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

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

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

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

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

利用 Copernicus 计划（ESA）的 Sentinel 卫星和 Google Earth Engine 的云计算设施，我们提供一个包括 180,662 个样本的数据集，该数据集由双极化合成孔径雷达（SAR）图像，多光谱 Sentinel-2 图像和 MODIS 地表覆盖映射的三元组组成，拥有 10 m 的地面采样距离，并覆盖所有有人居住的大陆和所有气象季节。期望该数据支持社区开发面向场景分类或地表映射的语义分割等常见任务的深度学习算法。

Jun, 2019

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

本文提出了一个开放的多模式全天候映射数据集和挑战，包括光学和 SAR 数据，以及建筑物足迹标注，用于探索 SAR 数据在灾害响应和建筑物足迹提取方面的应用效果，发现使用光学预处理的 SAR 数据在建筑物足迹提取中取得了更好的效果。

Apr, 2020

利用遥感卫星监测和缓解人为气候变化的影响在关键的干预和政策决策方面有着重要作用。合成孔径雷达 (SAR) 提供了一种强大的光学数据替代方案，通过自监督预训练方法在预测植被覆盖和土地分类关键任务上减少了标记数据需求，从而大大推进了气候变化监测的发展。

Oct, 2023

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