youngsun05/SDSU_MidWest_Flood_2019

该数据集为卫星图像中的洪水检测提供了一个基准。它包含了2019年美国中西部洪水事件的真彩色卫星图像，每张图像都配有一个指示洪水区域的二进制掩码。数据集覆盖了爱荷华州、堪萨斯州、蒙大拿州、内布拉斯加州和南达科他州等地区，每个地点有10张图像。This dataset provides a benchmark for flood detection in satellite imagery. It contains true-color satellite images from the 2019 Midwest USA flooding event, with each image paired with a binary mask indicating flooded areas. The dataset covers states including Iowa, Kansas, Montana, Nebraska, and South Dakota, with 10 images per location.

原始信息汇总

数据集概述

• 名称: SDSU Midwest Flood Dataset 2019 (SDSU_MidWest_Flood_2019)
• 任务: 图像分割、目标检测
• 语言: 英语
• 数据集大小: 100M < n < 1B
• 许可证: CC-BY-4.0
• 标签: 洪水、灾难、异常检测

数据集内容

• 图像: 真彩色卫星影像
• 掩码: 用于标记洪水区域的二值掩码
• 覆盖州: 爱荷华州、堪萨斯州、蒙大拿州、内布拉斯加州、南达科他州
• 每个位置图像数量: 10 张

数据来源与背景

该数据集基于 2019 年美国中西部洪水事件 的卫星影像构建，为卫星影像中的洪水检测提供基准。相关论文发表于 ACM RACS 2024 会议（意大利庞贝，2024年11月5-8日），标题为 "A Novel Dataset for Flood Detection Robust to Seasonal Changes in Satellite Imagery"。

使用方式

可通过 Hugging Face Datasets 库直接加载：

python from datasets import load_dataset dataset = load_dataset("youngsun05/SDSU_MidWest_Flood_2019")

引用信息

bibtex @misc{jang2024midwestflood, title={A Novel Dataset for Flood Detection Robust to Seasonal Changes in Satellite Imagery}, author={Youngsun Jang and Dongyoun Kim and Chulwoo Pack and Kwanghee Won}, year={2024}, note={Presented at ACM RACS 2024. Available at url{https://huggingface.co/datasets/youngsun05/SDSU_MidWest_Flood_2019} and url{https://arxiv.org/abs/2507.23193}}, }

论文

• arXiv: 2507.23193

搜集汇总

数据集介绍

构建方式

该数据集聚焦于2019年美国中西部地区的洪水事件，旨在为卫星影像中的洪水检测提供标准化基准。数据构建过程中，研究者从覆盖爱荷华、堪萨斯、蒙大拿、内布拉斯加及南达科他五个州的真彩色卫星影像中精心选取样本，每个地理位置的影像数量均为十张。每张影像均配以精确的二值掩膜，用以标记洪泛区与非洪泛区的边界。原始影像与掩膜数据经过一致性校验与清洗，确保标注的可靠性与均匀性，从而形成了一套结构紧凑、区域多样的洪水检测基准资源。

特点

该数据集的核心特点在于其针对季节性变化扰动的鲁棒性设计。影像全部采集自同一洪水事件窗口，避免了时序跨度带来的光谱与纹理差异；同时，横跨五个州的多地点采样策略，有效覆盖了不同地貌与植被背景下的洪泛表现。二值掩膜的简洁语义降低了模型训练的认知负担，但保留了像素级精确度，兼顾了传统分割与目标检测任务的适配性。整体而言，该数据集为评估洪水检测算法在实际灾害场景下的泛化能力提供了严苛且公平的测试环境。

使用方法

数据集的使用极为便捷，可通过Hugging Face Datasets库直接加载，仅需一行Python代码即可获取完整的影像掩膜对：调用`load_dataset("youngsun05/SDSU_MidWest_Flood_2019")`。加载后的数据以标准的图像分割格式呈现，既可直接用于训练二分类分割模型，也可通过后处理适配目标检测框架。因数据采用CC-BY-4.0许可协议，研究者在确保署名规范的前提下，可自由分享与改编该资源，用于进一步的模型开发或学术分析。

背景与挑战

背景概述

卫星遥感影像中的洪涝检测是灾害监测与应急响应的关键环节，然而现有数据集多聚焦于单一时间点的洪灾场景，缺乏对季节性变化（如植被、土壤湿度及积雪覆盖）的鲁棒性考量。SDSU_MidWest_Flood_2019数据集由南达科他州立大学（SDSU）的Youngsun Jang、Dongyoun Kim、Chulwoo Pack及Kwanghee Won团队创建，于2024年在ACM RACS会议上提出。该数据集以2019年美国中西部特大洪灾（波及爱荷华、堪萨斯、蒙大拿、内布拉斯加、南达科他五州）为研究对象，提供了10组不同地点的真彩色卫星图像及其对应的二值洪水分割掩膜，旨在为季节性变化下的鲁棒洪涝检测算法提供标准化基准。其发布推动了遥感图像分析中跨季节泛化能力的研究，对灾害监测领域的深度学习模型评估具有重要参考价值。

当前挑战

该数据集所解决的领域问题核心在于遥感洪涝检测对季节性环境变化的脆弱性——传统的洪灾数据集常忽略雪盖、植被凋零或灌溉痕迹等非洪水因素导致的错误激活，而SDSU_MidWest_Flood_2019通过跨季节采样（2019年洪灾与同年非洪灾时相）直接挑战了现有模型在时空域上的泛化能力。构建过程中面临的挑战包括：从多源卫星影像中精确对齐多时相、多区域的真实色彩图像，手工标注大范围、边界模糊的洪泛区二进制掩膜，以及确保五个州十处地点的样本覆盖了不同的地貌和气候条件。此外，由于ACM RACS 2024会议未将论文集收录至官方ACM数据库，团队通过Hugging Face与arXiv作为正式发布渠道，亦构成了学术传播上的独特考验。

常用场景

经典使用场景

在遥感图像分析领域，洪水灾害的快速精准识别对应急响应与灾后评估至关重要。SDSU_MidWest_Flood_2019数据集专为基于卫星影像的洪水检测任务而构建，其经典使用场景为图像语义分割与目标检测。研究人员利用该数据集提供的真彩色卫星影像及其对应的二值掩码，训练深度学习模型以逐像素区分淹没区域与陆地背景，从而实现对洪泛区的高精度自动提取。该数据集覆盖2019年美国中西部五个州的洪灾场景，每处地点均包含十张影像，为模型提供了丰富的空间与纹理变化信息，尤其适用于评估算法在不同地理环境下的泛化能力。

衍生相关工作

基于此数据集，学界已衍生出多项富有影响力的探索。原始论文提出的算法验证了数据集对季节变化不敏感的优势，为后续开展域自适应与对抗性训练研究提供了基线。部分工作将该数据与Sentinel-1 SAR影像结合，构建多模态洪水检测框架以应对云层遮挡场景。另有学者在此基础上引入时间序列建模，通过分析灾前与灾后影像的差异来增强检测精度。这些衍生研究不仅验证了数据集的高质量，还进一步拓展了其在连续监测与跨传感器迁移学习中的应用边界。

数据集最近研究

最新研究方向

面向卫星影像中洪涝灾害的鲁棒性检测，该数据集聚焦于应对季节变化带来的环境差异，为推进遥感图像异常监测与灾情评估提供了关键基准。结合2019年美国中西部特大洪灾这一热点事件，SDSU_MidWest_Flood_2019通过提供高分辨率真彩色影像与精确二值掩码，支撑了深度学习模型在洪水分割与目标检测中的前沿探索。其意义在于填补了季节性变化下洪灾检测的标准化数据空白，推动了灾害应急响应与气候变化适应研究的发展。