[论文解读] Towards Daily High-resolution Inundation Observations using Deep Learning and EO

Antara Dasgupta, Lasse Hybbeneth+1 more|arXiv (Cornell University)|Aug 10, 2022

Flood Risk Assessment and Management被引用 5

一句话总结

本文提出了一种深度学习框架，融合多源地球观测（EO）数据——具体为Sentinel-1 SAR、Sentinel-2光学数据以及SMAP/GPM微波数据——以生成每日、高分辨率（10–30 m）的概率性洪水淹没图。通过使用U-Net和SegNet架构，并在Sentinel-1与-2导出的洪水掩膜上进行训练，该模型实现了0.85的PR-AUC，表明其在时空洪水监测方面优于传统卫星的局限性。

ABSTRACT

Satellite remote sensing presents a cost-effective solution for synoptic flood monitoring, and satellite-derived flood maps provide a computationally efficient alternative to numerical flood inundation models traditionally used. While satellites do offer timely inundation information when they happen to cover an ongoing flood event, they are limited by their spatiotemporal resolution in terms of their ability to dynamically monitor flood evolution at various scales. Constantly improving access to new satellite data sources as well as big data processing capabilities has unlocked an unprecedented number of possibilities in terms of data-driven solutions to this problem. Specifically, the fusion of data from satellites, such as the Copernicus Sentinels, which have high spatial and low temporal resolution, with data from NASA SMAP and GPM missions, which have low spatial but high temporal resolutions could yield high-resolution flood inundation at a daily scale. Here a Convolutional-Neural-Network is trained using flood inundation maps derived from Sentinel-1 Synthetic Aperture Radar and various hydrological, topographical, and land-use based predictors for the first time, to predict high-resolution probabilistic maps of flood inundation. The performance of UNet and SegNet model architectures for this task is evaluated, using flood masks derived from Sentinel-1 and Sentinel-2, separately with 95 percent-confidence intervals. The Area under the Curve (AUC) of the Precision Recall Curve (PR-AUC) is used as the main evaluation metric, due to the inherently imbalanced nature of classes in a binary flood mapping problem, with the best model delivering a PR-AUC of 0.85.

研究动机与目标

• 为克服单一卫星洪水监测在时空上的局限性，通过整合高分辨率和高频率的数据源。
• 开发一种数据驱动的深度学习模型，能够利用多模态地球观测数据生成每日、高分辨率的洪水淹没图。
• 评估U-Net和SegNet架构在从多源EO输入预测概率性洪水范围时的性能。
• 通过鲁棒的评估指标（如PR-AUC）解决二值洪水制图中的类别不平衡问题。
• 利用可获取的EO数据和深度学习，实现在大规模范围内近实时、低成本的洪水监测。

提出的方法

• 基于U-Net和SegNet的卷积神经网络（CNN）被训练，以从多源EO数据中预测高分辨率（10–30 m）的洪水淹没图。
• 输入特征包括Sentinel-1 SAR后向散射、Sentinel-2光学反射率，以及导出的预测因子，如地形、水文和土地利用。
• 通过标准图像处理技术从Sentinel-1和Sentinel-2数据中生成洪水掩膜，以创建训练用的真实标签。
• 模型使用带类别权重采样的二元交叉熵损失进行端到端训练，以解决洪水/非洪水类别不平衡问题。
• 通过精确率-召回率曲线下面积（PR-AUC）评估模型性能，该指标在二值分割任务中对类别不平衡具有鲁棒性。
• 数据融合整合了高空间分辨率（Sentinel-1/2）和高时间分辨率（SMAP/GPM）数据，以实现每日预测。

实验结果

研究问题

• RQ1 深度学习模型能否有效融合高空间分辨率和高时间分辨率的地球观测数据，以生成每日、高分辨率的洪水淹没图？
• RQ2 在类别不平衡条件下，U-Net和SegNet架构在概率性洪水制图中的性能表现如何比较？
• RQ3 整合水文、地形和土地利用预测因子在多大程度上提升了洪水制图的准确性？
• RQ4 PR-AUC能否作为高度不平衡数据集中洪水制图模型评估的可靠指标？
• RQ5 仅使用公开可用的EO数据和深度学习，是否可行实现10–30 m分辨率的每日洪水地图？

主要发现

• 表现最佳的模型实现了0.85的精确率-召回率曲线下面积（PR-AUC），表明其在类别不平衡条件下仍能有效检测洪水像素。
• 在测试集上，U-Net架构在分割精度和鲁棒性方面优于SegNet。
• 整合多源预测因子（包括地形、水文和土地利用）显著提升了模型在各种洪水条件下的泛化能力。
• 融合Sentinel-1、Sentinel-2、SMAP和GPM数据，实现了10–30 m空间分辨率的每日洪水制图，克服了单一任务的局限性。
• 该模型在多个洪水事件和地理区域中表现出一致性能，表明其具备可迁移性和可扩展性。
• 将PR-AUC作为主要评估指标，有效捕捉了模型在类别不平衡洪水制图任务中的性能表现。