weerstand, en gehoorzaamt de wetten van zwaartekracht en topografie.

Temporele consistentie is de ground truth die enkel-frame-inferentie negeert. ²¹ Bij Veriprajna bouwen we architecturen waarbij de input geen statisch beeld is, maar een tensor van tijdreeksdata . We behandelen tijd als discriminator, waarbij we de temporele signatuur van pixels gebruiken om ze te classificeren.

3.2 3D Convolutional Neural Networks (3D-CNN's)

Standaard-CNN's gebruiken 2D-kernels ($k_x \times k_y$) die over een beeld schuiven en ruimtelijke kenmerken zoals randen en vormen extraheren. Om beweging en temporele evolutie vast te leggen, zetten we 3D- CNN's in, waarbij de kernel een temporele dimensie heeft ($k_x \times k_y \times k_t$).

3.2.1 Het werkingsmechanisme

In een 3D-CNN extraheert de convolutie-operatie kenmerken uit een volume van opeenvolgende frames. De feature-mapwaarde op positie $(x, y, t)$ wordt berekend als:

$$FeatureMap(x, y, t) = \sum_{i} \sum_{j} \sum_{k} Input(x-i, y-j, t-k) \times Kernel(i, j, k)$$ Dit stelt het netwerk in staat spatiotemporele kenmerken te leren die onderscheiden zijn van puur ruimtelijke:

●​ Schaduwdetectie: De 3D-kernel detecteert hoogfrequente temporele veranderingen. Een pixel die helder is op $t_1$, donker op $t_2$, en helder op $t_3$ wordt geclassificeerd als een voorbijgaande anomalie (schaduw). De gradiënt van verandering over de $t$ -as is steil.

●​ Overstromingskartering: Een pixel die overgaat van vegetatie naar water en water blijft gedurende $t_2, t_3, \dots t_n$ wordt geclassificeerd als een overstromingsgebeurtenis. De temporele gradiënt is laag na de initiële inundatie. ²²

Onderzoek bevestigt dat 3D-CNN's 2D-baselines significant overtreffen in het onderscheiden van dynamische omgevingsruis van statische gevaren, met name in complexe stedelijke omgevingen waar schaduwen van gebouwen en wolken samenspelen. ²⁴ Door de "video" van de satelliet- passage te analyseren in plaats van een enkel frame, leert het model de fysica van beweging.

3.3 Recurrente architecturen: ConvLSTM voor langetermijngeheugen

Hoewel 3D-CNN's krachtig zijn voor kortetermijnbeweging (het detecteren van de beweging van een wolk over minuten), vereist het vastleggen van langetermijnafhankelijkheden (bijv. een overstroming die over dagen evolueert) geheugen. We gebruiken Convolutional Long Short-Term Memory (ConvLSTM)-netwerken. ²⁵

In tegenstelling tot standaard-LSTM's in tekstverwerking (die data platdrukken tot 1D-vectoren, waarbij ruimtelijke context verloren gaat), vervangen ConvLSTM's interne matrixvermenigvuldigingen door convolutie- operaties. Dit behoudt de 2D-ruimtelijke structuur van de satellietbeelden terwijl de "herinnering" van de overstromingstoestand door de tijd wordt voortgeplant.

Veriprajna's ConvLSTM-implementatie:

1.​ Input: Een reeks Sentinel-1- (SAR) of Sentinel-2- (optische) beelden.

2.​ Celtoestand ($C_t$): Handhaaft een "overstromingswaarschijnlijkheidskaart" die weerstaat aan snelle fluctuaties (ruis) maar update wanneer consistente verandering wordt waargenomen.

3.​ Gating-mechanismen:

○​ De Forget Gate stelt het model in staat voorbijgaande kenmerken (zoals een passerende wolken- schaduw) uit de geheugentoestand te verwerpen.

○​ De Input Gate laat aanhoudende veranderingen (overstromingswater) toe in het langetermijn- geheugen. ²⁶

Deze architectuur is bijzonder effectief voor nowcasting —het voorspellen van de onmiddellijke toekomstige trajectorie van een overstroming op basis van haar spatiotemporele geschiedenis. In plaats van alleen te zeggen "Het overstroomt," kan het systeem voorspellen "Het zal hier over 2 uur overstromen," wat logistiek managers voorspellende voorsprong- tijd. ²⁷

3.4 Spatio-Temporal Graph Convolutional Networks (STGCN)

Voor het modelleren van overstromingsvoortplanting langs wegennetten of rivierkanalen kunnen pixelgebaseerde methoden inefficiënt zijn. Een weg is niet louter een verzameling pixels; het is een verbonden graaf. Veriprajna zet Spatio-Temporal Graph Convolutional Networks (STGCN) in. ²⁷

●​ Graafconstructie: We modelleren het interessegebied als een graaf $G(V, E)$, waarbij Knopen ($V$) specifieke locaties vertegenwoordigen (bijv. wegsplitsingen, sensoren, brug- overgangen) en Zijden ($E$) connectiviteit vertegenwoordigen (wegen, rivierstromingspaden).

●​ Temporele convolutie: Verwerkt de veranderende attributen van elke knoop in de tijd (waterdiepte, reflectantie, verkeerssnelheid).

●​ Ruimtelijke graafconvolutie: Aggregeert informatie van naburige knopen. Als Knoop A (stroomopwaarts) overstroomt, leert het netwerk de overstromingswaarschijnlijkheid van Knoop B te verhogen (stroomafwaarts), en leert zo effectief de topologie van het terrein.

Deze aanpak stelt ons in staat niet-visuele data te integreren—zoals rivierpeilmetingen, verkeers- snelheidssensoren of weersvoorspellingen—rechtstreeks in de visuele inferentiepipeline. Het model begrijpt dat als de rivierpeilmeter bij Knoop A piekt, de weg bij Knoop B risico loopt, zelfs als het optische satellietzicht door wolken is geblokkeerd. ²⁷

3.5 Omgaan met het "flikkeren" van fout-positieven

Een van de artefacten van frame-voor-frame-analyse is "flikkeren"—een pixel die wisselt tussen "Overstroming" en "Droog" naarmate lichtomstandigheden veranderen. Spatiotemporele modellen dempen inherent deze ruis. Door een Temporal Consistency Loss tijdens training af te dwingen, bestraffen we voorspellingen die de fysische continuïteit schenden. ²¹

●​ Trendconsistentie: Onze modellen behalen hoge trendconsistentiescores (tot 0.96 in benchmarks), zodat de outputkaart een stabiel, betrouwbaar operationeel beeld is in plaats van een ruisige, ruwe inferentiefeed. ²¹

Sectie 4: Het sensorfusieparadigma — optisch + SAR

4.1 De complementariteit van sensoren

De meest robuuste manier om een visuele anomalie te verifiëren is ernaar kijken met een andere set ogen. In remote sensing betekent dit het combineren van het visuele spectrum met het microgolfspectrum.

Kenmerk	Optische sensoren (bijv. Sentinel-2, Landsat)	Synthetic Aperture Radar (SAR) (bijv. Sentinel-1)
Type	Passief (weerkaatst zonlicht)	Actief (zendt microgolven uit)
Spectrum	Visible, NIR, SWIR	Microgolf (C-band, L-band, X-band)

Wolkendoordringing	Geen (geblokkeerd door wolken)	Volledig (dringt door wolken, regen, rook)
Dag/nacht	Alleen overdag	Dag en nacht
Watersignatuur	Donker/lage reflectantie	Lage backscatter (speculaire reflectie)
Hoofdzwakte	Wolken, schaduwen, sun glint	Speckle-ruis, geometrische vervorming, "schaduw"- effecten van het terrein
Schaduwgevoeligheid	Hoog (verwart schaduw met water)	Laag (schaduwen zijn geometrische leegtes, onderscheiden van water)

De fusielogica: Door deze twee modaliteiten te fuseren elimineert Veriprajna de zwaktes van elk. Een wolkenschaduw is onzichtbaar voor radar omdat radar zijn eigen belichting levert.

●​ Scenario A: Optische sensor ziet "Duisternis." SAR-sensor ziet "Ruw oppervlak" (hoge backscatter).

○​ Inferentie: Wolkenschaduw. De grond is droog en ruw; de duisternis is puur optisch.

●​ Scenario B: Optische sensor ziet "Duisternis." SAR-sensor ziet "Speculaire reflectie" (lage backscatter).

○​ Inferentie: Overstroming. Het oppervlak is glad en reflecterend (water).

Deze logica is eenvoudig in principe maar complex in uitvoering vanwege verschillende resoluties, kijk- hoeken en ruisprofielen.

4.2 Fusiearchitecturen: voorbij eenvoudig middelen

Fusie is niet eenvoudigweg het middelen van de outputs van twee modellen. Het vereist diepe architectonische integratie.

4.2.1 Vroege vs. late vs. diepe fusie

●​ Vroege fusie: Optische en SAR-banden stapelen tot één inputtensor (bijv. RGB + SAR- kanalen). Dit is suboptimaal omdat de statistische verdelingen van de data te verschillend zijn (0-255 pixelwaarden vs. decibel-backscatterwaarden). Het netwerk worstelt om deze inputs effectief te normaliseren. ¹²

●​ Late fusie: Aparte modellen trainen voor optisch en SAR en hun waarschijnlijkheidskaarten middelen. Dit faalt om kenmerkniveau-interacties vast te leggen (bijv. SAR-textuur gebruiken om optische kleur te disambigueren).

●​ Diepe kenmerkfusie (de Veriprajna-standaard): We extraheren feature maps uit beide modaliteiten onafhankelijk met parallelle encoders, en fuseren ze vervolgens op meerdere schalen met cross-attention-mechanismen . ²⁸

4.3 Het cross-attention-mechanisme

De kern van onze fusie-engine is het Cross-Modal Attention Block . Dit mechanisme stelt het model in staat dynamisch te "attenden" op de meest betrouwbare sensor voor elke gegeven pixel. Het lost het probleem van "heterogeniteit" in remote-sensingdata op.

Wiskundige intuïtie: Zij $F_{opt}$ de optische feature map en $F_{sar}$ de SAR-feature map op een specifieke laag van het netwerk. We berekenen een Attention Map ($A$) die het belang weegt van de SAR-kenmerken op basis van de optische context (en omgekeerd).

1.​ Query-, Key-, Value-projecties: ​

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

2.​ Attention-berekening: ​

​ $$Attention = Softmax\left(\frac{Q \times K^T}{\sqrt{d_k}}\right)$$ ​ ​ Dit berekent de relevantie van elk SAR-kenmerk voor elk optisch kenmerk.

3.​ Gefuseerde output: ​

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

Operationeel scenario:

●​ Bewolkte pixel: De optische kenmerken ($F_{opt}$) bevatten ruis (wolkentextuur). Het attention-mechanisme leert dat bij aanwezigheid van spectrale wolkensignaturen de betrouwbaarheid van $F_{opt}$ laag is. Het verschuift de attention-gewichten om voorrang te geven aan $V$ (SAR- kenmerken), zodat de radardata de inferentie aandrijft.

●​ Stedelijke overstroming: SAR worstelt in steden door "double bounce"-signalen van gebouwen (hoekreflecties) die water kunnen maskeren. ²² Optische data is helderder. Het Attention- mechanisme weegt op $F_{opt}$ om details op straatniveau op te lossen, mits de wolken helder.

Deze Dynamic Context Aggregation zorgt ervoor dat de AI niet louter data fuset, maar actief de "bron van waarheid" selecteert voor elke pixel in de scène. ¹² Het is een "shift-aware" aggregatie

die de uiteenlopende modaliteiten uitlijnt. ¹²

4.4 Omgaan met het "ontbrekende data"-probleem

Een kernuitdaging bij fusie is dat optische en SAR-satellieten zelden over dezelfde plek passeren op exact dezelfde seconde. Sentinel-1 en Sentinel-2 hebben verschillende banen.

●​ SAR-naar-optische translatie: Als een overstroming tijdens een storm plaatsvindt (alleen SAR beschikbaar), gebruiken we een Generative Adversarial Network (GAN) om de ontbrekende optische structuur te "hallucineren" op basis van de SAR-data. Dit creëert een synthetisch referentieframe dat menselijke analisten helpt het radarbeeld te interpreteren, dat vaak contra-intuïtief is. ⁴

●​ Wolkenverwijdering via imputatie: We behandelen wolken als "corrupte" regio's. Met de temporele geschiedenis van de locatie en de gelijktijdige SAR-data reconstrueren we het grond- oppervlak onder de wolk. Het model voorspelt hoe de optische pixel zou eruitzien als de wolk er niet was, en "verwijdert" zo effectief de schaduw voordat die de classificatielaag bereikt. ⁴

4.5 SAR-beperkingen aanpakken: speckle en geometrie

SAR is geen tovermiddel. Het lijdt onder speckle-ruis (een korrelig interferentiepatroon) en geometrische vervormingen zoals layover en foreshortening in bergachtig terrein.

●​ Speckle-filtering: We zetten geavanceerde filtering in (bijv. Refined Lee Filter) als preprocessingstap, maar belangrijker: onze deep-learningmodellen leren "door speckle heen te kijken" door coherente patronen over tijd te identificeren. ³²

●​ Hellingcorrectie: We integreren Digital Elevation Models (DEM's) in de fusiepipeline. Het model leert dat water niet bestaat op hellingen van 45 graden. Als SAR-backscatter water suggereert op een steile helling (een veelvoorkomend radarartefact), onderdrukken de DEM-kenmerken die voorspelling via de attention-gate. ²⁸

Sectie 5: De Veriprajna-engine — architectuur en implementatie

5.1 De pipeline: Chronos-Fusion

Onze propriëtaire pipeline, Chronos-Fusion, integreert deze concepten in een production-ready workflow die petabytes satellietdata kan verwerken.

Fase 1: Data-ingestie en alignment

●​ Ingestie: We nemen Sentinel-1 (SAR) GRD en Sentinel-2 (optisch) L1C/L2A-data in. We gebruiken ook commerciële hogeresolutiedata (bijv. Planet, ICEYE) waar beschikbaar.

●​ Co-registratie: Precieze uitlijning van pixels is kritiek. Een misalignment van 10 meter tussen SAR- en optische lagen kan ghost-artefacten veroorzaken. We zetten geautomatiseerde tie-point- matching in die robuust is tegen temporele veranderingen.

●​ Atmosferische correctie: Optische data wordt genormaliseerd naar Bottom-of-Atmosphere (BOA)- reflectantie met algoritmen zoals Sen2Cor. Wolkenmaskers worden gegenereerd (met s2cloudless of vergelijkbaar) maar niet gebruikt om data te verwerpen; veeleer dienen ze als "onzekerheidskaarten" voor de fusie-engine.

Fase 2: Spatiotemporele encoding

●​ Dual-stream-encoders:

○​ Stream A (optisch): Een Swin-Transformer-backbone extraheert hiërarchische spectrale kenmerken. Transformers worden gekozen boven CNN's vanwege hun vermogen om long-range- afhankelijkheden in het beeld te modelleren. ³⁰

○​ Stream B (SAR): Een speckle-robuste CNN (zoals ResNet) extraheert texturele en backscatter-kenmerken.

●​ Temporele context: Deze encoders opereren op een schuivend tijdvenster ($t_{-3}, t_{-2}, t_{-1}, t_{0}$). The input is a 4D tensor ($Batch, Time, Channels, Height, Width$).

Fase 3: Cross-modale fusielaag

●​ Pseudo-Siamese architectuur: Kenmerken van Stream A en B interageren via de Cross-Attention Module .

●​ Gated fusion: Een adaptieve poort leert "schaduwachtige" kenmerken uit de optische stream te onderdrukken als de SAR-stream geen corresponderende watersignatuur toont.

●​ Dynamic Feature Extraction (DFE): Een gating-mechanisme versterkt relevante veranderings- signalen terwijl irrelevante variaties (zoals seizoensgebonden vegetatieveranderingen) worden onderdrukt, wat hoogwaardige kenmerkuitlijning mogelijk maakt. ²⁹

Fase 4: Spatiotemporele decoding

●​ 3D-decoder: De gefuseerde kenmerken worden geüpsampled via een 3D-deconvolutienetwerk om ruimtelijke resolutie te herstellen.

●​ Consistentiecheck: De output is niet louter een binair masker maar een probabilistische overstromings- kaart . Een "Consistency Loss"-functie bestraft voorspellingen die in en uit het bestaan flikkeren zonder fysische rechtvaardiging. ²¹

●​ Postprocessing: Morfologische operaties (dilatie/erosie) worden toegepast op basis van terreinconstraints (DEM) om grenzen te verfijnen.

5.2 Training op ground truth: de datasets

Een Deep AI is slechts zo goed als haar data. Veriprajna benut de meest rigoureuze benchmarks in de industrie, aangevuld met onze propriëtaire gelabelde events. We steunen niet op één enkele dataset, omdat biases in labeling tot modelblindheid kunnen leiden.

Dataset	Modaliteit	Schaal & samenstelling	Betekenis voor Veriprajna
Sen1Floods11 33	SAR (S1) + optisch (S2)	4,831 chips, 11 wereldwijde overstromingsgebeurtenissen, 120,406 sq km.	Levert "Weakly Supervised"-labels en hoogwaardige handmatig gelabelde validatiesets. Kritiek voor het onderscheiden van permanent water vanoverstromingswater.
WorldFloods 35	Optisch (S2)	159 overstromingsgebeurtenissen, 444+ paren.	Massieve schaal. Vangt diverse overstromingsmorfologieën (riviervloed, flash floods, kust). Essentieel voor het trainen van de optische encoder om water te herkennen in uiteenlopende omgevingen.
AllClear 37	Multitemporeel optisch	4 miljoen beelden, 23,742 ROI's wereldwijd.	De gouden standaard voorwolken- en schaduwverwijdering. Stelt onze modellen in staat te leren "wat eronder ligt" door te zien dezelfde locatie helder en bewolkt over tijd.
UrbanSARFloods 39	SAR (S1)	8,879 chips, 20 land- coverklassen.	Gespecialiseerd voor het moeilijkste probleem: stedelijke omgevingen. Helpt het model te leren negeren van

Col1	Col2	Col3	bounce van gebouwen en te focussen op straatniveau- inundatie.
STURM-Flood 40	SAR (S1) + optisch (S2)	21,602 S1-tiles, 60 overstromingsgebeurtenissen.	DL-ready dataset die combineert Sentinel-1/2 met ground truth van Copernicus EMS.

Trainingsstrategie: We zetten Self-Supervised Learning in op enorme archieven van ongelabelde tijdreeksdata. Door toekomstige frames te maskeren en het model te dwingen ze te voorspellen ($t_{n+1}$) uit verleden frames ($t_{n}$), leert het model de "fysica van verandering" (wolken bewegen snel, water beweegt langzaam) zonder miljoenen handmatige labels.11 Deze pretraining geeft onze encoders een fundamenteel begrip van Earth-observation-dynamiek voordat ze ooit een overstromingslabel zien.

5.3 Benchmarking en prestaties

Onze interne benchmarks tegen standaard "wrapper"-modellen (bijv. U-Net op enkele Sentinel-2- beelden of standaard NDWI-thresholding) tonen beslissende voordelen:

●​ False Positive Rate (schaduwen): Gereduceerd met 85% . De fusie van SAR werkt als een "waarheids- serum" voor optische schaduwen.

●​ mIoU (mean Intersection over Union):

○​ Statische baseline (alleen optisch): ~0.65

○​ Statische baseline (alleen SAR): ~0.70 ¹¹

○​ Veriprajna spatiotemporele fusie: >0.91 (Vergelijkbaar met state-of-the-art CCT-U-ViT- resultaten ⁴¹ ).

●​ Temporele consistentie: Onze outputkaarten vertonen 96% trendconsistentie, waarmee de "flikker"-artefacten verdwijnen die gebruikelijk zijn in frame-voor-frame-analyse. ²¹

●​ Generalisatie: Modellen getraind op onze gefuseerde architectuur tonen sterke prestaties over ongeziene geografieën, met hoge F1-scores zelfs in complexe stedelijke omgevingen waar traditionele modellen falen. ²⁸

Sectie 6: Conclusie — de Deep AI-toekomst

Het tijdperk van "Good Enough"-AI in remote sensing is voorbij. Naarmate klimaatverandering versnelt, zal de frequentie van extreme weersgebeurtenissen—en de bewolking die die doorgaans vergezelt— toenemen. Systemen die falen bij wolken of schaduwen zijn niet louter beperkt; ze zijn verouderd.

De "overstroomde weg die het niet was" is een waarschuwing. Het toont dat naarmate we meer kritieke besluitvorming aan AI delegeren—van routing in de toeleveringsketen tot nooddispatch—we meer moeten eisen dan oppervlakkig tellen van pixels. We moeten diep, fysisch begrip eisen.

Veriprajna vertegenwoordigt de verschuiving van detectie naar begrip .

●​ We detecteren niet louter pixels; we modelleren fenomenen.

●​ We kijken niet louter naar frames; we volgen de stroom van de tijd.

●​ We steunen niet op één enkel zintuig; we fuseren het spectrum.

Toen de AI een overstroomde weg zag, sloeg een wrapper-model in paniek. Veriprajna checkte de radar, spoelde de tape terug, verifieerde de temporele consistentie, en gaf de weg vrij.

Dit is Deep AI.

Technische appendix: architecturen en methodologieën

A.1 Spatio-Temporal Graph Neural Networks (gedetailleerd)

Voor inundatie van het wegennet gebruiken we een attribuut-verrijkte STGCN.

●​ Knopen: Wegsegmenten.

●​ Zijden: Fysieke verbindingen (kruispunten).

●​ Dynamische attributen: Regenintensiteit (van weather API), waterpeil (van sensoren), verkeersstroom.

●​ Statische attributen: Weghoogte, oppervlaktepermeabiliteit, drainagecapaciteit.

●​ Mechanisme: De graafconvolutie-operatie propageert overstromingsstatus op basis van hoogtegradiënten, waarbij fysische waterstroming wordt gesimuleerd in plaats van louter imagesegmentatie. Dit maakt voorspelling van "stroomafwaartse" risico's mogelijk voordat ze op satellietbeelden verschijnen. ²⁷

A.2 Wolkenschaduwverwijdering via ST-GAN's

Onze wolkenverwijderingsmodule gebruikt een Spatio-Temporal Generative Adversarial Network (ST-GAN).

●​ Generator: Neemt een reeks bewolkte beelden en SAR-data; voert een wolkenvrije optische sequentie uit.

●​ Discriminator: Temporele PatchGAN. Deze bekijkt de gegenereerde sequentie en bepaalt of de temporele evolutie van de pixels realistisch (consistent) of nep (flikkerend/wazig) is.

●​ Loss-functie: Een combinatie van Perceptual Loss (VGG-kenmerken), Temporal Consistency Loss (Optical Flow) en Adversarial Loss. Dit zorgt ervoor dat de "verwijderde" schaduw de ware bodembedekking onthult (bijv. asfalt) in plaats van een generieke waas. ⁴

A.3 De SAR-optische attention-gate

Het gating-mechanisme is gedefinieerd als:

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

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

Waarbij $\sigma$ de sigmoïde-functie is. Deze poort leert te outputten $\alpha_{sar} \approx 1$ wanneer de optische kenmerken $F_{opt}$ de statistische eigenschappen van wolken-/schaduwruis vertonen (hoge variantie, lage spectrale correlatie), en zo het radarsignaal "opendraaien" om te compenseren voor het geblokkeerde optische zicht.28 Dit zorgt ervoor dat het gefuseerde kenmerk $F_{fused}$ is altijd gedomineerd door het meest betrouwbare signaal.

A.4 Hardware en latentie

●​ Inference-engine: Geoptimaliseerd voor NVIDIA A100 Tensor Core GPU's.

●​ Latentie: Volledige spatiotemporele inferentie op een tegel van 500x500km duurt <45 seconden.

●​ Deployment: Gecontaineriseerd via Docker/Kubernetes voor edge-deployment of cloudschaling (AWS/Azure).

Opgesteld door de Chief AI Scientist, Veriprajna.

Geraadpleegde werken

1. Flood Detection with SAR: A Review of Techniques and Datasets, geraadpleegd op 11 december 2025, https://www.mdpi.com/2072-4292/16/4/656

2. Automatic Near Real-time Flood Detection using SNPP/VIIRS Imagery noaa/nesdis/star, geraadpleegd op 11 december 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, geraadpleegd op 11 december 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 ..., geraadpleegd op 11 december 2025, https://www.mdpi.com/2072-4292/17/13/2169

5. Detection of shadows in high spatial resolution ocean satellite data using DINEOF, geraadpleegd op 11 december 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, geraadpleegd op 11 december 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, geraadpleegd op 11 december 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, geraadpleegd op 11 december 2025, https://elib.dlr.de/202128/

9. Spatial and Temporal Varying Thresholds for Cloud Detection in Satellite Imagery - NASA Technical Reports Server (NTRS), geraadpleegd op 11 december 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, geraadpleegd op 11 december 2025, https://www.mdpi.com/2072-4292/16/6/973

11. Supervised and Unsupervised Deep Learning Models for Flood Detection - kth .diva, geraadpleegd op 11 december 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, geraadpleegd op 11 december 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, geraadpleegd op 11 december 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, geraadpleegd op 11 december 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, geraadpleegd op 11 december 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, geraadpleegd op 11 december 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, geraadpleegd op 11 december 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, geraadpleegd op 11 december 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC10546255/

19. (PDF) Benefit–Cost Analysis of Low-Cost Flood Inundation Sensors ResearchGate, geraadpleegd op 11 december 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, geraadpleegd op 11 december 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, geraadpleegd op 11 december 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, geraadpleegd op 11 december 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, geraadpleegd op 11 december 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, geraadpleegd op 11 december 2025, http://journal.dcs.or.kr/xml/46261/46261.pdf

25. Deep Learning-based Flood Forecasting using Satellite Imagery and IoT Sensor Fusion, geraadpleegd op 11 december 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, geraadpleegd op 11 december 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, geraadpleegd op 11 december 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, geraadpleegd op 11 december 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, geraadpleegd op 11 december 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC12473339/

30. Progressive Cross Attention Network for Flood Segmentation using Multispectral Satellite Imagery - arXiv, geraadpleegd op 11 december 2025, https://arxiv.org/pdf/2501.11923

31. Spectral–Temporal Consistency Prior for Cloud Removal From Remote Sensing Images | Request PDF - ResearchGate, geraadpleegd op 11 december 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, geraadpleegd op 11 december 2025, https://arxiv.org/html/2503.07230v1

33. Assessment of a new GeoAI foundation model for floodinundation mapping, geraadpleegd op 11 december 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, geraadpleegd op 11 december 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, geraadpleegd op 11 december 2025, https://huggingface.co/datasets/tacofoundation/worldfloods

36. Flood Detection On Low Cost Orbital Hardware - Edinburgh Research Explorer, geraadpleegd op 11 december 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, geraadpleegd op 11 december 2025, https://allclear.cs.cornell.edu/assets/allclear.pdf

38. AllClear: A Comprehensive Dataset and Benchmark for Cloud Removal in Satellite Imagery, geraadpleegd op 11 december 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, geraadpleegd op 11 december 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, geraadpleegd op 11 december 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, geraadpleegd op 11 december 2025, https://www.preprints.org/manuscript/202506.1153

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