基于深度学习的高分辨率洪水范围检测：利用随机森林生成训练标签
计算机视觉与模式识别
2026-03-25 v1 人工智能
摘要
洪水模型的验证用于支持风险缓解策略，但由于极端事件期间观测数据有限，仍然具有挑战性。高频率、高分辨率光学遥感影像（约3米，如 PlanetScope）为洪水制图提供了新机会，但由于云 cover 和灾难期间缺乏标记训练数据，这些应用仍受限。为此，我们开发了一个将 PlanetScope 光学影像与地形特征集成的洪水映射框架，采用机器学习 (ML) 和深度学习 (DL) 算法。应用随机森林模型到专家标注的洪水掩模上，以生成用于训练 DL 模型的训练标签。我们使用两种基于 ResNet18 主干网络的 U-Net 模型：一种仅使用光学影像（4 波段）训练，另一种结合 Height Above Nearest Drainage (HAND) 和地形斜率（6 波段）训练。以美国东部包括纽约市大都会区遭受灾难性洪水的 2021 年 9 月的哈利逊 Ido 为例，对该框架进行评估。结果表明，包含地形特征的 U-Net 模型的表现几乎与仅使用光学数据的配置相当（两种建模情景下的 F1=0.92，IoU=0.85），表明 HAND 和斜率对淹没范围检测仅提供边际收益。该提出的框架提供了一个可扩展且标签高效的淹没范围映射方法，可用于数据稀缺的洪水情景下的建模。
引用
@article{arxiv.2603.22518,
title = {High Resolution Flood Extent Detection Using Deep Learning with Random Forest Derived Training Labels},
author = {Azizbek Nuriddinov and Ebrahim Ahmadisharaf and Mohammad Reza Alizadeh},
journal= {arXiv preprint arXiv:2603.22518},
year = {2026}
}
备注
Accepted to IGARSS 2026