UrbanSARFloods：基于 Sentinel-1 SLC 的城市与开放区域洪水基准数据集

由于其穿透云层的能力和独立于日照的特性，卫星合成孔径雷达（SAR）是大规模洪水制图的首选数据源，提供全球覆盖并包含各种土地覆盖类别。然而，目前大规模基于深度学习算法的SAR派生洪水制图研究主要聚焦于洪涝开放区域，利用可获得的开放数据集（如 Sen1Floods11），对城市洪水的关注有限。为此，我们引入\textbf{UrbanSARFloods}，一个包含事前处理后的Sentinel-1强度数据和干涉相干性影像的数据集，这些数据在洪涝事件前后均有采集。数据集包含8,879个$512\times 512$的芯片，覆盖807,500 $km^2$的区域，涵盖20个土地覆盖类别和5个大陆，spanning 18个洪涝事件。我们使用UrbanSARFloods对现有SOTA卷积神经网络（CNN）进行基准测试，用于分割开放和城市洪水区域。我们的发现表明，包括加权交叉熵（WCE）损失和迁移学习使用预训练模型的常用方法，在应对不平衡数据和小型训练数据集的限制方面效果不足。城市洪水检测仍具有挑战性。未来的研究应探索应对不平衡数据的策略，并 investigate迁移学习在基于SAR的大规模洪水制作中的潜力。此外，扩大该数据集以包括更多洪涝事件充满潜力，能够提升其效用并推动洪水制图技术的进步。