Mar, 2024

通过 Sentinel-1 揭示洪水检测中对时态数据的需求

PDF
TL;DR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。
flood affected areasremote sensing dataflood detection datasetssentinel-1 temporal sequencevideo change detector
发现论文，激发创造
  • 利用机器学习基准数据集扩展市民科学洪水范围检测

    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

  • UrbanSARFloods: 用于城市和开放区域洪水制图的基于 Sentinel-1 SLC 的基准数据集

    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

  • 推断过去：一个结合 CNN-LSTM 深度学习框架的卫星数据融合历史淹没区域制图方法

    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

  • 利用多时期 Sentinel-1 和 Sentinel-2 数据进行水体绘制

    通过将雷达数据与现有的多光谱数据相结合，生成了一种新颖的多源多时期数据集，用于拓展 SEN2DWATER 数据集的能力以进行水资源监测，取得了有希望的结果，并探讨了未来可能的发展和应用。

    Jan, 2024

  • 利用 Sentinel-1、Sentinel-2 和 Landsat-9 图像融合改进洪水制图以识别受洪灾影响的人口和基础设施以实现高效政策设计

    本文提出了一种将光学和 SAR 遥感图像融合到共同数据空间中的方法，并在巴基斯坦 2022 年洪水中进行实证研究，揭示了洪水泛滥对地区人口和基础设施的影响。

    May, 2023

  • Multi$^{3}$Net：多尺度、多传感器和多时相卫星图像融合分割洪水淹没建筑物

    本研究提出了一个基于卷积神经网络可快速分割洪水淹没建筑的新方法，并结合多分辨率、多传感器、多时相卫星图像，本方法迅速生成卫星图像洪水地图，有助于应对洪水事件的早期响应；同时，通过结合多时相信息，本方法也能用于快速而精确的灾后伤害评估，并可帮助政府更好地协调中长期的财政援助计划。我们还将我们基于编码器 - 解码器结构的多流视频数据融合方法与其他现有研究进行了比较，并证明了它的性能更佳。此外，我们还发布了一个全面预处理和标记的多分辨率和多时相卫星图像灾害数据集以及我们的源代码。

    Dec, 2018

  • DAM-Net: 基于差分注意力度量的视觉 Transformer 技术在 SAR 图像中全球洪涝检测

    本文提出一种新的基于差分注意力度量的网络 --DAM-Net，用于检测洪水区域。DAM-Net 包括两个关键组件：一个共享权重的双子背骨结构，用于获得多时相图像的多尺度变化特征和具有高级语义信息的表示水体变化的令牌，以及一个融合语义令牌和变化特征的时态差分融合模块，以生成减少斑点噪声的洪水地图。通过在提出的 S1GFloods 数据集上进行实验，证明 DAM-Net 相比当前最先进的方法在总体精度、F1 分数和 IoU 三个指标上都有明显提升。

    Jun, 2023

  • 基于 Sentinel-1 数据的高分辨率洪水制图的标准化分析数据立方体（STAR）

    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

  • IMAFD：一种从时间序列多光谱数据中进行洪水检测的可解释的多阶段方法

    我们提出了一种可解释的多阶段洪水检测方法，将动态时间序列图像序列分析与静态语义分割相结合，通过四个阶段解决洪水检测问题，提供了高效准确的解决方案，并且可以提供决策过程的见解。

    May, 2024

  • 部分失效光学模态的多时相城市制图的多模态深度学习

    该研究提出了一种基于多模态卫星数据的新型多时相城市制图方法，其中考虑到了部分缺失的光学模态，所提出的模型采用了两个网络来分别提取每个模态的特征，并利用重建网络根据 SAR 数据近似光学特征并保持其数据的有效性。结果表明该方法在使用 SAR 数据以补充缺失光学数据方面的实用性较强，可有效开发和利用多模态数据。

    Jun, 2023