利用遥感和机器学习进行最不发达国家的暴露和物理脆弱性动态全球绘图
原文中文，约500字，阅读约需2分钟。发表于：。以机器学习和遥感监测为基础，该研究致力于利用 Sentinel-1 SAR GRD 和 Sentinel-2 Harmonized MSI 等公开数据，对 47 个国家（大多数为最不发达国家）进行全球灾害风险评估，以推动减少全球气候和灾害风险的长期努力。
洪水事件中准确检测淹没范围对紧急响应决策和恢复工作至关重要。卫星遥感数据提供了一个全球框架，可以检测洪水范围。机器学习技术已被利用来精确捕捉具有反射增加的洪水区域的洪水范围，但需要大量标记数据以达到理想的效果。一个包含美国本土和孟加拉国境内约 36,000 平方公里地区在已知洪水事件中水体范围和淹没区域范围的标记数据集已被创建。通过开源数据集举办了一个开放竞赛，以便利用社区生成的模型快速原型化洪水范围检测。
