GEOID-Flood: A Large-Scale Multi-Modal Benchmark Dataset for Flood Segmentation

📄 arXiv: 2608.02315v1 📥 PDF

作者: Gaetano Chiriaco, Luca Barco, Andrea Bragagnolo, Claudio Rossi, Edoardo Arnaudo

分类: cs.CV

发布日期: 2026-08-03

备注: Accepted at ECCV 2026 - Terrabytes II Workshop, 23 pages

🔗 代码/项目: GITHUB

💡 一句话要点

提出GEOID-Flood以解决洪水分割数据集不足问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 洪水分割 多模态数据集 基础模型 SAR影像 光学影像 数据验证 灾害管理

📋 核心要点

  1. 现有洪水映射数据集缺乏大规模的多模态影像，限制了基础模型在该领域的应用和评估。
  2. GEOID-Flood数据集结合了双时相SAR和光学影像，提供了丰富的标注数据，以支持洪水分割任务的研究。
  3. 实验结果表明，基础模型在GEOID-Flood数据集上表现优于现有数据集，尤其在处理未见事件时具有更好的迁移能力。

📝 摘要（中文）

地理基础模型旨在学习可跨区域和传感器转移的表示，但在特定任务上的评估需要大规模、高质量的多模态基准数据集，以衡量这些模型从数据中提取价值的能力。针对洪水映射，现有数据集很少在规模上结合双时相SAR和共注册光学影像，导致基础模型在该下游任务中的价值尚未得到充分验证。我们提出了GEOID-Flood，这是一个大规模的多模态洪水分割基准数据集，来源于哥白尼应急管理服务的激活，涵盖了65个国家的219个事件，历时十年。该数据集提供了超过14,000个切片，包含共注册的前后事件Sentinel-1影像、前事件Sentinel-2合成影像和数字高程模型（DEM），并附有手动验证的标签，区分背景、永久水体和洪水水体。通过该基准，我们评估了基础模型与传统编码器在单图像、多时相和多模态协议下的表现。

🔬 方法详解

问题定义：论文要解决的具体问题是现有洪水映射数据集的不足，尤其是在多模态影像和大规模标注方面的缺乏，这限制了基础模型在洪水分割任务中的有效性和评估。

核心思路：论文的核心解决思路是构建一个大规模的多模态洪水分割基准数据集GEOID-Flood，结合双时相SAR和光学影像，以提供丰富的标注数据，进而评估基础模型的表现。

技术框架：整体架构包括数据集的构建、标注和验证过程，主要模块包括数据采集、影像预处理、标签生成和模型评估。数据集涵盖了219个事件，提供了多种影像格式和类型。

关键创新：最重要的技术创新点在于GEOID-Flood数据集的构建，它是第一个大规模结合双时相SAR和光学影像的洪水分割基准，填补了现有数据集的空白，提供了更全面的评估基础。

关键设计：数据集中使用了手动验证的标签，确保了数据的准确性；在模型训练中，采用了光学-SAR融合的策略，并通过微调技术提升了模型对瞬态洪水的识别能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，基础模型在GEOID-Flood数据集上表现出一致但适度的优势，光学-SAR融合与微调的组合在处理瞬态洪水时效果最佳。与现有数据集相比，基于GEOID-Flood训练的模型在未见事件上的迁移能力显著提升，表明该数据集的有效性和实用性。

🎯 应用场景

该研究的潜在应用领域包括灾害管理、环境监测和城市规划等。通过提供高质量的洪水分割数据集，GEOID-Flood能够帮助研究人员和工程师更好地开发和评估洪水监测模型，从而提高应对洪水灾害的能力，具有重要的实际价值和社会影响。

📄 摘要（原文）

Geospatial foundation models aim to learn representations that transfer across regions and sensors, yet evaluating them on specific tasks requires large, high-quality, multi-modal benchmarks that measure how well such models extract value from data. Concerning flood mapping, existing datasets rarely combine bi-temporal SAR and co-registered optical imagery at scale, leaving the value of foundation models for this downstream task largely untested. We introduce GEOID-Flood, a large-scale multi-modal flood segmentation benchmark, derived from Copernicus Emergency Management Service activations, spanning 219 events across 65 countries over ten years. The dataset provides more than 14,000 tiles with co-registered pre- and post-event Sentinel-1, in GRD and RTC format, pre-event Sentinel-2 composite, and DEM, including manually validated labels that separate background from permanent water and flooded water. Using this benchmark, we evaluate foundation models against conventional encoders across single-image, multi-temporal, and multi-modal protocols. We report three main findings: foundation models offer a consistent but modest advantage; optical-SAR fusion with finetuning best resolves transient flooding; and models trained on GEOID-Flood transfer to unseen events better than those trained on existing datasets. Dataset and code available at https://github.com/links-ads/geoid-flood.