FLNet：基于超分辨率的洪水引发农业损失评估
计算机视觉与模式识别
2026-01-08 v1 人工智能
摘要
在洪水后进行政府救援行动分布存在较大挑战。在印度，作物广泛受洪水影响；因此，进行快速且准确的作物损失评估对于有效的灾后农业管理至关重要。传统的手动调查方法缓慢且受偏差影响，而现有的卫星方法面临云层覆盖和空间分辨率低的挑战。为弥合这一差距，本文提出了 FLNet 架构，这是一种基于深度学习的新型方法，通过超分辨率技术将 Sentinel-2 卫星图像的 10 米空间分辨率提升至 3 米分辨率后，再进行损失分类。我们在 Bihar Flood Impacted Croplands Dataset (BFCD-22) 上对模型进行测试，结果显示，关键指标“完全损失”F1分数从 0.83 提升至 0.89，几乎与商业高分辨率影像的 0.89 分数相匹配。本 work 提出了一种成本效益高且可扩展的解决方案，为从手动转向自动化、高保真度损失评估提供了全国性的可能性。
引用
@article{arxiv.2601.03884,
title = {FLNet: Flood-Induced Agriculture Damage Assessment using Super Resolution of Satellite Images},
author = {Sanidhya Ghosal and Anurag Sharma and Sushil Ghildiyal and Mukesh Saini},
journal= {arXiv preprint arXiv:2601.03884},
year = {2026}
}
备注
Accepted for oral presentation at the 10th International Conference on Computer Vision and Image Processing (CVIP 2025)