RS DL
论文介绍
题目：Off to new Shores: A Dataset & Benchmark for (near-)coastal Flood Inundation Forecasting
会议：Conference on Neural Information Processing Systems 2024
论文：http://arxiv.org/abs/2409.18591
代码/数据：https://github.com/Multihuntr/GFF
创新点
新数据集与基准：提出了全球洪水预测(GFF)数据集，涵盖多模态、多时态的(近)沿海洪水事件，解决了当前洪水范围预测数据集和基准缺失的问题。 多模态数据集成：结合了多种数据来源(例如Sentinel-1、ERA5、HydroATLAS等)及不同空间分辨率数据，提供更全面的输入条件。 区域多样性：数据集覆盖6个大洲和13个气候区，专注于不同洪水驱动因素(例如暴雨、风暴潮和复合事件)。 分轨基准测试：分别针对全局洪水预测与沿海与非沿海区域的洪水预测设置独立测试轨道，明确不同场景的挑战。
洪水制图和洪水预测的区别
数据概述
名称：Global Flood Forecasting (GFF) 数据集
目标：针对全球范围内的(近)沿海洪水淹没预测。
特点：
多模态、多时态：集成静态和动态数据，涵盖地形、气象、遥感等多方面信息。
高空间分辨率：结合10米（Sentinel-1影像）和5-30公里（ERA5等数据）的数据源。
区域多样性：包含298个洪水事件，覆盖6大洲和13个气候区。
数据组成
静态数据
CopDEM30：全球数字高程模型，分辨率为30米。 HAND（Height Above Nearest Drainage）：基于NASA的HydroSAR算法生成，用于描述流域的排水潜力。 HydroATLAS：全球河流及其流域的多层属性数据，包括湿季平均值、干旱指数等87个关键属性。
动态数据
ERA5 和 ERA5-Land：提供多时态气象重分析数据。包含23个变量（ERA5有9个变量覆盖陆地和海洋，ERA5-Land有14个更精细的陆地变量）。 GloFAS：基于Copernicus紧急管理服务的全球洪水预警系统，提供每日汇总的河流流量与径流历史。
Sentinel-1 (S1)：包含洪水事件发生前的观测数据（作为输入）和洪水期间的数据（用于生成标签）。
数据处理流程
Kuro Siwo 数据集：聚焦欧洲及北半球。
热带气旋事件记录：覆盖（副）热带区域。
HydroATLAS：筛选近海和沿海流域。
确保气候区和大洲的代表性。
相邻事件区域之间距离需大于5°，避免区域重叠。
每个洪水事件至少需有1张事件期间的S1影像和2张事件前影像。
洪水标签生成
平滑过渡：对重叠区域像素加权平均，消除拼接伪影。
去除噪声：应用5×5像素的多数滤波和轮廓检测，移除小于50像素的斑点。
分割优化：结合ESA WorldCover永久水体数据，增强洪水和永久水体的区分。
数据集分层覆盖不同大洲和气候区，确保全球性。
每个区域（ROI）标注洪水范围，若无洪水，计入统计权重减半。
提供五折交叉验证划分，基于HydroATLAS的流域分区，确保训练、验证和测试集的空间独立性。
数据统计
事件数量：298个洪水事件，跨越1049个流域（HydroATLAS第8级）。
空间分辨率：
静态输入（如地形）分辨率为30米。
动态输入（如ERA5）分辨率为5-30公里。
时间跨度：2014年至2020年，每个事件包含目标日期前20天的气象时间序列。
样本数量：共计163,873个样本，每个样本提供输入条件与洪水分割标签。
架构设计
文中用到的网络
两级架构
文章提出的两级架构并不是特指某一个具体的网络，而是一个通用的模型框架设计，用于整合多模态、多分辨率的数据流，以支持洪水范围预测任务。
一级：上下文网络（Context Network）
处理粗分辨率的全局背景数据（如气象数据和地形属性）。
使用时空序列模型（如LSTM或Vision Transformer）提取上下文信息的特征嵌入。
这些嵌入提供了全局事件背景，捕获大范围气象和地形动态。
二级：局部网络（Local Network）
处理高分辨率的局部细节数据（如Sentinel-1影像和地形模型）。
局部网络结合来自上下文网络的嵌入特征，与局部输入一起预测洪水分割图。
多模态输入
粗分辨率数据（上下文网络）
ERA5和ERA5-Land气象数据（5.5公里分辨率）。
HydroATLAS的静态流域属性。
CopDEM地形高程模型。
高分辨率数据（局部网络）
Sentinel-1合成孔径雷达影像（10米分辨率）。
HAND（流域排水高度）。
CopDEM局部高程信息。
时间动态建模
上下文网络处理粗分辨率数据的时空序列，捕捉洪水事件发展的动态特性。
时间提前量（lead time）通过Feature-wise Linear Modulation（FiLM）模块嵌入到网络中，帮助预测模型适配不同的目标时间点。
测试
Track 1：全球洪水范围预测（Global Flood Extent Forecasting）
在全球范围内预测洪水。
输入：多模态的粗分辨率上下文数据和高分辨率局部数据。
输出：给定时间提前量（lead time）后，目标日期的洪水分割图（flood segmentation map）。
Track 2：沿海与非沿海洪水预测（Coastal vs. Near-coastal & Inland Flood Prediction）
区分沿海（coastal）与非沿海（near-coastal & inland）区域的洪水预测。
输入：与Track 1相同，但将洪水事件区域分为沿海和非沿海两类。
输出：分别对沿海和非沿海区域进行洪水分割图预测。
更多图表分析可见原文
因配置了AI回复功能，除关键词自动回复外，号内信息主要由AI大模型回复。如需资源、投稿、合作等，请直接联系小助手微信（添加请备注：咨询、投稿、合作、加群，加群需备注姓名/昵称，单位和研究方向）。
公众号欢迎优秀作者投稿！可加入优秀论文作者群：欢迎加入AI遥感优秀论文作者群！
问题及讨论可直接在文章下方留言
相关链接：
欢迎关注
分享遥感与深度学习领域的技术、论文、书籍、新鲜事。
欢迎加入遥感与深度学习交流群(点此加入)。
