Riverine flooding is an increasing problem expected to affect 132 million people annually by 2030. Flood detection methods are crucial for developing effective flood mitigation and prevention policies, and are set to become even more important in the decades to come. While there are many methods for detecting floods, research on flood detection on bi-temporal SAR imagery using Pulse-Coupled Neural Networks (PCNNs) largely stalled in the previous decade. Building upon the work of R. Liu et al. (2016), Chen et al. (2011) and H. Liu et al. (2024) a modified Random-Coupled Neural Network (RCNN) is here introduced to handle simultaneous noise suppression and propagation of potentially flooded areas combined with an automatic parameter setting method. The model was tested on two datasets from Italy and Germany with F1-scores of approximately 0.38 and 0.35 respectively for the tiled datasets. Testing on the untiled datasets showed a marked improvement with F1-scores reaching approximately 0.63 and 0.60 respectively. Although the results can be characterised as subpar, questions exist about the comparability of the predictions to the ground truths. Regardless of this, the generalisability of the model is hampered by the manual tuning of kernel parameters. Further research is needed on a way of setting these parameters. Despite subpar performance against the ground truths and questions about generalisability, PCNNs offer a versatile platform from which to build upon.

Flodöversvämning är ett ökande problem som årligen förväntas påverka 132 miljoner människor fram till 2030. Effektiva metoder för att upptäcka översvämningar är avgörande för att utveckla ändamålsenliga åtgärder för att mildra effekterna samt för att kunna förebygga dem. Dessa metoder förväntas bli ännu viktigare kommande decennier. Trots att det finns en uppsjö av metoder för att upptäcka översvämningar har forskningen kring översvämningsdetektion med bi-temporala radarbilder (SAR) och pulsnätverk (PCNN) till stor del stagnerat. Med utgångspunkt i forskning av R. Liu et al. (2016), Chen et al. (2011) och H. Liu et al. (2024) introduceras här ett modifierat stokastiskt pulsnätverk (RCNN) med simultan brusreducering och förstärkning av potentiellt översvämmade områden i kombination med automatisk justering av parametrar. Modellen testades på två dataset från Italien och Tyskland med F1-poäng på cirka 0.38 respektive 0.35 för de uppdelade datamängderna. När modellen testades på de icke-uppdelade datamängderna sågs en markant förbättring med F1-poäng på cirka 0.63 respektive 0.60. Även om resultaten kan betraktas som undermåliga går det att diskutera hur jämförbara resultaten är med referensdata. Trots detta finns det flera frågetecken kring modellens generaliserbarhet till andra dataset, då parametrarna som definierar neuronernas synfält i slutändan behövde justeras manuellt. Ytterligare forskning krävs för att hitta en metod för att automatiskt justera dessa. Även om det finns vissa problem med modellen erbjuder pulsnätverk en mångsidig plattform att bygga vidare på.