Flood Mapping Using Contrastive Learning and Semantic Segmentation

Abstract

Las inundaciones repentinas son un desastre natural común en todo el mundo, pero en muchas ocasiones causan numerosas muertes, lesiones y daños generales a las poblaciones. Por esta razón, identificar las áreas de susceptibilidad es de vital importancia para prevenir mayores daños y facilitar la labor de las organizaciones de primeros auxilios durante desastres por inundación. Por otro lado, la teledetección genera grandes cantidades de datos con un potencial significativo para mejorar los esfuerzos de predicción de inundaciones. Sin embargo, cuando se pretende utilizar estos datos en modelos de aprendizaje automático supervisado, se requieren conjuntos de datos etiquetados, lo que podría ser con frecuencia una tarea difícil y costosa. Además, la información existente está sectorizada, y las condiciones atmosféricas, geológicas y topográficas varían significativamente entre regiones. Estas diferencias hacen más complicado abordar análisis en subgrupos cuando se emplean datos agregados. Este estudio presenta una extensa revisión bibliográfica de los métodos, conjuntos de datos y resultados actuales para proponer un enfoque semisupervisado basado en transferencia de aprendizaje. El modelo propone utilizar las representaciones aprendidas mediante entrenamiento contrastivo para mejorar la precisión en la tarea de segmentación de píxeles correspondientes a zonas de inundación y no inundación. Se optimizan los mapas de inundaciones en cuatro regiones: Nebraska, Bangladesh, Florencia y Northal, utilizando un conjunto de datos de imágenes de radar de apertura sintética para el entrenamiento. Realizamos una prueba de concepto para validar el rendimiento de los modelos contrastivo y de segmentación. A pesar de las limitaciones computacionales, los resultados experimentales demuestran su eficacia, logrando una puntuación de intersección sobre unión razonablemente buena entre las áreas inundadas previstas y las reales. Estos hallazgos sugieren que, con los recursos adecuados, el modelo podría identificar de forma fiable las regiones afectadas por inundaciones.