推断过去：融合卫星数据的 CNN-LSTM 深度学习框架用于历史淹没制图
计算机视觉与模式识别
2023-08-21 v1 机器学习
地球物理
摘要
利用卫星数据绘制洪水地图对于洪水风险的管理与减缓至关重要。卫星影像能够对大面积区域进行快速而准确的分析，为应急响应和灾害管理提供关键信息。由卫星影像得出的历史洪水数据可为长期规划、风险管理策略以及保险相关决策提供依据。Sentinel-1 卫星在洪水检测方面效果良好，但对于更长时间序列，可结合 MODIS 等其他卫星与深度学习模型，以准确识别并绘制过去的洪水事件。本文我们开发了一种融合 CNN–LSTM 的深度学习框架，将 Sentinel-1 得出的分数淹没面积与 MODIS 数据相融合，以推断孟加拉国的历史洪水。结果表明，我们的框架优于仅用 CNN 的方法，并利用空间与时间信息来预测分数淹没面积。该模型应用于历史 MODIS 数据，推断孟加拉国过去 20 年的淹没范围，并与阈值算法和物理模型进行比较。我们的融合模型在一致性和预测峰值淹没范围的能力上均优于这两种模型。
引用
@article{arxiv.2305.00640,
title = {Inferring the past: a combined CNN-LSTM deep learning framework to fuse satellites for historical inundation mapping},
author = {Jonathan Giezendanner and Rohit Mukherjee and Matthew Purri and Mitchell Thomas and Max Mauerman and A. K. M. Saiful Islam and Beth Tellman},
journal= {arXiv preprint arXiv:2305.00640},
year = {2023}
}
备注
CVPR 2023: Earthvision Workshop