SEN12-WATER: A New Dataset for Hydrological Applications and its Benchmarking

要約

気候変動と干ばつの増加は、世界中の水資源管理に重大な課題をもたらしています。
これらの問題は深刻な水不足につながり、生態系、農業、人間社会を脅かします。
これらの課題との戦いを前進させるために、私たちは新しいデータセット SEN12-WATER と、干ばつ関連のプロアクティブな分析のための新しいエンドツーエンドの深層学習 (DL) フレームワークを使用したベンチマークを紹介します。
このデータセットは時空間データキューブとして識別され、SAR の偏光、高度、傾斜、およびマルチスペクトル光学バンドを統合します。
当社の DL フレームワークを使用すると、対象の貯水池における時間の経過に伴う水の損失の分析と推定が可能になり、水量などの物理量の時間的変化を調べることで、干ばつ分析のための水のダイナミクスに関する重要な洞察が明らかになります。
私たちの方法論は、提案されたデータセットの多時間的および多峰性の特性を活用し、強固な一般化と干ばつの理解を促進し、気候変動の回復力と持続可能な水資源管理に貢献します。
提案されたフレームワークには、いくつかのコンポーネントのうち、SAR データからのスペックル ノイズ除去、U-Net アーキテクチャによる水域セグメンテーション、時系列分析、および時間分散畳み込みニューラル ネットワーク (TD-CNN) の予測機能が含まれます。
）。
結果は、専用センサーを介して地上で取得されたグラウンド トゥルース データと、精度、再現率、和集合上の交差、平均二乗誤差、構造類似性指数測定、ピーク信号対雑音比などの (カスタマイズされた) メトリクスによって検証されます。

要約(オリジナル)

Climate change and increasing droughts pose significant challenges to water resource management around the world. These problems lead to severe water shortages that threaten ecosystems, agriculture, and human communities. To advance the fight against these challenges, we present a new dataset, SEN12-WATER, along with a benchmark using a novel end-to-end Deep Learning (DL) framework for proactive drought-related analysis. The dataset, identified as a spatiotemporal datacube, integrates SAR polarization, elevation, slope, and multispectral optical bands. Our DL framework enables the analysis and estimation of water losses over time in reservoirs of interest, revealing significant insights into water dynamics for drought analysis by examining temporal changes in physical quantities such as water volume. Our methodology takes advantage of the multitemporal and multimodal characteristics of the proposed dataset, enabling robust generalization and advancing understanding of drought, contributing to climate change resilience and sustainable water resource management. The proposed framework involves, among the several components, speckle noise removal from SAR data, a water body segmentation through a U-Net architecture, the time series analysis, and the predictive capability of a Time-Distributed-Convolutional Neural Network (TD-CNN). Results are validated through ground truth data acquired on-ground via dedicated sensors and (tailored) metrics, such as Precision, Recall, Intersection over Union, Mean Squared Error, Structural Similarity Index Measure and Peak Signal-to-Noise Ratio.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google