基于合成模拟的数据驱动洪水淹没图超分辨率
计算机视觉与模式识别
2025-02-18 v1 机器学习
摘要
全球极端洪水事件的频率正在不断增加。每日高分辨率 (30m) 洪水淹没图 (FIM) 来自卫星观测，对于 informing 减灾和准备工作以应对这些极端事件发挥着关键作用。然而，来自 Landsat 等公开高分辨率 FIM 的时间频率仅为两周左右，这限制了有效监测洪水淹没动态的能力。相反，来自 NOAA VIIRS 的全球低分辨率 (~300m) 水分数图 (WFM) 可供每日公开使用。以深度学习方法对单幅图像实现超分辨率最近取得的成功为灵感，我们探讨了类似数据驱动方法对低分辨率 WFM 进行超分辨率以生成高分辨率 FIM 的有效性与局限性。为克服高分辨率 FIM 稀缺的困难，我们使用通过物理基模拟获得的高质量合成数据训练模型。我们在来自 Iowa 州实际洪水事件的真实数据上对模型进行评估。该研究表明，数据驱动方法在重建精度上优于非数据驱动方法，合成数据的使用是一种可行的训练替代方案。此外，我们展示所训练的模型在迁移至与美国中西部具有水文气候相似性的地区时，能够实现优异的零样性能。
引用
@article{arxiv.2502.10601,
title = {Data-driven Super-Resolution of Flood Inundation Maps using Synthetic Simulations},
author = {Akshay Aravamudan and Zimeena Rasheed and Xi Zhang and Kira E. Scarpignato and Efthymios I. Nikolopoulos and Witold F. Krajewski and Georgios C. Anagnostopoulos},
journal= {arXiv preprint arXiv:2502.10601},
year = {2025}
}
备注
12 pages, 6 figures, 2 tables