Flood Extent Mapping from Time-Series SAR Images Based on Texture Analysis and Data Fusion
Notice bibliographique
Résumé
Nowadays, satellite images are considered as one of the most relevant sources of information in the context of major disasters management. Their availability in extreme weather conditions and their ability to cover wide geographic areas make them an indispensable tool toward an effective disaster response. Among the various available sensors, Synthetic Aperture Radar (SAR) is distinguished in the context of flood management by its ability to penetrate cloud cover and its robustness to unfavourable weather conditions. This work aims at developing a new technique for flooded areas extraction from high resolution time-series SAR images. The proposed approach is mainly based on three steps: first, homogeneous regions characterizing water surfaces are extracted from each SAR image using a local texture descriptor. Then, mathematical morphology is applied to filter tiny artifacts and small homogeneous areas present in the image. And finally, spatial and radiometric information embedded in each pixel are extracted and are fused with the same pixel information but from another image to decide if the current pixel belongs to a flooded region. In order to assess the performance of the proposed algorithm, our methodology was applied to time-series images acquired before and during three different flooding events: (1) Richelieu River and lake Champlain floods, Quebec, Canada in 2011; (2) Evros River floods, Greece in 2014 and (3) Western and southwestern of Iran floods in 2016. Experiments show that our approach gives very promising results compared to existing techniques.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».