利用机器学习基准数据集借助公民科学进行洪水范围检测
计算机视觉与模式识别
2023-11-17 v1 机器学习
图像与视频处理
摘要
在洪水事件期间精确检测淹没水体范围对应急响应决策至关重要，并有助于恢复工作。卫星遥感数据提供了检测洪水范围的全球框架。具体而言，Sentinel-1 C 波段合成孔径雷达（SAR）影像因水体在共极化和交叉极化 SAR 影像中后向散射低，已被证明可用于检测水体。然而，在某些洪水区域（如存在基础设施和树木）可观察到后向散射增强，使得像素强度阈值法和时间序列差分等简单方法不够充分。机器学习技术已被用来精确捕捉后向散射出现突增的洪水区域范围，但需要大量标注数据才能理想工作。因此，我们创建了一个标注的已知水体范围和已知洪水事件期间的淹没区域范围数据集，覆盖美国本土和孟加拉国约 36,000 平方公里区域。此外，我们通过开源该数据集并基于该数据集举办公开竞赛，借助公民科学利用社区生成的模型快速原型化洪水范围检测。本文介绍了数据集信息、数据处理流水线、基线模型及竞赛详情，并讨论了获胜方法。我们相信该数据集补充了已有的基于 Sentinel-1C SAR 数据的数据集，并可促成更鲁棒的洪水范围建模。我们也希望竞赛结果能进一步推动洪水范围检测的研究。
引用
@article{arxiv.2311.09276,
title = {Leveraging Citizen Science for Flood Extent Detection using Machine Learning Benchmark Dataset},
author = {Muthukumaran Ramasubramanian and Iksha Gurung and Shubhankar Gahlot and Ronny Hänsch and Andrew L. Molthan and Manil Maskey},
journal= {arXiv preprint arXiv:2311.09276},
year = {2023}
}
备注
13 pages in AGU format, 7 figures