論文の概要: UrbanSARFloods: Sentinel-1 SLC-Based Benchmark Dataset for Urban and Open-Area Flood Mapping

• arxiv url: http://arxiv.org/abs/2406.04111v1
• Date: Thu, 6 Jun 2024 14:28:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-07 14:30:04.912422
• Title: UrbanSARFloods: Sentinel-1 SLC-Based Benchmark Dataset for Urban and Open-Area Flood Mapping
• Title（参考訳）: UrbanSARFloods: Sentinel-1 SLC-based Benchmark dataset for Urban and Open-Area Flood Mapping
• Authors: Jie Zhao, Zhitong Xiong, Xiao Xiang Zhu,
• Abstract要約: UrbanSARFloodsは、事前処理されたSentinel-1強度データと、洪水前後に取得された干渉コヒーレンス画像を含むデータセットである。 8,879ドルの512times 512$チップで、20のランドカバークラスと18の洪水イベントにまたがって807,500$km2$をカバーしている。 我々はUrbanSARFloodsを用いて、既存の最先端の畳み込みニューラルネットワーク(CNN)を、オープンかつ都市的な洪水領域のセグメンテーションに使用した。
• 参考スコア（独自算出の注目度）: 24.857739769719778
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Due to its cloud-penetrating capability and independence from solar illumination, satellite Synthetic Aperture Radar (SAR) is the preferred data source for large-scale flood mapping, providing global coverage and including various land cover classes. However, most studies on large-scale SAR-derived flood mapping using deep learning algorithms have primarily focused on flooded open areas, utilizing available open-access datasets (e.g., Sen1Floods11) and with limited attention to urban floods. To address this gap, we introduce \textbf{UrbanSARFloods}, a floodwater dataset featuring pre-processed Sentinel-1 intensity data and interferometric coherence imagery acquired before and during flood events. It contains 8,879 $512\times 512$ chips covering 807,500 $km^2$ across 20 land cover classes and 5 continents, spanning 18 flood events. We used UrbanSARFloods to benchmark existing state-of-the-art convolutional neural networks (CNNs) for segmenting open and urban flood areas. Our findings indicate that prevalent approaches, including the Weighted Cross-Entropy (WCE) loss and the application of transfer learning with pretrained models, fall short in overcoming the obstacles posed by imbalanced data and the constraints of a small training dataset. Urban flood detection remains challenging. Future research should explore strategies for addressing imbalanced data challenges and investigate transfer learning's potential for SAR-based large-scale flood mapping. Besides, expanding this dataset to include additional flood events holds promise for enhancing its utility and contributing to advancements in flood mapping techniques.
• Abstract（参考訳）: 衛星合成開口レーダ(SAR)は、雲を通す能力と太陽の照明から独立しているため、大規模な洪水マッピングのために好まれるデータ源であり、地球規模のカバーを提供し、様々な土地被覆クラスも備えている。 しかし、ディープラーニングアルゴリズムを用いた大規模SAR由来の洪水マッピングに関する研究の多くは、利用可能なオープンアクセスデータセット(例:Sen1Floods11)を活用し、都市洪水に限られた注意を払って、主に浸水した地域に焦点を当てている。 このギャップに対処するために,前処理されたSentinel-1強度データと,洪水前後に取得した干渉コヒーレンス画像を含む洪水データセットである‘textbf{UrbanSARFloods} を導入する。 8,879ドルの512\times 512$チップは、20の土地被覆クラスと5つの大陸にまたがる807,500ドルのkm^2$をカバーし、18の洪水イベントにまたがっている。 我々はUrbanSARFloodsを用いて、既存の最先端の畳み込みニューラルネットワーク(CNN)を、オープンかつ都市的な洪水領域のセグメンテーションに使用した。 以上の結果から,Weighted Cross-Entropy (WCE) の損失や,事前訓練されたモデルによる伝達学習の適用といった一般的なアプローチは,不均衡なデータや小さなトレーニングデータセットの制約によって引き起こされる障害を克服するには不十分であることが示唆された。 都市の洪水検出は依然として困難である。 今後の研究は、不均衡なデータ課題に対処するための戦略を探求し、SARに基づく大規模洪水マッピングにおけるトランスファーラーニングの可能性について検討する。 さらに、このデータセットを追加の洪水イベントを含むように拡張することは、その実用性を強化し、洪水マッピング技術の進歩に寄与する、という約束がある。

関連論文リスト

• Urban Flood Mapping Using Satellite Synthetic Aperture Radar Data: A Review of Characteristics, Approaches and Datasets [17.621744717937993]
  本研究は,SARを用いた都市洪水マッピングの課題と進展に焦点を当てたものである。 SARデータにおける空間分解能と時間分解能の限界に特に対処し、本質的な前処理ステップについて議論する。 これは、都市洪水マッピングのためのオープンアクセスSARデータセットの欠如を強調し、高度なディープラーニングベースの手法の開発を妨げる。
  論文  参考訳（メタデータ） (2024-11-06T09:30:13Z)
• Off to new Shores: A Dataset & Benchmark for (near-)coastal Flood Inundation Forecasting [7.4807361562214405]
  洪水は最も一般的で破壊的な自然災害の一つである。 近年の気象予知と宇宙からの洪水のマッピングは、極端な出来事を予想できる可能性を示した。 洪水範囲の直接予測を可能にするデータセットとベンチマークが欠如している。
  論文  参考訳（メタデータ） (2024-09-27T09:51:25Z)
• SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale SAR Object Detection [79.23689506129733]
  我々は,大規模SARオブジェクト検出のための新しいベンチマークデータセットとオープンソース手法を構築した。 私たちのデータセットであるSARDet-100Kは、10の既存のSAR検出データセットの厳格な調査、収集、標準化の結果です。 私たちの知る限りでは、SARDet-100KはCOCOレベルの大規模マルチクラスSARオブジェクト検出データセットとしては初めてのものです。
  論文  参考訳（メタデータ） (2024-03-11T09:20:40Z)
• Leveraging Citizen Science for Flood Extent Detection using Machine Learning Benchmark Dataset [0.9029386959445269]
  我々は、アメリカ本土とバングラデシュ内の約36,000平方キロメートルの地域をカバーする、既知の洪水イベントの間に、ラベル付きの水域範囲と浸水地域の範囲を作成します。 また、データセットをオープンソース化し、データセットに基づいたオープンコンペティションを開催して、コミュニティ生成モデルを使用した洪水範囲検出を迅速にプロトタイプ化しました。 データセットはSentinel-1C SARデータに基づく既存のデータセットに追加され、より堅牢な洪水範囲のモデリングにつながります。
  論文  参考訳（メタデータ） (2023-11-15T18:49:29Z)
• Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
  洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。 近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。 洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-29T22:49:50Z)
• LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
  道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。 しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。 カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
  論文  参考訳（メタデータ） (2023-06-14T05:48:36Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• Towards Daily High-resolution Inundation Observations using Deep Learning and EO [0.0]
  絶え間ないリモートセンシングは、シンオプティクスの洪水モニタリングに費用対効果のあるソリューションを提供する。 衛星は、現在進行中の洪水イベントをカバーする際に、タイムリーな浸水情報を提供するが、様々なスケールで洪水の進化を監視する能力に関して、その解像度によって制限される。 空間分解能と低時間分解能を持つコペルニクス・センチネルのような衛星のデータと、NASA SMAPとGPMのミッションのデータは、日々の規模で高分解能の浸水を引き起こす可能性がある。
  論文  参考訳（メタデータ） (2022-08-10T14:04:50Z)
• SensatUrban: Learning Semantics from Urban-Scale Photogrammetric Point Clouds [52.624157840253204]
  センサットウルバン(SensatUrban)は、イギリスの3都市から収集された7.6km2の30億点近くからなる、都市規模のUAV測光点クラウドデータセットである。 データセットの各ポイントは、粒度の細かいセマンティックアノテーションでラベル付けされ、その結果、既存の最大のフォトグラムポイントクラウドデータセットの3倍の大きさのデータセットが生成される。
  論文  参考訳（メタデータ） (2022-01-12T14:48:11Z)
• Flood Segmentation on Sentinel-1 SAR Imagery with Semi-Supervised Learning [1.269104766024433]
  複数のUNetアーキテクチャのアンサンブルモデルを、高信頼と低信頼のラベル付きデータでトレーニングする。 この同化データセットは、次のトレーニングアンサンブルモデルのラウンドに使用される。 弊社のアプローチは、ETCIコンペティションのリーダーボードのスコアが0.7654 IoUと高い。
  論文  参考訳（メタデータ） (2021-07-18T05:42:10Z)
• Towards Semantic Segmentation of Urban-Scale 3D Point Clouds: A Dataset, Benchmarks and Challenges [52.624157840253204]
  我々は、30億点近い注釈付きポイントを持つ都市規模の測光点クラウドデータセットを提示する。 私たちのデータセットは、イギリスの3つの都市からなり、都市の景観の約7.6km2をカバーしています。 我々は,データセット上での最先端アルゴリズムの性能を評価し,その結果を包括的に分析する。
  論文  参考訳（メタデータ） (2020-09-07T14:47:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。