Surface Water Global Flood

Две модели от rohitm9, предсказывающие по одному снимку Sentinel-1 попиксельную вероятность воды (постоянной и паводковой вместе). Это FastAI ResNet-34 U-Net: вариант S1 + AEF использует ещё и годовое эмбеддинг AlphaEarth, вариант S1-only — только радар. Оба чекпоинта по 165 МБ.

✨ Ключевые особенности

• 🛶 Два варианта в одном репозитории: S1 + AEF и S1-only, обучены на одних данных и одним тренером
• ✅ Вход S1 + AEF: 3 канала S1 + 64 канала AEF, сжатые обученной 1×1 свёрткой до 16 → 19 каналов в U-Net
• 👁 На выходе float32 GeoTIFF с P(water) и nodata −9999; маска получается порогом
• ⬇ S1-only не требует скачивать AEF: IoU на большинстве тестов близок, но ложных срабатываний на суше больше
• 💥 Пороги: 0.10 для S1 + AEF (val IoU 0.736) и 0.04 для S1-only (0.707)
• 🔥 Обучение на W + O: 6 994 чипа, валидация — 504 чипа; loss cross-entropy + Dice

✅ Пример

python src/infer.py \
  --model-kind s1aef \
  --run-dir seed42 \
  --scenes-root my_event/s1 \
  --aef-path my_event/alphaearth_2023.tif \
  --output-root outputs \
  --tile 512 --overlap 64 --batch-size 4

Подробнее

S1 + AEF заметно лучше там, где в сцене много постоянной воды: на PS53 IoU выше на 0.087 [+0.044, +0.132].
На PS9 доля ложных срабатываний на обычно сухой суше — 0.072 против 0.115 у S1-only.
На A100 около 3 с на сцену 768×768 с test-time augmentation, инференс работает и на CPU.
Вероятности не калиброваны, порог стоит проверять на своих размеченных данных; AEF берётся за год до снимка.