Apr, 2024

利用 Apache Sedona 对 SpaceNet 8 进行洪水数据分析

PDF
TL;DR利用 Apache Sedona 进行洪水损害检测的研究，通过历史洪水案例的检索、适应当前情景的案例修订以及基于聚类算法对模型的修订，解决了洪水损害检测中不准确性带来的挑战，并通过数据可视化解释和直方图均衡化技术显著提高了模型指标的精度、F1 值和 IoU 值。这项研究对提高洪水检测的准确性和效率，保障公共安全及加强洪水易发区基础设施的韧性具有重要意义，对遥感与灾害管理领域有价值的补充。
satellite remote sensingapache sedonaflood damage detectionerror analysisgeospatial data processing
发现论文，激发创造
  • FloodNet：一个用于洪水后场景理解的高分辨率航拍图像数据集

    本文提出了一种高分辨率无人机图像数据集 FloodNet，用于帮助解决自然灾害后的损害评估问题，数据集提出了 “洪水下的损害” 这个问题，并对其进行了像素级的语义分割标注，提出一些深度学习算法用于解决这些挑战，并比较了该数据集上多个图像任务算法的性能表现。

    Dec, 2020

  • SpaceNet：遥感数据集与挑战系列

    利用地球成像卫星阵列进行快速更新基础地图的先进机器学习技术，结合 SpaceNet 的图像标签与公共奖项竞赛加速影像判读自动化的建筑与道路网络提取，以解决人工标记不足的问题。

    Jul, 2018

  • 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

  • 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

  • 支持基于卫星的洪水保险的新闻媒体中的洪水事件提取

    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

  • 多时间段城市发展 SpaceNet 数据集

    本研究基于多元时间城市发展卫星数据集 (MUDS)，利用计算机视觉技术和时间序列分析方法来跟踪建筑物，评估城市化和人造或自然灾害的进程。

    Feb, 2021

  • 改进的洪水洞察：基于扩散的合成孔径雷达到光学图像转换

    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

  • 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

  • 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

  • 利用卫星影像与 GPS 轨迹进行新数据来源的事件检测

    利用卫星图像和隐私增强的移动数据相结合的新型数据融合方法，用于增强实时或历史事件推断任务，应用场景包括农村地区的小规模灾害检测（如龙卷风、野火和洪水）、偏远荒野地区失踪徒步者的搜救以及战乱国家的活动冲突区域和人口流离失所地的识别。

    Jan, 2024