UrbanSARFloods: Sentinel-1 SLC-Based Benchmark Dataset for Urban and Open-Area Flood Mapping

由于卫星合成孔径雷达（SAR）具有穿透云层的能力和独立于太阳照射的特点，因此它是大规模洪水制图的首选数据源，提供全球覆盖范围，并包括各种土地覆盖类别。然而，大多数使用深度学习算法进行大规模SAR洪水制图的研究主要集中在淹没的开放区域，利用可用的开放式数据集（例如Sen1Floods11），并且对城市洪水的关注有限。为了填补这一空白，我们介绍了UrbanSARFloods，这是一个洪水数据集，其中包含预处理的Sentinel-1强度数据和干涉相干图像，这些数据在洪水事件发生前和期间获取。它包含8,879个$512\times 512$芯片，涵盖20种土地覆盖类别和5个大陆，跨越18个洪水事件，覆盖面积为807,500 $km^2$。我们使用UrbanSARFloods来评估现有最先进的卷积神经网络（CNN）在分割开放和城市洪水区域方面的表现。我们的研究结果表明，包括加权交叉熵（WCE）损失和预训练模型的迁移学习在克服不平衡数据和小型训练数据集的限制方面存在不足。城市洪水检测仍然具有挑战性。未来的研究应探索解决不平衡数据挑战的策略，并研究迁移学习在基于SAR的大规模洪水制图中的潜力。此外，扩展此数据集以包括其他洪水事件有望增强其实用性并促进洪水制图技术的发展。

论文旨在解决利用SAR数据进行城市洪水检测的问题，尤其是在处理不平衡数据和小规模训练数据方面的挑战。

论文提出了UrbanSARFloods数据集，并使用该数据集评估了当前流行的CNN方法在检测开放水域和城市洪水方面的表现。研究结果表明，目前的方法在处理不平衡数据和小规模训练数据方面存在不足，并提出了未来研究应该探索应对不平衡数据挑战的策略并研究迁移学习在SAR大规模洪水检测中的潜力。

论文介绍了UrbanSARFloods数据集，该数据集包含来自20个土地覆盖类别和5个大洲的18个洪水事件期间的Sentinel-1强度数据和干涉相干图像，共计8,879张$512 imes 512$的芯片，涵盖了807,500 $km^2$的区域。论文评估了当前流行的CNN方法在检测开放水域和城市洪水方面的表现，并指出了当前方法的不足之处。论文还提出了未来研究的方向，包括探索不平衡数据挑战的策略和研究迁移学习在SAR大规模洪水检测中的潜力。

与该论文相关的研究包括：Sen1Floods11数据集的使用以及其他基于SAR数据的洪水检测方法的研究，如利用深度学习方法对SAR数据进行分类和分割的研究。