通过介绍 UrbanSARFloods 数据集，研究考察了卫星合成孔径雷达在大规模洪水测绘方面的局限性，发现目前的方法无法克服数据不平衡和小型训练数据集的限制，探索了解决不平衡数据挑战和利用迁移学习进行基于合成孔径雷达的大规模洪水测绘的潜力，为深化洪水测绘技术的应用做出贡献。

Jun, 2024

洪水事件中准确检测淹没范围对紧急响应决策和恢复工作至关重要。卫星遥感数据提供了一个全球框架，可以检测洪水范围。具体来说，哨兵 - 1 C 波段合成孔径雷达（SAR）图像已被证明对于检测水体非常有用，因为水体在同极化和交叉极化 SAR 图像中的反射较低。然而，在某些洪水区域，如基础设施和树木的存在，会观察到反射增加，从而使像素强度阈值和时间序列差异等简单方法无法胜任任务。机器学习技术已被利用来精确捕捉具有反射增加的洪水区域的洪水范围，但需要大量标记数据以达到理想的效果。因此，我们创建了一个包含美国本土和孟加拉国境内约 36,000 平方公里地区在已知洪水事件中水体范围和淹没区域范围的标记数据集。此外，我们还通过开源数据集并基于该数据集举办了一个开放竞赛，以便利用社区生成的模型快速原型化洪水范围检测。在本文中，我们介绍了该数据集的信息，数据处理流程，一个基线模型以及竞赛的细节，并讨论了获胜方法。我们相信该数据集将增添已有的基于 Sentinel-1C SAR 数据的数据集，并推动洪水范围检测的研究。

Nov, 2023

本文介绍一种结合卫星图像数据和深度学习模型的方法，来预测氾水面积。该方法在孟加拉国的历史氾水数据中进行测试，结果表明该方法比传统算法（如 CNN 和阈值算法）效果更好。

May, 2023

通过在 Sentinel-1 时间序列中从异常的水体分割，从而将洪水检测任务转化为一个时间异常检测问题，并提供了一个受流行的视频变化检测器 ViBe 启发的简单方法，它的结果与 SAR 图像时间序列定量地吻合，为未来工作提供了一个合理的基准。

Mar, 2024

研究介绍了一种利用合成孔径雷达数据的洪水检测技术，通过一种名为扩散 SAR 到 EO 图像翻译（DSE）的框架，将 SAR 图像转换为 EO 图像，提高了对人类的可识别性， 实验结果表明，DSE 框架不仅提供了增强的视觉信息，而且在所有测试的洪水分割基线中均有所提高。

Jul, 2023

全球洪水、气候变化、洪水测绘、合成孔径雷达（SAR）和 Kuro Siwo 数据集与标注的广泛使用在深度学习中提供了实时洪水测绘的导向。

Nov, 2023

使用免费且全球可用的 Sentinel-1 和 Sentinel-2 卫星图像以及少量粗糙人口普查区域的集总人口计数进行校准，我们开发了一种名为 POPCORN 的人口映射方法，其数据需求最小，却超越了现有方案的映射准确性，能够生成最新和高分辨率的人口地图，以民主化地为需要更新的地区提供资源。

Nov, 2023

通过提取新闻媒体中的高分辨率时空信息，我们的研究工作展示了新闻媒体作为改善洪水损害数据的时间分辨率和扩大空间覆盖范围的有希望的来源。

Dec, 2023

使用多种卫星图像输入的两个卷积神经网络结构有效地结合了来自印度乡村地区的卫星图像和 2011 年人口普查的人口标签，以准确预测一区域的人口密度，性能优于以往研究以及全球人口分布的标准 LandScan。

May, 2019

利用标准化分析就绪（Standardized Analysis-Ready，STAR）数据和 Google Earth Engine（GEE）环境，提出了一个工作流程来评估 2022 年尼日利亚洪灾的模型性能。

Nov, 2023