SDSU_MidWest_Flood_2019

本研究介绍了一个用于分割卫星图像中洪水区域的新型数据集。该数据集由南达科他州立大学的研究团队创建，包含来自2019年美国中西部地区洪水的卫星图像。数据集由10个地点的卫星图像组成，每个地点包含10张图像，其中包括洪水和非洪水区域。数据集旨在提高洪水检测模型的性能，特别是在季节性变化的情况下。该数据集将有助于未来多模态和时序学习策略的研究。数据集将在https://github.com/youngsunjang/SDSU_MidWest_Flood_2019上公开提供。

This study introduces a novel dataset for flood area segmentation in satellite imagery. Developed by a research team from South Dakota State University, the dataset contains satellite imagery captured during the 2019 Midwestern United States floods. It consists of satellite images from 10 locations, with 10 images per location covering both flooded and non-flooded areas. This dataset aims to improve the performance of flood detection models, particularly under conditions of seasonal variability, and will facilitate future research on multimodal and temporal learning strategies. The dataset will be publicly available at https://github.com/youngsunjang/SDSU_MidWest_Flood_2019.

原始信息汇总

SDSU Midwest Flood Dataset 2019 数据集概述

数据集简介

• 数据集名称：SDSU Midwest Flood Dataset 2019
• 内容描述：包含2019年美国中西部洪水事件的真彩色卫星图像，每张图像均配有指示洪水区域的二值掩码。

相关论文

• 论文标题：A Novel Dataset for Flood Detection Robust to Seasonal Changes in Satellite Imagery
• 作者：Youngsun Jang, Dongyoun Kim, Chulwoo Pack, Kwanghee Won
• 会议信息：ACM RACS 2024（意大利庞贝，2024年11月5-8日）
• 论文状态：未收录于会议官方论文集，以GitHub仓库和arXiv版本为官方参考
• 论文下载：PDF | arXiv链接

引用方式

• BibTeX引用： 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://github.com/youngsunjang/SDSU_MidWest_Flood_2019} and url{https://arxiv.org/abs/XXXX.XXXX}}, }

数据集下载

• 下载链接：Google Drive

搜集汇总

数据集介绍

构建方式

该数据集通过收集2019年美国中西部洪水的卫星图像构建而成，数据来源于Planet Labs的Planet Explorer服务。为确保数据质量，研究者采用固定缩放级别（3.00米/像素分辨率）进行屏幕截图，并将图像统一调整为700×700像素的.png格式。同时，利用开源标注工具‘Makesense’对洪水区域进行标注，生成二进制掩码图像。数据集覆盖了五个州（爱荷华、堪萨斯、蒙大拿、内布拉斯加和南达科他）的10个地点，每个地点包含10张图像（8张非洪水图像和2张洪水图像），共计500张图像。

特点

该数据集具有多时相特性，每个地点的图像按季节分布，旨在捕捉季节性变化，避免模型将冬季积雪误判为洪水。洪水区域在二进制掩码中以白色标注，非洪水区域为黑色。数据集排除了洪水前已有的水体（如河流或湖泊），以更严格地训练模型。此外，数据集还提供了地理坐标信息（geojson文件），便于进一步的空间分析。

使用方法

该数据集适用于语义分割任务，可用于训练和评估洪水检测模型。研究者建议将非洪水图像与洪水图像通道组合，以增强模型对洪水区域的识别能力。此外，通过滑动窗口技术生成非洪水与洪水图像对，可扩展训练数据量。数据集已应用于多种先进的计算机视觉模型（如U-Net、AttResUNet、SegNeXt等），并提供了准确性、Dice系数和mIoU等评估指标。数据集公开于GitHub平台，便于研究者下载和使用。

背景与挑战

背景概述

SDSU_MidWest_Flood_2019数据集由南达科他州立大学的Youngsun Jang、Dongyoun Kim、Chulwoo Pack和Kwanghee Won等研究人员于2024年提出，旨在填补卫星图像中洪水区域分割任务的数据空白。该数据集聚焦于2019年美国中西部洪水事件，通过Planet Labs的卫星图像构建，包含爱荷华州、堪萨斯州等五个州共50个地点的多时序图像，每地点包含10张图像（8张非洪水期和2张洪水期图像），共计500张图像。数据集的设计强调了季节变化的鲁棒性，通过标注洪水区域并排除固有水体，为洪水检测模型提供了高质量的基准数据。该数据集对气候变化背景下的灾害监测和遥感图像分析领域具有重要意义。

当前挑战

SDSU_MidWest_Flood_2019数据集面临的挑战主要包括两方面：领域问题挑战和构建过程挑战。在领域问题方面，洪水检测任务需区分季节性变化（如积雪）与真实洪水，这对模型的时序特征理解能力提出了较高要求；现有语义分割模型（如U-Net变体）在洪水区域分割任务中表现中等（最高mIoU仅75.43%），表明模型需进一步优化以适应多模态时序数据。在构建过程中，数据获取受限于卫星图像的分辨率与下载政策，需通过屏幕截图和固定缩放比例确保分辨率一致性（3.00m/px），且人工标注洪水区域时需排除固有水体，增加了数据清洗的复杂度。此外，数据集的时序特性要求模型能够有效融合多时相特征，而传统卷积架构对此类特征的提取能力有限。

常用场景

经典使用场景

SDSU_MidWest_Flood_2019数据集在洪水检测领域具有重要的应用价值，尤其在处理卫星图像中的季节性变化时表现出色。该数据集通过多时间序列图像捕捉洪水事件前后的地表变化，为语义分割任务提供了丰富的训练样本。经典使用场景包括利用深度学习模型对洪水区域进行精确分割，以评估洪水范围和影响。

实际应用

SDSU_MidWest_Flood_2019数据集在实际应用中广泛用于洪水灾害的快速响应与评估。政府部门和救援机构可以利用该数据集训练的模型，快速生成洪水影响区域的地图，优化资源分配和救援计划。此外，保险公司也可借助这些数据评估灾害损失，提高理赔效率。

衍生相关工作

该数据集衍生了一系列经典工作，包括基于U-Net架构的改进模型如AttResUNet和SDSC-UNet，这些模型在洪水区域分割任务中表现出色。此外，数据集还激发了多模态学习方法的研究，如结合地理文本特征的RemoteCLIP模型，进一步提升了洪水检测的准确性和鲁棒性。