一个对卫星影像中季节性变化具有鲁棒性的洪水检测新数据集
计算机视觉与模式识别
2025-08-01 v1
摘要
本研究引入了一个用于分割卫星图像中洪水区域的新数据集。在回顾了 77 个利用卫星影像的现有基准后，我们发现针对这一特定任务缺乏合适的数据集。为了填补这一空白，我们从 Planet Labs 的 Planet Explorer 收集了 2019 年美国中西部洪水的卫星影像（Image \c{opyright} 2024 Planet Labs PBC）。该数据集由每个地点 10 张卫星图像组成，每张图像均包含洪水和非洪水区域。我们从爱荷华州、堪萨斯州、蒙大拿州、内布拉斯加州和南达科他州这五个州中各选取了十个地点。该数据集确保了数据处理过程中分辨率和缩放的统一。为了评估语义分割性能，我们在我们的数据集上测试了计算机视觉和遥感领域中最先进的模型。此外，我们进行了改变窗口大小以捕捉时间特征的消融研究。总体而言，这些模型表现一般，表明未来需要多模态和时间学习策略。该数据集将在 <https://github.com/youngsunjang/SDSU_MidWest_Flood_2019> 上公开提供。
引用
@article{arxiv.2507.23193,
title = {A Novel Dataset for Flood Detection Robust to Seasonal Changes in Satellite Imagery},
author = {Youngsun Jang and Dongyoun Kim and Chulwoo Pack and Kwanghee Won},
journal= {arXiv preprint arXiv:2507.23193},
year = {2025}
}
备注
8 pages, 2 figures. Presented at ACM RACS 2024 (Pompei, Italy, Nov 5-8, 2024)