FM-LC：基于土地覆盖识别模型的城市洪水分层框架
计算机视觉与模式识别
2025-07-29 v1
摘要
在干旱地区，城市洪水对基础设施和社区构成严重威胁。因此，对洪水范围和恢复轨迹进行准确、细粒度的映射，对于提高应急响应和韧性规划至关重要。然而，干旱环境常常表现为水体与相邻表面的光谱对比度有限、水文动态快速且城市土地覆盖高度异构，这给传统的洪水映射方法带来了挑战。高分辨率、每日的 PlanetScope 影像提供了所需的时空细节。本文引入了FM-LC，即面向洪水映射的分层框架，通过土地覆盖识别实现。该方法采用三阶段流程：首先使用初始的多类 U-Net 将影像分割为水体、植被、建筑物和裸土四个类别。我们发现该方法在光谱相似类别（例如水体与植被）之间存在混淆。其次，通过早期检查，识别出主要误分类区域的类别，并训练一个轻量级二分类专家分割模型以区分该类别与其余部分。最后，采用贝叶斯平滑步骤利用相邻像素信息细化边界并去除伪噪声。我们在 2024 年 4 月迪拜暴雨事件上进行了验证，使用前后降雨的 PlanetScope 合成影像。实验结果表明，跨所有土地覆盖类别的平均 F1 分数提升了最高可达 29%，且洪水分界显著更锐利，显著优于传统单阶段 U-Net基线。
关键词
引用
@article{arxiv.2507.19818,
title = {FM-LC: A Hierarchical Framework for Urban Flood Mapping by Land Cover Identification Models},
author = {Xin Hong and Longchao Da and Hua Wei},
journal= {arXiv preprint arXiv:2507.19818},
year = {2025}
}
备注
5 pages and 4 figures. Submitted to the IEEE for possible publication