Sen2GF3Floods: Un conjunto de datos de referencia multifuente de inundaciones con anotación temporal dual y...

Área de la Ciencia:

• Observación de la Tierra
• Teledetección
• Ciencias Geoespaciales

Sus antecedentes:

• Los desastres de inundaciones impactan significativamente los sistemas socioeconómicos y los ecosistemas globales.
• Los conjuntos de datos existentes de detección de inundaciones enfrentan limitaciones en la diversidad de fuentes, la precisión de la anotación y la escala.
• Los conjuntos de datos de alta calidad son cruciales para avanzar en las capacidades de detección de inundaciones.

Objetivo del estudio:

• Introducir Sen2GF3Floods, el primer conjunto de datos que integra imágenes ópticas Sentinel-2 previas al desastre con imágenes SAR (Radar de Apertura Sintética) Gaofen-3 posteriores al desastre.
• Desarrollar un marco de anotación colaborativa temporal dual utilizando etiquetado semi-automático y aprendizaje activo para mejorar la precisión y la eficiencia.
• Proporcionar un recurso integral para mejorar los algoritmos de detección de inundaciones y apoyar la respuesta a desastres.

Principales métodos:

• Integración de imágenes ópticas Sentinel-2 e imágenes SAR Gaofen-3.
• Desarrollo de un marco de anotación colaborativa temporal dual que incorpora etiquetado semi-automático y aprendizaje activo basado en U-Net++.
• Estandarización de 21.483 muestras de nueve eventos importantes de inundaciones en diversos entornos geomorfológicos.

Principales resultados:

• Las evaluaciones de referencia utilizando cinco modelos de segmentación semántica demostraron un rendimiento sólido en el mapeo de inundaciones con fusión multifuente (datos Sentinel-2 RGB/NIR y GF-3 HH/HV).
• El aprendizaje activo redujo efectivamente los costos de anotación preservando la calidad de los datos.
• Los modelos entrenados con datos SAR de Gaofen-3 exhibieron una buena transferibilidad a datos SAR de Sentinel-1.

Conclusiones:

• Sen2GF3Floods es un recurso valioso para avanzar en los algoritmos de detección de inundaciones.
• El conjunto de datos apoya la respuesta operativa y en tiempo real a desastres a través de un mapeo mejorado de inundaciones.
• La fusión de datos multifuente y el aprendizaje activo son estrategias efectivas para mejorar los conjuntos de datos de detección de inundaciones.