BlessemFlood21: Advancing Flood Analysis with a High-Resolution Georeferenced Dataset for Humanitarian Aid Support

洪水越来越成为全球性的威胁，会导致紧急情况和对基础设施的严重破坏。在危机期间，世界粮食计划署等组织使用通过无人机获取的遥感图像进行快速情况分析，以规划拯救生命的行动。计算机视觉工具需要支持现场的任务专家对图像进行评估，以提高他们的效率并战略性地分配资源。我们介绍了BlessemFlood21数据集，以刺激对高效洪水检测工具的研究。这些图像是在2021年Erftstadt-Blessem洪水事件期间获取的，包括高分辨率和地理参考的RGB-NIR图像。在生成的RGB数据集中，图像通过半监督人机协作技术获取了详细的水面掩模，特别是利用NIR信息将像素分类为水或非水。我们通过训练和测试已建立的深度学习模型进行评估。通过BlessemFlood21，我们提供了标记的高分辨率RGB数据以及进一步开发针对RGB图像中洪水检测的算法解决方案的基线。

本论文旨在解决洪水检测问题，通过引入BlessemFlood21数据集，提供高分辨率、地理参考的RGB-NIR图像，并使用半监督人类协助技术生成详细的水域掩膜，以供深度学习模型进行语义分割。

论文的关键思路是使用BlessemFlood21数据集，结合深度学习模型进行语义分割，从而实现高效的洪水检测。

BlessemFlood21数据集提供了高分辨率、地理参考的RGB-NIR图像，以及详细的水域掩膜。论文使用半监督人类协助技术生成水域掩膜，并使用深度学习模型进行语义分割。实验结果表明，该方法在洪水检测方面具有很高的准确性和效率。

在相关研究方面，最近的一些研究包括：1.《A review of deep learning methods for flood detection and monitoring》；2.《Flood detection and mapping using SAR and optical remote sensing data: a review》；3.《Flood detection and monitoring using remote sensing and GIS technologies: a review》等。