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。

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。

本文介绍了一种利用卫星遥感数据进行作物分类的方法，通过归一化处理避免领域漂移问题，并结合卷积神经网络和循环神经网络进行像素分类。该方法在美国中西部极端天气造成的种植延迟实验中表现出卓越性能，分类精度达到85.4％至82.8％。

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洪水区域的洪水范围，但需要大量标记数据。我们创建了一个包含美国本土和孟加拉国境内约36,000平方公里地区的标记数据集。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。