mwBTFreddy

mwBTFreddy数据集是由马拉维大学商业与应用科学学院Kuyesera AI实验室开发，旨在支持马拉维城市地区的洪水灾害评估。该数据集包括来自Google Earth Pro的成对的前后灾卫星图像，以及包含地理坐标和损害等级标签的JSON文件。数据集旨在促进机器学习模型的发展，以适应非洲城市环境的建筑检测和损害分类。此外，它还支持洪水损害可视化，并用于决策搬迁、基础设施规划和气候脆弱地区的应急响应。数据集由前后灾卫星图像组成，这些图像覆盖了2023年受飓风Freddy影响的马拉维布兰太尔市洪水影响的城区。该数据集旨在支持机器学习方法的评估，以实现自动损害分类，特别是针对人口密集和生态脆弱地区的洪水影响。

The mwBTFreddy dataset was developed by the Kuyesera AI Lab at the School of Business and Applied Sciences, University of Malawi, aiming to support flood disaster assessment in urban areas of Malawi. This dataset includes paired pre- and post-disaster satellite imagery sourced from Google Earth Pro, along with JSON files containing geographic coordinates and damage level labels. It is designed to advance the development of machine learning models for building detection and damage classification tailored to urban environments in Africa. Additionally, it supports flood damage visualization and is used for decision-making on relocation, infrastructure planning, and emergency response in climate-vulnerable regions. The dataset consists of pre- and post-disaster satellite imagery covering urban areas affected by flooding in Blantyre City, Malawi, which was impacted by Cyclone Freddy in 2023. This dataset aims to support the evaluation of machine learning methods for automated damage classification, particularly for flood impacts in densely populated and ecologically fragile regions.

搜集汇总

数据集介绍

构建方式

mwBTFreddy数据集构建过程基于Google Earth Pro获取的卫星影像，覆盖马拉维Blantyre市受热带气旋Freddy影响的三个城区。研究团队采用网格化方法导出1024x768分辨率、70米比例尺的灾前（2022年8月）与灾后（2023年5月）影像对，通过QGIS完成地理配准和xBD标准标注。标注过程中排除了植被遮挡超过20%或跨多图像的建筑物，最终形成696组带JSON标注的影像实例，包含建筑物多边形坐标及四级损毁分类标签。

特点

该数据集核心价值在于其地域专属性与灾害评估的细粒度标注。作为首个聚焦马拉维城市洪灾的建筑损毁数据集，其影像精确捕捉了当地特有的建筑形态与材料特征。每组数据包含地理坐标对齐的灾前灾后影像对，配合符合xBD标准的四级损毁标注（无损坏、轻微、严重、毁坏），支持像素级建筑轮廓识别。数据覆盖Chilobwe等灾情严重区域，其中68%的影像经过人工验证标注，为非洲城市环境下的机器学习模型训练提供了稀缺样本。

使用方法

mwBTFreddy数据集适用于计算机视觉与地理空间分析的多重场景。研究者可通过解析配对影像与JSON标注文件，开发建筑检测与损毁分类模型，其中地理坐标支持GIS空间分析。使用建议包括：1）利用影像对进行变化检测算法训练；2）结合多边形标注开发实例分割模型；3）通过坐标数据实现灾害影响的空间分布可视化。数据集已应用于Zindi平台的AI公平挑战赛，后续可延伸至城市韧性规划、排水系统优化等决策支持领域。预处理时需注意部分建筑因分辨率限制存在的标注噪声问题。

背景与挑战

背景概述

mwBTFreddy数据集由马拉维商业与应用科学大学的Kuyesera AI实验室于2025年创建，旨在支持马拉维城市地区特别是2023年热带气旋弗雷迪影响的快速洪水灾害评估。该数据集包含来自Google Earth Pro的灾前和灾后卫星图像配对，以及带有地理坐标和损坏等级（无损坏、轻微、重大或毁坏）标记的建筑注释JSON文件。该数据集为非洲城市背景下的建筑检测和损坏分类机器学习模型开发提供了重要资源，支持洪水损害的可视化和空间分析，为气候脆弱地区的重新安置、基础设施规划和应急响应提供决策依据。

当前挑战

mwBTFreddy数据集面临的挑战主要包括两个方面：领域问题挑战和构建过程挑战。在领域问题方面，该数据集旨在解决城市快速洪水灾害评估中的建筑损坏分类问题，但由于马拉维特有的建筑风格和材料，通用模型可能难以准确适应当地情况。构建过程中的挑战包括：1) 卫星图像分辨率不足导致部分建筑难以清晰识别；2) 植被遮挡影响建筑多边形标注的准确性；3) 建筑跨越多个图像导致标注困难；4) 地理坐标生成可能存在误差。此外，数据采集受限于Google Earth Pro的可用图像，可能无法完全反映灾害造成的所有损害情况。

常用场景

经典使用场景

在气候变化日益加剧的背景下，mwBTFreddy数据集为马拉维城市地区的突发洪水灾害评估提供了关键支持。该数据集通过配对灾前灾后卫星影像，结合建筑损伤标注，为机器学习模型在非洲城市环境中的建筑检测与损伤分类任务提供了标准化基准。其典型应用场景包括利用深度学习算法自动识别受灾区域，量化建筑损毁程度，为灾后救援优先级划分提供数据依据。

实际应用

在实际应用层面，mwBTFreddy数据集已直接服务于马拉维政府的灾后重建规划。基于该数据集训练的模型可生成高精度洪灾损失热力图，辅助确定临时安置点选址与基础设施修复顺序。在2023年热带气旋弗雷迪的应对中，相关成果被用于优化排水系统改造方案，并指导在Soche山区实施植被恢复工程以降低未来灾害风险。

衍生相关工作

该数据集催生了多项创新研究，包括结合Sentinel-1雷达数据的多模态损伤评估框架，以及融合社区上报数据的众包验证系统。在Zindi平台举办的AI公平挑战赛中，其作为基准数据推动了面向发展中国家的小样本迁移学习算法发展。相关衍生工作还扩展至城市扩张模拟领域，通过对比灾前灾后影像分析非正规聚居区的空间演变规律。