Global Flood Forecasting (GFF)|洪水预测数据集|机器学习数据集

Global Flood Forecasting (GFF) 数据集由拉筹伯大学和欧洲空间局Φ实验室等机构联合创建，专注于近海地区的洪水预测。该数据集包含298个感兴趣区域，涵盖2014-2020年间的298次洪水事件，提供了多模态和多时间尺度的数据，包括大气再分析产品、高分辨率地形模型和Sentinel-1雷达卫星观测等。数据集的创建过程结合了多种传感器和产品，通过精心分层采样，确保了气候带和大陆的代表性。GFF数据集旨在解决全球范围内洪水预测的挑战，特别是近海地区的洪水预测，为现代机器学习方法提供了分析就绪的数据平台。

原始信息汇总

Global Flood Forecasting (GFF)

概述

GFF 是一个全球分布的数据集，用于学习洪水预报，包含生成的和标记的洪水地图。

数据下载

数据集可通过以下链接下载：Zenodo

功能

1. 使用 GFF：在 GFF 数据集上训练和评估模型。
2. 生成数据：使用 GFF 的方法和代码生成类似的数据。

使用 GFF

• 通过构建 conda 环境来训练和评估模型。

• 示例命令： python conda env create -p envs/flood --file environment.yml

• 运行 train.py 或 evaluate.py，配置选项可在 configs/* 中查看。

• 示例配置命令： python python train.py configs/two_recunet.yml -o data_folder=path/to/gff

生成新数据

• 生成新数据的方法和代码详见 ./HOWTO-GENERATE.md。

引用

• 引用方式：

  TBD

AI搜集汇总

数据集介绍

构建方式

Global Flood Forecasting (GFF) 数据集的构建基于对全球范围内（近）海岸洪水事件的详尽记录。通过交叉参考 Dartmouth Flood Observatory (DFO) 的全面记录与 HydroBASIN 第8级流域的特征，数据集涵盖了2014至2020年间发生的298个洪水事件。每个事件均包含洪水驱动因素作为输入，以及事件发生时的洪水分割图作为目标。数据集通过精心设计的5折交叉验证基准分割，确保了模型间公平的比较，并推动了创新。所有数据以栅格化的TIFF文件格式提供，便于开发和评估数据驱动的机器学习模型。

特点

GFF 数据集的显著特点在于其全球性和多模态性。它不仅覆盖了六大洲和13个气候区，还包含了多种洪水驱动因素，如多时态的大气再分析产品、高分辨率地形模型和模拟降水排水等。此外，数据集还整合了洪水前的Sentinel-1雷达卫星观测和洪水范围注释。这种多模态和多尺度的数据组合，为洪水预报提供了丰富的信息源，同时也带来了技术挑战，特别是对于传统的手工解决方案。

使用方法

GFF 数据集适用于开发和评估洪水预报模型，特别是针对（近）海岸区域的洪水预报。用户可以通过提供的5折交叉验证分割，对模型进行训练和测试，以评估其在不同洪水事件中的表现。数据集的多模态和多尺度特性，使得研究人员可以探索不同数据源的融合策略，以及如何利用这些数据进行精确的洪水范围预测。此外，数据集的开源性质和详细的文档，使得研究人员可以轻松地扩展和定制数据集，以适应特定的研究需求。

背景与挑战

背景概述

全球洪水预报（Global Flood Forecasting, GFF）数据集由La Trobe大学和ESA Φ-lab的研究人员共同创建，旨在解决全球范围内洪水淹没地图的及时预报问题。该数据集的构建始于对现有洪水预测方法的不足之处的认识，特别是在缺乏统一数据集和基准的情况下。GFF数据集通过整合多模态和多时间尺度的数据，涵盖了从2014年到2020年的298个洪水事件，重点关注近海区域。该数据集的发布不仅为研究人员提供了一个全面的平台，以评估和改进洪水预报模型，还对全球气候变化背景下的灾害风险管理具有重要意义。

当前挑战

GFF数据集在构建过程中面临多项挑战。首先，整合多模态和多时间尺度的数据，如大气再分析产品、高分辨率地形模型和雷达卫星观测，需要克服数据融合的技术难题。其次，生成高质量的洪水淹没地图，特别是在近海区域，需要先进的快速映射算法和后处理技术。此外，确保数据集在全球范围内的代表性和公平性，以及在不同气候带和大陆的适用性，也是一项复杂的工作。最后，如何有效地评估和比较不同洪水预报模型的性能，以推动该领域的技术进步，是GFF数据集面临的另一大挑战。

常用场景

经典使用场景

Global Flood Forecasting (GFF) 数据集的经典应用场景在于其能够为全球范围内的洪水淹没预测提供详尽的数据支持。通过整合多模态和多时间尺度的数据，包括大气再分析产品、高分辨率地形模型以及Sentinel-1雷达卫星观测数据，GFF数据集使得研究人员能够开发和验证先进的洪水预测模型。这些模型不仅能够预测洪水的发生，还能精确地绘制出洪水淹没区域的地图，从而为应急响应和灾害管理提供关键信息。

解决学术问题

GFF 数据集解决了学术界在洪水预测领域长期面临的多个关键问题。首先，它填补了全球范围内洪水淹没预测数据集的空白，为研究人员提供了一个统一的基准。其次，通过聚焦于沿海和近海区域的洪水事件，GFF 数据集特别解决了这些区域由于海平面上升和极端天气事件频发而导致的复杂洪水预测问题。此外，GFF 数据集的多模态数据整合能力，为研究如何有效融合不同类型的遥感数据以提高预测精度提供了新的研究方向。

衍生相关工作

GFF 数据集的发布催生了一系列相关研究工作，推动了洪水预测和灾害管理领域的技术进步。例如，基于GFF数据集的研究已经开发出多种先进的机器学习模型，这些模型在洪水淹没预测的准确性和实时性方面取得了显著提升。同时，GFF 数据集也为跨学科研究提供了平台，促进了气象学、地理信息科学和计算机科学等领域的合作，共同探索洪水预测的新方法和新工具。