[论文解读] GLH-Water: A Large-Scale Dataset for Global Surface Water Detection in Large-Size Very-High-Resolution Satellite Imagery

Yansheng Li, Bo Dang+2 more|arXiv (Cornell University)|Mar 16, 2023

Flood Risk Assessment and ManagementEnvironmental Science被引用 3

一句话总结

本论文提出GLH-Water，这是首个用于大尺寸超分辨率（VHR）卫星影像中全球地表水检测的大规模数据集，包含250幅图像（12,800×12,800像素，0.3米分辨率），覆盖全球分布的水体，且均经过人工标注。该研究提出了一种新颖的金字塔一致性损失（PCL）基线模型，显著提升了对连续性和小尺度水体的检测能力，在多个数据集和真实世界试点区域中均展现出优异的泛化性能。

ABSTRACT

Global surface water detection in very-high-resolution (VHR) satellite imagery can directly serve major applications such as refined flood mapping and water resource assessment. Although achievements have been made in detecting surface water in small-size satellite images corresponding to local geographic scales, datasets and methods suitable for mapping and analyzing global surface water have yet to be explored. To encourage the development of this task and facilitate the implementation of relevant applications, we propose the GLH-water dataset that consists of 250 satellite images and manually labeled surface water annotations that are distributed globally and contain water bodies exhibiting a wide variety of types (e.g., rivers, lakes, and ponds in forests, irrigated fields, bare areas, and urban areas). Each image is of the size 12,800 $ imes$ 12,800 pixels at 0.3 meter spatial resolution. To build a benchmark for GLH-water, we perform extensive experiments employing representative surface water detection models, popular semantic segmentation models, and ultra-high resolution segmentation models. Furthermore, we also design a strong baseline with the novel pyramid consistency loss (PCL) to initially explore this challenge. Finally, we implement the cross-dataset and pilot area generalization experiments, and the superior performance illustrates the strong generalization and practical application of GLH-water. The dataset is available at https://jack-bo1220.github.io/project/GLH-water.html.

研究动机与目标

• 解决在超分辨率（VHR）卫星影像中地表水检测缺乏大规模、具有全球代表性的数据集的问题。
• 应对在大尺寸VHR图像（12,800×12,800像素）中检测小尺度、复杂且连续水体的挑战，此类图像在实际应用中极为常见。
• 建立一个基准，用于评估最先进语义分割与地表水检测模型在全局VHR影像上的性能。
• 验证在GLH-Water上训练的模型在不同数据集和真实世界试点区域中的泛化能力。
• 提供一个基于新颖金字塔一致性损失（PCL）的强基线模型，推动高分辨率地表水检测研究的发展。

提出的方法

• 从全球不同地区收集了250幅VHR卫星图像（0.3米地面采样距离，12,800×12,800像素），涵盖森林、城市、农业和裸露地等区域中的各类水体类型（如河流、湖泊、池塘）。
• 通过人工标注与专家审核，为所有图像生成精确的像素级水体掩膜。
• 提出一种新颖的金字塔一致性损失（PCL），通过利用多尺度特征的一致性，提升对连续性和细长水体的检测能力。
• 在GLH-Water上评估了12种最先进模型，包括专用于地表水检测、通用语义分割以及超高分辨率分割的模型，以建立性能基准。
• 通过跨数据集泛化与试点区域评估，验证了在GLH-Water上训练的模型在实际应用中的适用性与鲁棒性。
• 利用该数据集在真实世界城市试点区域（上海杨浦区）训练并测试模型，评估其在具有阴影和狭窄水道等复杂场景下的表现。

实验结果

研究问题

• RQ1 一个大规模、全球分布的VHR卫星影像数据集是否能提升地表水检测模型在多样化地理与土地覆盖条件下的泛化能力？
• RQ2 所提出的金字塔一致性损失（PCL）在大尺寸VHR图像中，对保持连续性和小尺度水体的检测效果如何，是否能有效降低误报与漏报？
• RQ3 在GLH-Water上训练的模型在其他数据集（如DeepGlobe和LoveDA）上的泛化能力如何？与在这些数据集上训练的模型相比表现如何？
• RQ4 在具有挑战性特征（如建筑阴影和狭窄水道）的真实复杂城市环境中，GLH-Water训练的模型表现如何？
• RQ5 当前分割模型在应用于大尺寸、高分辨率地表水检测任务时，其性能极限与失效模式是什么？

主要发现

• GLH-Water是首个专为大尺寸VHR卫星影像中全球地表水检测设计的大规模数据集，包含250幅图像，覆盖多样化的全球水体类型与场景。
• 所提出的金字塔一致性损失（PCL）显著提升了对连续性和细长水体的检测能力，相比基线模型，有效降低了虚警与漏检错误。
• 在DeepGlobe测试集上，GLH-Water训练的模型达到74.43%的IoU分数，在LoveDA测试集上达到68.15%，与在各自原生数据集上训练的模型性能相当，证明了其强大的跨数据集泛化能力。
• 在真实世界试点区域（上海杨浦区），GLH-Water训练的模型达到75.99%的IoU，优于在DeepGlobe、2020 GF Challenge和LoveDA数据集上训练的模型。
• 尽管泛化能力出色，该模型在检测狭窄水道和处理城市环境中阴影干扰方面仍存在困难，揭示了未来研究的关键挑战。
• 在GLH-Water上建立的基准为分割模型的系统性评估提供了支持，为遥感领域高分辨率地表水检测设定了新标准。