tacofoundation/worldfloods

WorldFloods是一个全球性的数据集，包含成对的Sentinel-2多光谱图像（Level-1C）和相应的洪水分割掩模。该数据集旨在支持从光学卫星数据中自动进行洪水范围分割，提供了509个洪水事件的训练和验证样本，时间跨度为2016年至2023年。数据集使用了TACO规范进行组织，便于数据访问和使用。

WorldFloods is a global dataset containing pairs of Sentinel-2 multispectral images (Level-1C) and corresponding flood segmentation masks. It is designed to support automatic flood extent segmentation from optical satellite data, providing training and validation samples for 509 flood events from 2016 to 2023. The dataset is organized according to the TACO specification for easy data access and usage.

搜集汇总

数据集介绍

构建方式

在遥感与灾害监测领域，WorldFloods数据集的构建体现了系统化的数据工程理念。该数据集整合了全球509次洪水事件的哨兵二号多光谱影像与对应的洪水淹没范围掩膜。其构建过程依托于欧洲空间局的哨兵二号Level-1C级反射率产品，并采用标准化大气校正流程以确保辐射精度。洪水掩膜主要源自权威的应急测绘产品，如哥白尼应急管理服务与联合国卫星应用项目的专题图，通过人工与半自动结合的方式进行精炼与标注。数据以TACO规范组织，每个数据单元包含配准后的影像、永久水体参考层及洪水真值掩膜，确保了数据在空间上的一致性。

特点

WorldFloods数据集在洪水遥感领域展现出鲜明的特征。其覆盖了2016年至2023年间的全球性洪水事件，地理与水文条件具有高度多样性。数据集提供哨兵二号全部13个光谱波段的信息，并统一重采样至10米空间分辨率，便于模型处理。尤为突出的是，版本2.0引入了双通道参考掩膜，同时区分陆地/水体与云层/晴空，支持云感知的洪水分割任务。数据规模经过优化，最新版本存储需求约为76GB，相较于初始版本更为高效，且通过Hugging Face与Zenodo平台提供便捷的访问途径。

使用方法

该数据集主要用于训练与验证光学卫星影像的洪水淹没范围自动分割模型。研究人员可通过tacoreader库直接加载数据集，每个样本包含配准的影像、永久水体层和洪水真值掩膜，支持像素级的对比与分析。典型的应用流程包括读取特定索引的数据行，利用rasterio库提取指定区域的波段数据，并进行可视化或输入深度学习模型。数据集已划分为训练、验证与测试子集，便于进行模型开发与性能评估。相关研究论文提供了完整的机器学习框架示例，展示了其在全球性洪水事件制图中的应用潜力。

背景与挑战

背景概述

在遥感科学与灾害应急管理领域，高精度、大范围的洪水淹没范围自动制图一直是关键的研究课题。WorldFloods数据集由瓦伦西亚大学图像与信号处理组等机构主导创建，其初始版本于2021年伴随相关学术论文发布，后续在2023年更新至2.0版。该数据集的核心目标是利用Sentinel-2多光谱卫星影像，通过深度学习技术解决全球尺度下光学遥感洪水淹没范围语义分割的难题。它系统性地汇集了2016年至2023年间全球509起洪水事件的数据，为开发鲁棒性强的自动化洪水监测模型提供了不可或缺的基准数据，显著推动了该领域从方法研究向业务化应用的转变。

当前挑战

该数据集致力于解决的领域挑战主要在于光学遥感洪水制图的固有复杂性，包括云层遮挡对影像可用性的严重影响、洪水水体与阴影或深色地物的光谱混淆，以及不同地理环境与季节条件下水体光谱特征的巨大差异。在数据集构建过程中，挑战同样突出：如何从Copernicus EMS等权威但异构的产品中提取并融合高精度的洪水真值掩膜，并确保其与卫星影像的精确空间配准；如何处理Sentinel-2多波段数据的不同空间分辨率，并将其统一至10米格网以保持一致性；此外，在全球范围内收集具有代表性的洪水事件，并对其进行人工精细标注，也构成了巨大的时间与资源消耗。

常用场景

经典使用场景

在遥感与水文灾害监测领域，WorldFloods数据集为全球洪水范围分割任务提供了标准化的训练与评估基准。该数据集整合了Sentinel-2多光谱影像与经过权威机构精校的洪水掩膜，覆盖2016年至2023年间全球509次洪水事件。其经典应用场景在于支持深度学习模型进行像素级洪水淹没区识别，通过13个光谱波段的高分辨率数据，模型能够学习洪水在不同地理与气象条件下的光谱特征，实现从光学卫星影像中自动提取洪水边界。

实际应用

在实际灾害应急响应与水资源管理中，WorldFloods数据集驱动的模型已展现出重要价值。基于该数据集训练的算法能够近乎实时地处理Sentinel-2影像，生成洪水淹没图，为应急管理机构如Copernicus EMS和UNOSAT提供决策支持。例如，在2023年巴基斯坦特大洪水事件中，相关技术被用于快速评估灾情范围与演变趋势，辅助救援资源调配与损失评估，体现了卫星遥感与人工智能技术在提升灾害响应效率与减轻社会影响方面的实际效能。

衍生相关工作

围绕WorldFloods数据集，已衍生出一系列具有影响力的经典研究工作。其初始版本催生了Mateo-García等人关于低成本卫星全球洪水制图的探索，验证了机器学习方法的可行性。后续的v2.0版本伴随Portalés-Julià等人的研究，提出了一个先进的全局洪水范围分割框架，该框架在薄云覆盖区域表现出卓越性能，相关成果发表于《Scientific Reports》。这些工作不仅推动了洪水分割算法的发展，也促进了TACO数据格式在遥感领域的应用，为后续研究提供了可复现的基准模型与数据处理范式。