陰影不是水：超越 企業級單幀推論的 洪水情報

執行摘要

包裝層時代的情報幻象

在人工智慧快速演進的版圖中，一種危險的二元對立已經 浮現，把表面實作與深層、結構性工程區分開來。在一 邊，市場充斥著「包裝層」方案——薄薄的應用層，只把 提示轉送到通用大型語言模型（LLM）或預訓練電腦視覺 API。 這些系統雖然容易取得，卻與基本搜尋引擎或機率性詞元 預測器相差無幾；它們缺乏因果推理與物理落地。另一邊則是 深度 AI： 專為目的打造、架構上具新意的系統，用來模型化真實世界的物理、因果與 時間連續性。

這兩種取徑的區別絕非純學術；它是營運上的、 財務上的，偶爾甚至是存亡層級的。本白皮書的起點，來自一種特定、 反覆出現的標準電腦視覺失效模式，它成為產業 局限的有力隱喻：那條其實並未「淹水的道路」。

設想一套由物流集團部署、以衛星影像監測 補給路線的標準電腦視覺模型。模型處理一幀關鍵高速公路畫面。它 偵測到一道橫跨柏油的深色、無定形區塊。其訓練資料嚴重偏向 靜態像素值與簡單邊緣偵測，把低反射率與水關聯起來。 系統把道路標為「淹水」。自動化協議立刻啟動。改道 演算法把一整隊卡車導向次級道路，為行程增加數百公里。 及時（JIT）交貨窗口被錯過。易腐貨物劣化。財務 衝擊以數十萬美元計。

現實呢？道路是乾的。一朵積雲在 2,000 公尺高度飄移，投下陰影， 而被困在單一時間瞬間的 AI——單幀推論——把它幻覺成 洪水。

這項失效，正是現代遙感 AI 的阿喀琉斯之踵。 ¹ 當 AI 把世界看成 互不連貫的快照集合，它就缺乏時間脈絡，無法區分短暫 陰影與持續淹沒。它也缺乏多感官深度去「看穿」投下 那道陰影的雲。

Veriprajna 取徑

Veriprajna 存在，就是為了解決「雲影」問題——不只是氣象干擾的 字面議題，而是企業級 AI 的定義性挑戰。我們不 做包裝層。我們打造 時空架構，把時間視為實在的根本 特徵，而非資料蒐集的附帶產物。我們融合 光學資料與合成 孔徑雷達（SAR），把人眼的視覺脈絡與 微波雷達穿雲的物理結合起來。 ³

本白皮書詳述其後的工程哲學與技術架構，支撐 Veriprajna 的深度 AI 解決方案。我們探討靜態模型為何失敗、光譜 欺騙的物理，以及我們專有時空融合引擎的嚴謹數學。 我們展示如何整合交叉注意力機制、三維卷積神經 網路（3D CNN）與物理引導學習，從而交付企業級洪水 情報，以前所未有的準確度區分陰影與水。

第 1 節：欺騙的物理——淺層 AI 為何 失敗

1.1 光譜陷阱：當黑暗模仿深度

要理解通用 AI 模型為何在洪水偵測上失敗，必須先理解 遙感物理。光學衛星影像，例如 Sentinel-2 或 Landsat 星座所提供的，會擷取各波長的反射太陽輻射。 水天生是近紅外（NIR）與短波紅外（SWIR）的強吸收體 輻射。 ² 因此，在標準假色合成，甚至像 歸一化差異水體指數（NDWI）這類計算指數中，水呈現深色或近乎黑色。

然而，水並非光譜域中「黑暗」的唯一擁有者。雲影、 陡峭地形投下的地形陰影，以及新鋪柏油這類深色人為表面， 同樣會使到達感測器的輻亮度偏低。

1.1.1 單幀盲點

在單一靜態影像上訓練的卷積神經網路（CNN）操作的是 空間 特徵——紋理、邊緣與像素強度。當雲影落在道路或 田地上，所得像素簇會呈現與洪水危險相似的 特徵：

1.​ 低 SWIR 反射率： 正如水一樣，陰影吸收或遮蔽本會 從地面典型反射的光。 ²

2.​ 無定形邊界： 陰影常有柔軟、不規則的邊緣，模仿水在 不平整地形上擴散的型態。

3.​ 紋理抑制： 陰影隱藏地表底層紋理（例如作物行列、 道路標線），正如渾濁的水所做的。 ⁵

對單幀模型而言，「雲 影」與「淹沒田地」特徵向量之間的數學距離極小。 ² 沒有外部脈絡時，模型會最大化其 機率函數，依據所能取得的有限資料。在災害應變情境中，損失 函數往往加權，對偽陰性（漏報洪水）的懲罰重於偽 陽性。這導致模型「過於敏感」，把任何深色斑塊都分類為 淹沒，以免錯過一場災難。

研究指出，雲影是光學衛星影像自動近 即時洪水偵測的「最大挑戰」。 ² 在高解析度資料集中，陰影 不僅以環繞雲體的邊界特徵出現，也以脫離特徵出現——來自 散落積雲或高空凝結尾——在裁切畫面內與投下它們的雲 沒有光譜連結。 ⁵ 這種分離使簡單幾何 投影方法（試圖依太陽角與雲 位置猜測陰影所在）容易失敗，尤其當雲高未知或可變時。 ⁷

1.2 傳統遮罩的失敗

傳統遙感仰賴 Fmask（Function of mask）這類演算法遮罩，在分析前 辨識雲與陰影。這些規則系統仰賴熱紅外波段 與亮度閾值。 ⁸ 然而，這些方法很脆弱：

●​ 熱模糊性： 薄卷雲或小積雲可能不夠冷，無法 觸發熱閾值，卻仍投下清晰陰影。

●​ 幾何假設： 演算法常假設恆定遞減率或雲高 以投影陰影位置。若雲低於或高於該假設， 預測的陰影位置就錯了，實際陰影未被遮罩，容易被 誤分為水。 ⁷

●​ 光譜混淆： 在都市地區或深色植被上，陰影的光譜特徵 與背景雜訊無法區分，導致分類遮罩出現「椒鹽」 雜訊。 ¹⁰

仰賴這些上游遮罩的「包裝層」AI 方案會繼承其全部錯誤。若 Fmask 未能標出陰影，下游分割模型——把輸入當成地面 真值——會自信地把它標為洪水。這就是「垃圾進、垃圾出」原則 被深度學習傾向過度自信的預測所放大。

1.3「包裝層」架構的局限

市場目前充斥著本質上是圍繞 通用基礎模型的包裝層「AI 方案」。洪水偵測的「包裝層」取徑可能涉及 取一預訓練影像分割模型（如 Segment Anything Model - SAM 或 通用 U-Net），再以小型水體遮罩資料集微調。

雖然此取徑能在精選驗證集上產出令人印象深刻的示範與高精度， 它在生產環境中會失敗，因為：

1.​ 缺乏物理嵌入： 這些模型不理解陰影與水之間的輻射 差異；它們只知道視覺相似性。 ¹ 它們是 型樣匹配器，而非物理模擬器。

2.​ 時間失憶： 它們處理影像 $t$ 卻對影像毫無知識 $t-1$。 它們看不出「水」正以 50 km/h（雲的速度）移動，這對 洪水在物理上是不可能的。 ⁴

3.​ 感測器不可知論： 它們常把合成孔徑雷達（SAR）與光學資料 當成只是「圖片」，忽略使融合強大的相異物理性質（後向散射 vs. 反射率） 。包裝層可能把 SAR 影像餵進在光學資料上訓練的模型， 寄望遷移學習，卻忽略雷達斑點雜訊 與光學高斯雜訊根本上不同。 ¹²

Veriprajna 拒絕這種淺層取徑。我們認識到，要解決 「其實並未淹水的道路」問題，必須工程出能以四 維（空間 + 時間）並跨越電磁光譜感知世界的系統。

第 2 節：幻象的代價——經濟與 營運衝擊

無法區分陰影與洪水，絕非單純技術小毛病；它是 經濟失血。在企業環境中，偽陽性的代價幾乎從不為零。它 會沿供應鏈層層傳遞、扭曲風險模型，並侵蝕對自動化系統的信任。

2.1 物流與供應鏈中斷

現代供應鏈在極薄的效率邊際上運轉，常採用及時 （JIT）交貨協議。路線最佳化演算法仰賴準確、即時的圖資料 關於路網可用性。

2.1.1 改道懲罰

主幹道上的錯誤洪水警報，迫使演算法計算繞道。若一支 50 輛卡車的車隊因幽靈洪水被改道 100km，燃料與人力差異立刻顯現。

●​ 直接成本： 燃料消耗增加；駕駛工時（以及可能的加班） 累積。

●​ 機會成本： 在繞道上延誤的卡車錯過配送中心的時段 窗口，對後續載貨造成層疊延誤。

●​ 最佳化失敗： 路線最佳化最多可降低運輸成本 15% 與燃料消耗 25%。 ¹³ 引入虛假約束（道路封鎖）會迫使 最佳化器落入次優局部極小，抵銷這些效率。

2.1.2 庫存停滯與長鞭效應

倉儲與物流管理成本隨地理分散與延誤上升。 ¹⁴ 虛假資料向這些系統注入人為摩擦。更關鍵的是，局部節點上被感知的中斷 （一座「淹水」倉庫或道路）可觸發 長鞭效應。上游 供應商預期交貨失敗，可能恐慌下單或囤積原物料。這種 反應性過度補償會動搖整條鏈，導致庫存膨脹與 資本綁死在不需要的庫存上。 ¹⁵

研究指出，不良位置資料——包括虛假環境危害——每年可使 公司付出數十億美元的無效移動與庫存緩衝成本。 ¹⁵ 偽陽性不只是 錯誤標籤；它是一個訊號，會在真實 世界觸發昂貴、不可逆的實體行動。

2.2 災害應變與公眾信任

對政府客戶、非政府組織與緊急應變者而言，貨幣是信任與應變 時間。

2.2.1 資源錯置

把搜救隊、高底盤車輛或防洪屏障部署到乾燥 地點（一處雲影），會讓真正的受災者在別處變得脆弱。研究顯示， 最佳化救濟配送的「最後一哩」至關重要；虛假需求訊號會劣化 緊急行動的效益–成本比。 ¹⁸ 偽陽性會把有限 資源——直升機、船隻、人員——從真正需要的地區抽走，潛在地 以生命而非美元衡量代價。

2.2.2 營運癱瘓與警示疲勞

若決策支援系統有高虛警率（FAR），人類操作員最終會 脫離。他們開始對每則警報二次猜測，重新引入 AI 本應消除的人工核實延遲 。 ²⁰ 這種 警示疲勞 導致「喊狼來了」情境 ，正當的洪水警告被忽略或延遲，因為操作員假定那只是 「又一道陰影」。

●​ 過勞： 面對不斷偽陽性的安防與應變團隊會遭受 過勞與工作滿意度下降，導致高流動率。 ²⁰

●​ 信任侵蝕： 若安防工具持續產生不準確警報，組織會對其網路安全與實體安防系統失去 信心，使其遲疑依賴 自動化回應。 ²⁰

2.3 保險：賠付的精準

在參數型保險部門，保單由衛星資料參數自動觸發 （例如「在資產 X 的 500m 內偵測到洪水」）。準確度就是法律貨幣。

●​ 偽陽性： 觸發無正當理由的賠付，直接衝擊保險人的賠付率。

●​ 偽陰性： 拒絕正當理賠，招來訴訟與聲譽損害。

Veriprajna 的取徑提供支撐這些自動化合約所需的鑑識級證據 。透過記錄的不只是「洪水」標籤，還有時空證據 （例如「水體持續 6 小時」、「雷達後向散射確認表面粗糙度 變化」），我們提供經得起檢視的可驗證稽核軌跡。

第 3 節：第四維——時空 架構

3.1 時間作為終極判別器

人類分析師如何核實地圖上的深色斑塊是陰影還是水？他們等待。 他們切到下一張影像。他們看前一小時。雲影會移動、 變形，並在數分鐘內消失，由高空風驅動。洪水會持續，依水力阻力緩慢演化 ，並服從重力與地形定律。

時間一致性 是單幀推論所忽略的地面真值。 ²¹ 在 Veriprajna，我們打造的架構其輸入不是靜態影像，而是 張量，由 時間序列資料構成 。我們把時間當判別器，利用像素的時間特徵來 分類它們。

3.2 三維卷積神經網路（3D CNN）

標準 CNN 使用二維核（$k_x \times k_y$）在影像上滑動，擷取空間 特徵，如邊緣與形狀。為捕捉運動與時間演化，我們採用 3D CNN，其核具有時間維度（$k_x \times k_y \times k_t$）。

3.2.1 作用機制

在 3D CNN 中，卷積運算從連續影格的體積中擷取特徵。 特徵圖在位置 $(x, y, t)$ 的值計算為：

$$FeatureMap(x, y, t) = \sum_{i} \sum_{j} \sum_{k} Input(x-i, y-j, t-k) \times Kernel(i, j, k)$$ 這使網路能學習與純空間特徵不同的 時空特徵：

●​ 陰影偵測： 3D 核偵測高頻時間變化。一個像素 明亮於 $t_1$，黑暗於 $t_2$，且明亮於 $t_3$ 會被分類為短暫 異常（陰影）。沿該 $t$ 軸的變化梯度很陡。

●​ 洪水製圖： 一個像素從植被轉為水並保持為水達 $t_2, t_3, \dots t_n$ 會被分類為洪水事件。時間梯度在 初始淹沒之後很低。 ²²

研究確認，3D CNN 在區分上顯著優於 2D 基線 動態環境雜訊與靜態危害，尤其在複雜都市環境中 建築陰影與雲影相互交織。 ²⁴ 透過分析衛星的「影片」 過境而非單一影格，模型學會運動的物理。

3.3 遞迴架構：ConvLSTM 用於長期記憶

雖然 3D CNN 擅長短期運動（偵測雲在 數分鐘內的移動），捕捉長期依賴（例如洪水在數日內演化）需要 記憶。我們使用 卷積長短期記憶（ConvLSTM） 網路。 ²⁵

不同於文本處理所用的標準 LSTM（會把資料壓成 1D 向量，失去 空間脈絡），ConvLSTM 以卷積運算取代內部矩陣乘法 。這保留衛星影像的 2D 空間結構，同時傳播 洪水狀態隨時間的「記憶」。

Veriprajna 的 ConvLSTM 實作：

1.​ 輸入： 一序列 Sentinel-1（SAR）或 Sentinel-2（光學）影像。

2.​ 單元狀態（$C_t$）： 維持一張「洪水機率圖」，能抵抗快速波動 （雜訊），但在觀察到一致變化時更新。

3.​ 閘控機制：

○​ 遺忘閘 讓模型能從記憶狀態丟棄短暫特徵（如掠過的雲 影）。

○​ 輸入閘 把持續變化（洪水）納入長期 記憶。 ²⁶

此架構對 臨近預報（Nowcasting） 特別有效——預測立即未來的 洪水軌跡，依據其時空歷史。系統不只說「正在淹水」， 還能預測「這裡將在 2 小時內淹水」，為物流經理提供預測前置 時間。 ²⁷

3.4 時空圖卷積網路（STGCN）

為沿路網或河道模型化洪水傳播，像素方法 可能沒有效率。道路不只是像素集合；它是連通圖。Veriprajna 採用 時空圖卷積網路（STGCN）。 ²⁷

●​ 圖建構： 我們把感興趣區域模型為圖 $G(V, E)$，其中 節點（$V$）代表特定位置（例如道路交叉口、感測器、橋樑 路口），邊（$E$）代表連通性（道路、河流路徑）。

●​ 時間卷積： 處理每個節點隨時間變化的屬性 （水深、反射率、交通速度）。

●​ 空間圖卷積： 聚合鄰近節點的資訊。若節點 A （上游）淹水，網路學會提高節點 B 的洪水機率 （下游），從而學會地形拓樸。

此取徑讓我們能把 非視覺資料——如河川水位計讀數、交通 速度感測器或天氣預報——直接整合進視覺推論管線。模型 理解：若節點 A 的河川水位計驟升，節點 B 的道路就處於風險，即使 光學衛星視圖被雲擋住。 ²⁷

3.5 處理偽陽性的「閃爍」

逐幀分析的人為產物之一是「閃爍」——像素在 「洪水」與「乾燥」之間切換，隨照明條件變化。時空模型天生會抑制 此雜訊。透過在訓練中施加 時間一致性損失，我們懲罰 違反物理連續性的預測。 ²¹

●​ 趨勢一致性： 我們的模型達到高趨勢一致性分數（基準中最高 0.96）， 確保輸出圖是穩定、可靠的作戰圖像，而非 嘈雜的原始推論饋送。 ²¹

第 4 節：感測器融合典範——光學 + SAR

4.1 感測器的互補性

核實視覺異常最穩健的方式，是用另一雙眼睛看它。在 遙感中，這意味著把可見光譜與微波光譜結合。

特徵	光學感測器（例如 Sentinel-2、Landsat）	合成孔徑雷達 （SAR）（例如 Sentinel-1）
類型	被動（反射陽光）	主動（發射微波）
光譜	可見光、NIR、SWIR	微波（C 波段、 L 波段、X 波段）

穿雲能力	無（被雲阻擋）	完整（穿透雲、 雨、煙）
晝／夜	僅白天	晝夜皆可
水體特徵	深色／低反射率	低後向散射（鏡面 反射）
主要弱點	雲、陰影、太陽耀光	斑點雜訊、幾何 畸變、「陰影」 地形效應
陰影敏感度	高（把陰影 與水混淆）	低（陰影是 幾何空隙，可與水 區分）

融合邏輯： 透過融合這兩種模態，Veriprajna 消除各自弱點。雲影 對雷達不可見，因為雷達提供自己的照明。

●​ 情境 A： 光學感測器看見「黑暗」。SAR 感測器看見「粗糙表面」（高 後向散射）。

○​ 推論： 雲影。 地面乾燥且粗糙；黑暗純粹是 光學的。

●​ 情境 B： 光學感測器看見「黑暗」。SAR 感測器看見「鏡面反射」（低 後向散射）。

○​ 推論： 洪水。 表面平滑且反射（水）。

此邏輯原則上簡單，但因解析度、觀測 角度與雜訊剖面不同，執行上複雜。

4.2 融合架構：超越簡單平均

融合不是簡單地把兩個模型的輸出平均。它需要深層架構 整合。

4.2.1 早期 vs. 晚期 vs. 深度融合

●​ 早期融合： 把光學與 SAR 波段堆疊成單一輸入張量（例如 RGB + SAR 通道）。這並非最佳，因為資料的統計分布差異太大 （0-255 像素值 vs. 分貝後向散射值）。網路難以 有效正規化這些輸入。 ¹²

●​ 晚期融合： 分別訓練光學與 SAR 模型並平均其 機率圖。這無法捕捉特徵層交互（例如用 SAR 紋理來 消歧光學顏色）。

●​ 深度特徵融合（Veriprajna 標準）： 我們用平行編碼器從兩種 模態獨立擷取特徵圖，再在多尺度融合它們 ，使用 交叉注意力機制。 ²⁸

4.3 交叉注意力機制

我們融合引擎的核心是 跨模態注意力區塊。此機制讓 模型能動態「關注」任何給定像素最可靠的感測器。它解決 遙感資料中的「異質性」問題。

數學直覺： 令 $F_{opt}$ 為光學特徵圖， $F_{sar}$ 為特定 網路層的 SAR 特徵圖。我們計算注意力圖（$A$），為其重要性加權 SAR 特徵，依據光學脈絡（反之亦然）。

1.​ Query、Key、Value 投影：​

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

2.​ 注意力計算：​

​ $$Attention = Softmax\left(\frac{Q \times K^T}{\sqrt{d_k}}\right)$$ ​ ​ 這計算每個 SAR 特徵對每個光學特徵的相關性。

3.​ 融合輸出：​

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

作戰情境：

●​ 多雲像素： 光學特徵（$F_{opt}$）含有雜訊（雲紋理）。 注意力機制學會：在出現雲光譜特徵時， 可靠度 $F_{opt}$ 偏低。它把注意力權重轉向優先 $V$ （SAR 特徵），讓雷達資料驅動推論。

●​ 都市洪水： SAR 在城市中因建築「雙重反射」訊號而吃力 （角落反射）可能掩蓋水面。 ²² 光學資料更清晰。注意力 機制提高 $F_{opt}$ 的權重以解析街道層細節，前提是雲層 晴朗。

這種 動態脈絡聚合 確保 AI 不只是融合資料，而是主動 為場景中每個像素選擇「真值來源」。 ¹² 它是一種「位移感知」聚合

，對齊相異模態。 ¹²

4.4 處理「缺失資料」問題

融合的關鍵挑戰是：光學與 SAR 衛星很少在同一秒飛過同一地點 。Sentinel-1 與 Sentinel-2 有不同軌道。

●​ SAR 到光學的轉譯： 若洪水發生在暴雨期間（僅有 SAR），我們 使用 生成對抗網路（GAN） 依 SAR 資料「幻覺」出缺失的光學 結構。這產生合成參考幀，幫助 人類分析師判讀往往不直觀的雷達影像。 ⁴

●​ 以插補除雲： 我們把雲視為「損壞」區域。利用該 位置的時間歷史與同期 SAR 資料，我們重建雲下的地面 表面（雲層之下）。模型預測光學像素 會 呈現的樣貌，若 雲不在那裡，從而在陰影到達 分類層之前有效「移除」它。 ⁴

4.5 處理 SAR 局限：斑點與幾何

SAR 不是萬靈丹。它受 斑點雜訊（顆粒狀干涉圖案）與 山區 疊掩（Layover） 與 縮短（Foreshortening） 這類幾何畸變之苦。

●​ 斑點濾波： 我們以進階濾波（例如 Refined Lee Filter）作為 預處理步驟，但更重要的是，我們的深度學習模型學會「看 穿」斑點，藉由辨識隨時間的相干圖案。 ³²

●​ 坡度校正： 我們把數值高程模型（DEM）整合進融合管線。 模型學會水不存在於 45 度斜坡。若 SAR 後向散射 在陡坡上暗示有水（常見雷達偽影），DEM 特徵會經由注意力閘抑制 該預測。 ²⁸

第 5 節：Veriprajna 引擎——架構與 實作

5.1 管線：Chronos-Fusion

我們的專有管線 Chronos-Fusion 把這些概念整合進可投產的 工作流，能夠處理 PB 級衛星資料。

階段 1：資料擷取與對齊

●​ 擷取： 我們擷取 Sentinel-1（SAR）GRD 與 Sentinel-2（光學）L1C/L2A 資料。我們 也在可得處使用商業高解析度資料（例如 Planet、ICEYE）。

●​ 共配準： 像素精確對齊至關重要。10 公尺的錯位介於 SAR 與光學層之間會導致鬼影偽影。我們採用自動連結點 匹配，對時間變化穩健。

●​ 大氣校正： 光學資料被正規化為大氣底部（BOA） 反射率，使用 Sen2Cor 等演算法。雲遮罩會生成（使用 s2cloudless 或類似方法）但 不 用來丟棄資料；它們作為「不確定性圖」供 融合引擎使用。

階段 2：時空編碼

●​ 雙流編碼器：

○​ 串流 A（光學）： Swin-Transformer 骨幹擷取階層光譜 特徵。選擇 Transformer 而非 CNN，是因其能模型化影像中的長程 依賴。 ³⁰

○​ 串流 B（SAR）： 抗斑點 CNN（如 ResNet）擷取紋理與 後向散射特徵。

●​ 時間脈絡： 這些編碼器在滑動時間窗上運作 ($t_{-3}, t_{-2}, t_{-1}, t_{0}$). The input is a 4D tensor ($Batch, Time, Channels, Height, Width$).

階段 3：跨模態融合層

●​ 偽孿生架構： 串流 A 與 B 的特徵經由 交叉注意力模組 交互。

●​ 閘控融合： 自適應閘學會抑制光學串流中的「類陰影」特徵，若 SAR 串流沒有對應的水體特徵。

●​ 動態特徵擷取（DFE）： 閘控機制放大相關變化 訊號，同時抑制無關變異（如季節性植被變化）， 從而實現高品質特徵對齊。 ²⁹

階段 4：時空解碼

●​ 3D 解碼器： 融合特徵經 3D 反卷積網路上採樣，以 恢復空間解析度。

●​ 一致性檢查： 輸出不只是二元遮罩，而是 機率洪水 圖 。「一致性損失」函數懲罰在沒有物理正當理由下閃爍進出 存在的預測。 ²¹

●​ 後處理： 依地形約束（DEM）施加形態學運算（膨脹／侵蝕） 以精煉邊界。

5.2 在地面真值上訓練：資料集

深度 AI 的好壞取決於其資料。Veriprajna 運用業界最嚴謹的基準， 並以我們專有標註事件補強。我們不依賴單一資料集， 因為標註偏差會導致模型盲目。

資料集	模態	規模與 組成	對 Veriprajna 的意義
Sen1Floods11 33	SAR（S1）+ 光學 （S2）	4,831 切片，11 場全球洪水事件， 120,406 sq km。	提供「弱 監督」標籤 與高品質 人工標註 驗證集。 對區分 至關重要 永久水體 與洪水。
WorldFloods 35	光學（S2）	159 場洪水事件， 444+ 對。	規模龐大。 捕捉多樣 洪水形態 （河川、暴 洪、沿海）。 至關重要，用於 訓練光學 編碼器以 辨識水體於 多樣 環境。
AllClear 37	多時相 光學	400 萬張影像， 23,742 個 ROI 全球。	黃金標準 用於雲與 陰影移除。 讓我們的模型 學會「底下有什麼」 ，藉由看見 同一地點 晴朗與多雲 隨時間變化。
UrbanSARFloods 39	SAR（S1）	8,879 切片，20 種土地 覆蓋類別。	專為 最難問題： 都市 環境。 幫助模型 學會忽略

Col1	Col2	Col3	建築反射 並聚焦 街道層 淹沒。
STURM-Flood 40	SAR（S1）+ 光學 （S2）	21,602 景 S1，60 場洪水事件。	可供深度學習使用的資料集 結合 Sentinel-1/2 與 來自 Copernicus EMS 的 地面真值。

訓練策略： 我們在大量未標註時間序列資料檔案上採用自監督學習。藉由 遮罩未來影格並迫使模型預測它們（$t_{n+1}$）從過去 影格（$t_{n}$），模型學會「變化的物理」（雲移動快，水移動 慢），而無需數百萬人工標籤。11 此預訓練使我們的編碼器具備 對地球觀測動態的根本理解，早在它們見過洪水標籤之前。

5.3 基準測試與效能

我們對標準「包裝層」模型（例如單一 Sentinel-2 上的 U-Net 影像或標準 NDWI 閾值）的內部基準顯示決定性優勢：

●​ 偽陽性率（陰影）： 降低 85%。SAR 融合對光學陰影如同「真話 血清」。

●​ mIoU（平均交併比）：

○​ 靜態基線（僅光學）： ~0.65

○​ 靜態基線（僅 SAR）： ~0.70 ¹¹

○​ Veriprajna 時空融合： >0.91（類似最先進的 CCT-U-ViT 結果 ⁴¹ ）。

●​ 時間一致性： 我們的輸出圖呈現 96% 趨勢一致性，消除 逐幀分析常見的「閃爍」偽影。 ²¹

●​ 泛化： 在我們融合架構上訓練的模型在未見地理區表現強勁 ，即使在傳統模型失敗的複雜都市 環境中仍維持高 F1 分數。 ²⁸

第 6 節：結論——深度 AI 的未來

遙感中「夠用就好」的 AI 時代已經結束。隨著氣候變遷加速， 極端天氣事件的頻率——以及通常伴隨而來的雲量—— 將增加。在雲或陰影面前失敗的系統不只是 受限；它們已經過時。

「其實並未淹水的道路」是一則警告。它表明，當我們把更多 關鍵決策委託給 AI——從供應鏈路徑到緊急調度——我們必須 要求的不只是表面像素計數。我們必須要求深層、物理的理解。

Veriprajna 代表從 偵測到理解 的轉向。

●​ 我們不只偵測像素；我們模型化現象。

●​ 我們不只看影格；我們觀看時間的流動。

●​ 我們不依賴單一感官；我們融合光譜。

當 AI 看見淹水道路時，包裝層模型驚慌了。Veriprajna 核對雷達、 倒帶、核實時間一致性，然後放行道路。

這就是深度 AI。

技術附錄：架構與方法

A.1 時空圖神經網路（詳述）

對路網淹沒，我們使用屬性增強的 STGCN。

●​ 節點： 路段。

●​ 邊： 實體連接（交叉口）。

●​ 動態屬性： 降雨強度（來自天氣 API）、水位（來自感測器）、 交通流。

●​ 靜態屬性： 道路高程、表面滲透性、排水能力。

●​ 機制： 圖卷積運算依高程梯度傳播洪水狀態， 模擬物理水流而非只做影像分割。 這讓我們能在風險出現於衛星影像之前預測「下游」風險。 ²⁷

A.2 以 ST-GAN 移除雲影

我們的除雲模組使用時空生成對抗網路 （ST-GAN）。

●​ 生成器： 接收多雲影像序列與 SAR 資料；輸出無雲 光學序列。

●​ 判別器： 時間 PatchGAN。它檢視生成序列並判定 像素的時間演化是真實（一致）還是偽造（閃爍／模糊）。

●​ 損失函數： 感知損失（VGG 特徵）、時間一致性 損失（光流）與對抗損失的組合。這確保「被移除」的陰影 揭示真實地表覆蓋（例如柏油）而非泛用模糊。 ⁴

A.3 SAR–光學注意力閘

閘控機制定義為：

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

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

其中 $\sigma$ 為 Sigmoid 函數。此閘學會輸出 $\alpha_{sar} \approx 1$ 當光學特徵 $F_{opt}$ 呈現雲／陰影雜訊的統計性質時 （高變異、低光譜相關），有效「調高」雷達訊號以 補償被擋住的光學視圖。28 這確保融合特徵 $F_{fused}$ 為 始終由最可靠訊號主導。

A.4 硬體與延遲

●​ 推論引擎： 針對 NVIDIA A100 Tensor Core GPU 最佳化。

●​ 延遲： 在 500x500km 圖磚上的完整時空推論耗時 <45 秒。

●​ 部署： 以 Docker/Kubernetes 容器化，用於邊緣部署或雲端擴展 （AWS/Azure）。

由 Veriprajna 首席 AI 科學家撰寫。

參考文獻

1. Flood Detection with SAR: A Review of Techniques and Datasets，2025年12月11日瀏覽， https://www.mdpi.com/2072-4292/16/4/656

2. Automatic Near Real-time Flood Detection using SNPP/VIIRS Imagery noaa/nesdis/star，2025年12月11日瀏覽， https://www.star.nesdis.noaa.gov/star/documents/seminardocs/2016/Sun20160622.pdf

3. Flood Detection and Mapping using Multi-Temporal SAR and Optical Data，2025年12月11日瀏覽， 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 ...，2025年12月11日瀏覽， https://www.mdpi.com/2072-4292/17/13/2169

5. Detection of shadows in high spatial resolution ocean satellite data using DINEOF，2025年12月11日瀏覽， 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，2025年12月11日瀏覽， 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，2025年12月11日瀏覽， 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，2025年12月11日瀏覽， https://elib.dlr.de/202128/

9. Spatial and Temporal Varying Thresholds for Cloud Detection in Satellite Imagery - NASA Technical Reports Server (NTRS)，2025年12月11日瀏覽， 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，2025年12月11日瀏覽， https://www.mdpi.com/2072-4292/16/6/973

11. Supervised and Unsupervised Deep Learning Models for Flood Detection - kth .diva，2025年12月11日瀏覽， 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，2025年12月11日瀏覽， https://www.tandfonline.com/doi/full/10.1080/10095020.2025.2589611

13. Why Location Data Matters in Logistics | Boost Efficiency & Cut Costs - xMap AI，2025年12月11日瀏覽， https://www.xmap.ai/blog/why-location-data-is-essential-for-logistics

14. Effects of geographic dispersion on intra-firm supply chain performance ResearchGate，2025年12月11日瀏覽， 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，2025年12月11日瀏覽， 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，2025年12月11日瀏覽， 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，2025年12月11日瀏覽， 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，2025年12月11日瀏覽， https://pmc.ncbi.nlm.nih.gov/articles/PMC10546255/

19. (PDF) Benefit–Cost Analysis of Low-Cost Flood Inundation Sensors ResearchGate，2025年12月11日瀏覽， 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，2025年12月11日瀏覽， 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，2025年12月11日瀏覽， 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，2025年12月11日瀏覽， 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，2025年12月11日瀏覽， https://ieeexplore.ieee.org/iel8/4609443/4609444/10805564.pdf

24. Design and Evaluation of Spatio-Temporal Deep Learning Models for Urban Road Flood Detection，2025年12月11日瀏覽， http://journal.dcs.or.kr/xml/46261/46261.pdf

25. Deep Learning-based Flood Forecasting using Satellite Imagery and IoT Sensor Fusion，2025年12月11日瀏覽， 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，2025年12月11日瀏覽， 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，2025年12月11日瀏覽， 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，2025年12月11日瀏覽， 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，2025年12月11日瀏覽， https://pmc.ncbi.nlm.nih.gov/articles/PMC12473339/

30. Progressive Cross Attention Network for Flood Segmentation using Multispectral Satellite Imagery - arXiv，2025年12月11日瀏覽， https://arxiv.org/pdf/2501.11923

31. Spectral–Temporal Consistency Prior for Cloud Removal From Remote Sensing Images | Request PDF - ResearchGate，2025年12月11日瀏覽， 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，2025年12月11日瀏覽， https://arxiv.org/html/2503.07230v1

33. Assessment of a new GeoAI foundation model for floodinundation mapping，2025年12月11日瀏覽， 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，2025年12月11日瀏覽， 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，2025年12月11日瀏覽， https://huggingface.co/datasets/tacofoundation/worldfloods

36. Flood Detection On Low Cost Orbital Hardware - Edinburgh Research Explorer，2025年12月11日瀏覽， 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，2025年12月11日瀏覽， https://allclear.cs.cornell.edu/assets/allclear.pdf

38. AllClear: A Comprehensive Dataset and Benchmark for Cloud Removal in Satellite Imagery，2025年12月11日瀏覽， https://arxiv.org/html/2410.23891v1

39. UrbanSARFloods: Sentinel-1 SLC-Based Benchmark Dataset for Urban and Open-Area Flood Mapping | IEEE Conference Publication，2025年12月11日瀏覽， 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，2025年12月11日瀏覽， 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，2025年12月11日瀏覽， https://www.preprints.org/manuscript/202506.1153

42. A Global Multi-Temporal Dataset with STGAN Baseline for Cloud and Cloud Shadow Removal - SciTePress，2025年12月11日瀏覽， https://www.scitepress.org/Papers/2023/120396/120396.pdf