sen1floods11

Sen1Floods11是一个地理参考数据集，用于训练和测试深度学习洪水算法，适用于Sentinel-1卫星数据。该数据集由Cloud to Street公司创建，包含真实标注的芯片，用于洪水事件的识别。数据集分为训练集、验证集和测试集，每个文件遵循EVENT_CHIPID_LAYER.tif的命名方案，包含不同的图层，如质量控制（QC）、Sentinel-1原始影像（S1）、Sentinel-2 MSI Level-1C影像（S2）等。每个图层都有独立的GeoTIFF文件，图像投影为WGS 84坐标系统，地面分辨率为10米。

Sen1Floods11 is a georeferenced dataset developed for training and evaluating deep learning-based flood detection algorithms targeting Sentinel-1 satellite data. It was created by Cloud to Street, and comprises ground-truth annotated chips for flood event identification. The dataset is partitioned into training, validation, and test subsets. All files adhere to the naming schema of EVENT_CHIPID_LAYER.tif, and include multiple layers such as quality control (QC), Sentinel-1 raw imagery (S1), Sentinel-2 MSI Level-1C imagery (S2), and others. Each layer is stored as a standalone GeoTIFF file, with images projected to the WGS 84 coordinate reference system and a ground sampling distance of 10 meters.

原始信息汇总

Sen1Floods11 数据集概述

数据集基本信息

• 名称：Sen1Floods11
• 创建者：专家生成
• 语言：英语
• 许可证：CC-BY-4.0
• 多语言性：单语
• 规模：10K<n<100K
• 来源：原始数据
• 任务类别：图像分割
• 任务ID：语义分割

数据集结构

• 特征：
  • 图像（image）：图像类型
  • 标签（label）：掩码类型
• 分割：
  • 训练集（train）
  • 验证集（validation）
  • 测试集（test）
• 大小：35500 MB

数据描述

Sen1Floods11 是一个地理参考数据集，用于训练和测试 Sentinel-1 的深度学习洪水算法。数据由 Cloud to Street（一家公益公司）生成。

文件命名与结构

• 文件命名方案：EVENT_CHIPID_LAYER.tif（例如 Bolivia_103757_S2Hand.tif）
• 芯片ID唯一，事件间不共享
• 事件按国家命名，详细信息包含在事件元数据中
• 每个图层有单独的 GeoTIFF，可包含多波段堆叠 GeoTIFF
• 所有图像投影为 WGS 84（EPSG:4326），地面分辨率为 10 米

图层详情

图层	描述	值	格式	波段
QC	包含地面实况的手动标记芯片	-1: 无数据/无效<br>0: 非水域<br>1: 水域	GeoTIFF<br>512 x 512<br>1 波段<br>Int16	0: QC
S1	原始 Sentinel-1 影像<br>IW 模式，GRD 产品	单位：dB	GeoTIFF<br>512 x 512<br>2 波段<br>Float32	0: VV<br>1: VH
S2	原始 Sentinel-2 MSI Level-1C 影像<br>包含所有光谱波段（1-12）<br>不包含 QA 掩码	单位：TOA 反射率<br>（缩放 10000 倍）	GeoTIFF<br>512 x 512<br>13 波段<br>UInt16	0: B1（海岸）<br>1: B2（蓝）<br>2: B3（绿）<br>3: B4（红）<br>4: B5（红边-1）<br>5: B6（红边-2）<br>6: B7（红边-3）<br>7: B8（近红外）<br>8: B8A（窄近红外）<br>9: B9（水汽）<br>10: B10（卷云）<br>11: B11（短波红外-1）<br>12: B12（短波红外-2）

事件元数据

事件位置和元数据包含在 Sen1Floods11_Metadata.geojson 中，包含以下字段：

• ID：每个事件的唯一ID
• location：洪水事件位置（国家）
• ISO_CC：洪水事件位置的ISO国家代码
• s1_date：获取Sentinel-1图像的日期（YYYY-MM-dd）
• s2_date：获取Sentinel-2图像的日期（YYYY-MM-dd）
• orbit：获取Sentinel-1图像的轨道（ASCENDING或DESCENDING）
• rel_orbit_num：获取Sentinel-1图像的相对轨道编号
• coincident_size：来自S2的 coincident 瓦片数量
• VH_thresh：用于在参考S1分类中分类水域的Sentinel-1 VH波段阈值
• train_chip：用于训练的芯片数量
• val_chip：用于验证的芯片数量

访问信息

数据集可通过以下地址访问：https://huggingface.co/datasets/harshinde/sen1floods11/resolve/main/sen1floods11.tar.gz

引用信息

Bonafilia, D., Tellman, B., Anderson, T., Issenberg, E. 2020. Sen1Floods11: a georeferenced dataset to train and test deep learning flood algorithms for Sentinel-1. The IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, 2020, pp. 210-211.

开放获取地址：http://openaccess.thecvf.com/content_CVPRW_2020/html/w11/Bonafilia_Sen1Floods11_A_Georeferenced_Dataset_to_Train_and_Test_Deep_Learning_CVPRW_2020_paper.html

搜集汇总

数据集介绍

构建方式

Sen1Floods11数据集由专家团队基于真实洪水事件构建，采用多源遥感数据融合方法。数据来源于全球11个国家的洪水事件，通过Sentinel-1和Sentinel-2卫星获取原始影像数据，并由专业团队进行人工标注生成高质量的地面真值。所有影像统一重投影至WGS 84坐标系，保持10米空间分辨率，确保地理参考精度。数据集采用分层存储结构，每个事件包含512×512像素的芯片数据，涵盖多光谱波段和合成孔径雷达数据。

特点

该数据集包含13,000余个地理参考样本，涵盖光学与雷达双模态遥感数据。Sentinel-1提供VV和VH双极化波段，Sentinel-2包含12个多光谱波段，形成丰富的光谱特征组合。数据采用标准化的GeoTIFF格式存储，配备完整的元数据描述文件，支持时空分析需求。样本覆盖不同地理环境和洪水形态，具有显著的空间异质性，为模型泛化能力提供保障。数据集还包含详细的事件元数据，包括采集日期、轨道参数和分类阈值等信息。

使用方法

数据集已划分为训练集、验证集和测试集，支持端到端的语义分割模型训练。用户可通过HuggingFace平台直接下载压缩包，或使用STAC标准目录进行数据检索。每个样本包含影像和标注掩膜对，可直接输入深度学习框架。配套提供的训练示例代码演示了数据加载、模型构建和验证流程。研究人员可结合事件元数据开展时空分析，或利用多模态特征进行跨传感器融合研究。数据集支持洪水监测模型的开发、验证和比较研究。

背景与挑战

背景概述

遥感水文监测领域长期面临洪水灾害动态感知的技术需求，Sen1Floods11数据集应运而生。该数据集由公益组织Cloud to Street于2020年构建，并发表于计算机视觉顶会CVPR研讨会。核心研究聚焦于利用Sentinel-1/2卫星遥感数据，通过深度学习算法实现洪水淹没区域的精确识别，为灾害应急响应提供数据支撑，显著推动了遥感图像语义分割在环境监测中的应用发展。

当前挑战

该数据集致力于解决洪水淹没区语义分割的难题，其挑战在于卫星影像中水体与阴影、暗色地物的光谱混淆，以及多云天气导致的光学影像缺失。构建过程中需协调多源卫星数据时空对齐，专家需人工标注复杂环境下的水体边界，同时需保证全球11场洪水事件的数据一致性与地理参考精度，这些因素共同增加了数据集构建的技术复杂度。

常用场景

经典使用场景

在遥感水文监测领域，Sen1Floods11数据集为洪水淹没范围提取提供了标准化基准。该数据集通过结合Sentinel-1合成孔径雷达数据和Sentinel-2多光谱影像，构建了512×512像素的地理参考图像芯片，并辅以专家手工标注的水体掩膜标签。研究人员利用其多模态特性，开发能够穿透云层和恶劣天气条件的洪水检测算法，特别是在突发洪水事件的快速响应中展现重要价值。

实际应用

在实际应用中，该数据集支撑的算法已集成到灾害应急响应系统中。联合国开发计划署等机构利用其衍生的洪水监测模型，实现受灾范围的快速评估和损失预估。这些系统能够在天基观测数据获取后数小时内生成淹没图谱，为救援物资调配和人员疏散提供决策支持，特别是在缺乏地面观测设施的偏远地区发挥关键作用。

衍生相关工作

基于该数据集催生了多项创新研究，包括多模态特征融合网络和跨传感器迁移学习框架。Cloud to Street团队开发的深度学习方法在CVPR研讨会上首次展示后，引发了后续对时序洪水动态监测的系列研究。这些工作不仅提升了洪水检测的准确性，还推动了开源遥感分析工具链的发展，为全球气候变化背景下的灾害管理提供了技术储备。