IMAFD: An Interpretable Multi-stage Approach to Flood Detection from time series Multispectral Data

本文针对洪水检测领域中两个关键挑战进行了探讨：大规模时间序列变化检测的计算开销和缺乏可解释人工智能（XAI）的决策过程。为了克服这些挑战，我们提出了一个可解释的多阶段洪水检测方法，即IMAFD。该方法提供了一种适用于大规模遥感任务的自动、高效和可解释的解决方案，并为决策过程提供了见解。所提出的IMAFD方法将动态时间序列图像序列分析与静态的图像语义分割相结合，以识别可能存在洪水的图像。它将异常检测（在图像和像素级别）与语义分割相结合，通过四个阶段解决洪水检测问题：（1）在序列级别：识别可疑图像（2）在多图像级别：检测可疑图像内的变化（3）在图像级别：将图像分割为陆地、水或云类别的语义分割（4）决策制定。我们的贡献有两个方面。首先，我们通过提供多阶段的全面方法来进行洪水检测，有效减少了需要处理的帧数。其次，所提出的语义变化检测方法（第三阶段）为人类用户提供了可解释的决策过程，而大多数可解释人工智能（XAI）方法提供的是事后解释。所提出的IMAFD框架的评估是在三个数据集（WorldFloods、RavAEn和MediaEval）上进行的。对于上述所有数据集，所提出的框架展示了与其他方法相比具有竞争力的性能，并提供了可解释性和洞察力。

本论文解决了洪水检测中的计算复杂度和可解释性问题。提出了一种多阶段的可解释洪水检测方法（IMAFD），适用于大规模遥感任务，并提供决策过程的洞察力。

IMAFD方法将动态时间序列图像序列的分析与静态的图像语义分割相结合，通过四个阶段解决洪水检测问题：（1）在序列级别：识别可疑图像（2）在多图像级别：检测可疑图像内的变化（3）在图像级别：将图像进行语义分割为陆地、水或云类（4）决策制定。

本文的亮点在于提出了一种多阶段的洪水检测方法，同时提供可解释性和洞察力。在WorldFloods、RavAEn和MediaEval三个数据集上进行了评估，结果表明IMAFD框架的性能竞争力强，同时提供了可解释性和洞察力。

最近的相关研究包括："Flood Detection Using Satellite Imagery: A Review and Opportunities for Machine Learning"、"Flood Detection in SAR Images using Deep Learning"、"Flood Monitoring and Damage Assessment using SAR Data and Machine Learning Techniques"等。