論文の概要: Urban Flood Observations (UFO): A hand-labeled training and validation dataset of post-flood inundation
- arxiv url: http://arxiv.org/abs/2604.23066v1
- Date: Fri, 24 Apr 2026 23:30:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:07.134743
- Title: Urban Flood Observations (UFO): A hand-labeled training and validation dataset of post-flood inundation
- Title（参考訳）: 都市洪水観測(UFO) : 地すべり後の浸水に関する手作業による訓練と検証データセット
- Authors: Rohit Mukherjee, Hannah K. Friedrich, Beth Tellman, Ariful Islam, Zhijie Zhang, Jonathan Giezendanner, Upmanu Lall, Venkataraman Lakshmi,
- Abstract要約: 本研究は, 多様な都市環境におけるポストフロード浸水のグローバル・ハンドラベルデータセットであるUrban Flood Observations(UFO)を提示する。
UFOは、3mのPlanetScope画像から派生した2017年から2021年までの14回の洪水から215枚の画像チップで構成されている。
データセットの有用性を実証するために、我々は、離脱1回限りのクロスバリデーションを用いてセグメンテーションモデルを訓練し、平均IoU(IoU)の77.3で達成した。
- 参考スコア（独自算出の注目度）: 2.6944032257063526
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Urban flooding affects lives and infrastructure worldwide. Mapping inundation in complex urban environments from satellite imagery remains challenging due to limited spatial resolution, infrequent acquisitions, and cloud cover. We present Urban Flood Observations (UFO), a global, hand-labeled dataset of post-flood inundation in diverse urban settings. UFO comprises 215 image chips (1024 by 1024 pixels) from 14 flood events between 2017 and 2021, derived from 3 m PlanetScope imagery. Each chip is annotated with two classes: 'inundated' (all visible surface water, including floodwater and pre-existing water bodies (permanent or seasonal)) and 'non-inundated'. To demonstrate the dataset's utility, we trained a segmentation model using leave-one-event-out cross-validation, achieving a mean Intersection over Union (IoU) of 77.3. We also used UFO to evaluate two widely used surface water products, the Sentinel-1-based NASA IMPACT model and Google's 10 m Dynamic World water class, which yielded IoUs of 44.1 and 48.1, respectively. UFO is publicly available to support the development and validation of urban inundation mapping methods.
- Abstract（参考訳）: 都市洪水は世界中の生活とインフラに影響を及ぼす。
衛星画像からの複雑な都市環境の浸水のマッピングは、空間分解能の制限、頻繁な取得、雲の覆いのため、依然として困難である。
本研究は, 多様な都市環境におけるポストフロード浸水のグローバル・ハンドラベルデータセットであるUrban Flood Observations(UFO)を提示する。
UFOは、3mのPlanetScope画像から派生した2017年から2021年までの14回の洪水から215枚の画像チップ(1024×1024ピクセル)で構成されている。
各チップには「浸水」と「無浸水」の2種類がある。
データセットの有用性を実証するために、我々は、離脱1回限りのクロスバリデーションを用いてセグメンテーションモデルを訓練し、平均IoU(IoU)の77.3で達成した。
また、UFOを用いて、センチネル-1をベースとしたNASA IMPACTモデルと、Googleの10mのダイナミックワールドウォータークラスと、それぞれ44.1のIoUと48.1の2つの広く使われている表面水製品の評価を行った。
UFOは、都市浸水マッピング手法の開発と検証をサポートするために公開されている。
関連論文リスト
- OlmoEarth: Stable Latent Image Modeling for Multimodal Earth Observation [68.10925029626709]
オルモアース(OlmoEarth)は、地球観測領域向けに設計された、多モードでシーケンシャルな基礎モデルである。
OlmoEarthは12のファンデーションモデルと比較して最先端のパフォーマンスを実現している。
我々はOlmoEarthを、データ収集、ラベル付け、トレーニング観察、地球観測モデルの推測のためのエンドツーエンドプラットフォームのバックボーンとして配置する。
論文 参考訳（メタデータ） (2025-11-17T18:06:26Z) - Exploring the Underwater World Segmentation without Extra Training [55.291219073365546]
我々は,最初の大規模かつ微細な水中セグメンテーションデータセットである textbfAquaOV255 を紹介する。
トレーニング不要なOVセグメンテーションフレームワークである textbfEarth2Ocean も紹介する。
論文 参考訳（メタデータ） (2025-11-11T07:22:56Z) - UWBench: A Comprehensive Vision-Language Benchmark for Underwater Understanding [54.16709436340606]
視覚言語モデル(VLM)は自然界の理解において顕著な成功を収めた。
水中画像は、厳しい光の減衰、色歪み、懸濁粒子散乱などの固有の課題を呈している。
水中視覚言語理解のためのベンチマークであるUWBenchを紹介する。
論文 参考訳（メタデータ） (2025-10-21T03:32:15Z) - Mapping waterways worldwide with deep learning [0.0]
10m Sentinel-2衛星画像と30m GLO-30 Copernicusデジタル標高モデルに基づいて水路を描画できるコンピュータビジョンモデルを提案する。
すでにTDX-Hydroデータセットにある5億5000万kmに、合計で1億2400万kmの水路を追加しています。
論文 参考訳（メタデータ） (2024-11-24T04:59:07Z) - UrbanSARFloods: Sentinel-1 SLC-Based Benchmark Dataset for Urban and Open-Area Flood Mapping [24.857739769719778]
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。
論文 参考訳（メタデータ） (2024-06-06T14:28:43Z) - Improved flood mapping for efficient policy design by fusion of
Sentinel-1, Sentinel-2, and Landsat-9 imagery to identify population and
infrastructure exposed to floods [15.893084685925073]
タンデムにおける光学およびSAR画像の応用は、洪水マッピングの可用性と信頼性を高める手段を提供する。
本稿では,これらの2種類のイメージを共通データ空間にマージする手法を提案する。
論文 参考訳（メタデータ） (2023-05-31T20:46:06Z) - GLH-Water: A Large-Scale Dataset for Global Surface Water Detection in
Large-Size Very-High-Resolution Satellite Imagery [2.342488890032597]
本稿では,250個の衛星画像と手動による表層水アノテーションからなるGLH-waterデータセットを提案する。
それぞれの画像サイズは12,800ドル(約12,800円)で、空間解像度0.3mの12,800ピクセル。
GLH-waterのベンチマークを構築するために,代表表面水検出モデル,一般的なセマンティックセグメンテーションモデル,超高分解能セグメンテーションモデルを用いた広範囲な実験を行った。
論文 参考訳（メタデータ） (2023-03-16T13:35:56Z) - GLObal Building heights for Urban Studies (UT-GLOBUS) for city- and street- scale urban simulations: Development and first applications [3.4244476729483013]
テキサス大学 都市研究のためのグローバル・ビルディング・ハイツ(UT-GLOBUS)について紹介する。
UT-GLOBUSは、世界中の1200以上の都市や地域向けに高さと都市キャノピーパラメータ(UCP)を提供するデータセットである。
6つの米国都市のLiDARデータによる検証では、UT-GLOBUS由来のビルの高さは9.1mの根平均二乗誤差(RMSE)であった。
論文 参考訳（メタデータ） (2022-05-24T17:34:14Z) - VPAIR -- Aerial Visual Place Recognition and Localization in Large-scale
Outdoor Environments [49.82314641876602]
VPAIRという新しいデータセットを提示します。
データセットは地上300メートル以上の高度で飛行する軽航空機に記録されている。
このデータセットは、様々なタイプの挑戦的な風景を、100km以上にわたってカバーしている。
論文 参考訳（メタデータ） (2022-05-23T18:50:08Z) - LUAI Challenge 2021 on Learning to Understand Aerial Images [113.42987112252851]
本報告では,ICCV 2021で実施したLearning to Understand Aerial Images (LUAI) 2021の課題について要約する。
DOTA-v2.0 と GID-15 のデータセットを用いて,オブジェクト指向物体検出,水平物体検出,空中画像における共通カテゴリのセマンティックセグメンテーションの3つのタスクを提案する。
論文 参考訳（メタデータ） (2021-08-30T14:03:54Z) - Generating Physically-Consistent Satellite Imagery for Climate Visualizations [53.61991820941501]
我々は,将来的な洪水や森林再生イベントの合成衛星画像を作成するために,生成的敵ネットワークを訓練する。
純粋なディープラーニングベースのモデルでは、洪水の可視化を生成することができるが、洪水の影響を受けない場所では幻覚的な洪水が発生する。
我々は,地球観測におけるセグメンテーションガイドによる画像と画像の変換のためのコードとデータセットを公開している。
論文 参考訳（メタデータ） (2021-04-10T15:00:15Z)
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。