近年来，全球极端降水事件频发，洪水灾害的应急响应效率与防控精度高度依赖遥感监测技术的支撑，但长期以来，洪水遥感识别模型普遍受限于训练样本覆盖场景单一、标注规范不统一等问题，在云层遮挡、城市高反射下垫面、SAR图像斑点噪声等复杂场景下容易出现识别误差，成为制约灾害遥感智能化落地的核心瓶颈。作为美国能源部下属的顶级综合性科研机构，阿贡国家实验室长期深耕地球系统科学与人工智能交叉领域研究，其科研成果为全球气候治理、灾害防控提供了重要技术支撑。
2026年6月30日，阿贡国家实验室正式在arXiv平台首发Sentinel-2 and Sentinel-1 flood segmentation dataset高分辨率洪水遥感数据集，为全球洪水遥感监测、卫星图像分割领域的算法研发提供了高质量训练数据源。该数据集覆盖美国本土全域，专注于提升洪水制图的精度与鲁棒性，包含146幅Sentinel-2多光谱光学图像与7,846幅Sentinel-1合成孔径雷达（SAR）图像，所有样本均以4km×4km瓦片形式提供10米分辨率的标准化水体掩码，原始数据全部来自欧洲空间局Sentinel系列卫星观测成果，样本筛选采用极端降水阈值自动筛选+人工核验标注的双重机制，标注过程严格遵循统一地理空间标注协议，同时额外引入地形高程、路网分布等辅助地理物理层，大幅提升了训练后模型的泛化能力。
从应用潜力来看，该数据集针对性解决了长期困扰洪水遥感监测的云层遮挡、地表阴影、城市复杂环境干扰、SAR斑点噪声误判等行业共性痛点，基于该数据集训练的深度学习模型，可广泛应用于多个典型场景：一是灾害应急响应阶段的洪水快速制图，可在灾害发生后数小时内输出精度达10米级的淹没范围分布图，为应急救援力量调度、受灾群众转移提供决策依据；二是洪涝风险预判与预警，结合气象预报数据可提前识别高风险淹没区域，助力地方政府提前部署防灾措施；三是城市内涝治理支撑，可通过历史洪水序列分析识别城市内涝高发点位，为海绵城市规划、排水管网改造提供数据参考；四是农业灾情评估与保险理赔，可精准测算农田淹没面积与受灾程度，为农业损失核算、政策性农险理赔提供客观依据；此外还可应用于流域水资源管理、水利设施运维评估等多个领域。
当前全球灾害治理数字化转型与数据要素市场建设加速推进，科研级公共数据集作为支撑AI算法迭代的核心生产要素，其供给能力直接决定了垂直领域智能化应用的落地进度。本次阿贡国家实验室发布的数据集，填补了融合光学与SAR双模态数据的高分辨率洪水标注样本的供给缺口，不仅将推动洪水遥感监测算法的精度与鲁棒性提升，也为跨模态遥感数据在灾害治理领域的应用探索提供了重要的基础支撑，对于全球极端灾害防控的智能化升级具有重要的参考价值。
查看Sentinel-2 and Sentinel-1 flood segmentation dataset
详情页内容：
_1769672084863.jpg)