本研究比较了UNet、ResNet和DeepLabv3三种深度学习模型在洪水监测中的性能，并提出了新数据集以提升模型的鲁棒性。结果表明，该全自动方法有效实现水体分割，显著缩短处理时间，为洪水监测和应急响应提供了重要数据支持。

本研究通过优化SegFormer模型和数据增强，提出了Habaek模型，解决了水体分割模型在实时应用中的高处理需求问题。实验结果显示，Habaek模型的分割性能优于现有模型，IoU值在0.91986至0.94397之间，具有实际应用潜力。