Исследователи Саньидхья Гхосал, Анураг Шарма и Сушил Гхилдиял представили FLNet — новую архитектуру глубокого обучения для оценки ущерба сельскому хозяйству от наводнений. Модель использует технологию сверхвысокого разрешения (Super Resolution) для улучшения детализации спутниковых снимков перед классификацией повреждений. Работа была принята для устного доклада на 10-й Международной конференции по компьютерному зрению и обработке изображений (CVIP 2025).
FLNet повышает пространственное разрешение изображений со спутника Sentinel-2 с 10 метров до 3 метров. Это позволяет точнее анализировать состояние посевов. Модель протестировали на наборе данных BFCD-22 по затопленным сельхозугодьям в Бихаре (Индия). Ключевой показатель F1-score для класса «Полный ущерб» вырос с 0,83 до 0,89, что почти соответствует результатам коммерческих снимков высокого разрешения.
Традиционные методы оценки ущерба после наводнений в Индии основаны на медленных и субъективных ручных обследованиях. Существующие спутниковые методы сталкиваются с проблемами облачности и низкого разрешения. FLNet предлагает автоматизированное, экономичное и масштабируемое решение для оперативной и точной оценки, критически важной для эффективного управления помощью и восстановления.
Разработка прокладывает путь для перехода от ручных к автоматизированным, высокоточным методам оценки ущерба в национальном масштабе, что может значительно улучшить процесс распределения государственной помощи после стихийных бедствий.
