GEOID-Flood: 홍수 분할을 위한 대규모 다중 모달 벤치마크 데이터셋

초록

지리공간 기반 모델은 지역과 센서를 아우르며 전이되는 표현을 학습하는 것을 목표로 하지만, 특정 작업에서 이를 평가하려면 모델이 데이터로부터 가치를 얼마나 잘 추출하는지 측정하는 대규모의 고품질 다중 모달 벤치마크가 필요합니다. 홍수 매핑에 있어 기존 데이터셋은 대규모에서 이중 시기 SAR와 공동 등록된 광학 영상을 결합하는 경우가 드물어, 이 다운스트림 작업에 대한 기반 모델의 가치는 대체로 검증되지 않은 상태입니다. 우리는 Copernicus Emergency Management Service 활성화 기록에서 파생된 대규모 다중 모달 홍수 분할 벤치마크인 GEOID-Flood를 소개합니다. 이 벤치마크는 10년에 걸쳐 65개국에서 발생한 219개 사건을 포괄합니다. 데이터셋은 GRD 및 RTC 형식의 사전·사후 이벤트 Sentinel-1, 사전 이벤트 Sentinel-2 합성 영상, DEM을 포함하여 공동 등록된 14,000개 이상의 타일을 제공하며, 배경과 상시 수역 및 범람 수역을 구분하는 수동 검증 라벨을 포함합니다. 이 벤치마크를 사용하여 우리는 단일 이미지, 다중 시기, 다중 모달 프로토콜에 걸쳐 기반 모델을 기존 인코더와 비교 평가합니다. 세 가지 주요 결과를 보고합니다: 기반 모델은 일관되지만 미미한 이점을 제공하며, 미세 조정을 통한 광학-SAR 융합이 일시적 홍수를 가장 잘 구분하고, GEOID-Flood로 훈련된 모델은 기존 데이터셋으로 훈련된 모델보다 보지 못한 사건에 더 잘 전이됩니다. 데이터셋과 코드는 https://github.com/links-ads/geoid-flood에서 확인할 수 있습니다.

English

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.