江西九江地区洪涝无人机高分辨率影像数据集 | 洪涝监测 语义分割 无人机遥感 淹没识别 灾害评估9157期
数据集概述
本数据集面向洪涝灾害场景理解的无人机高分辨率可见光影像 ，聚焦江西九江地区洪涝事件下的地物识别与淹没状态判别。数据可用于灾害监测、受灾范围提取和洪涝遥感语义分割等任务，服务于应急管理、灾后评估及城市防洪规划。
数据集核心信息
| 数据要素 | 详细说明 |
|---|---|
| 任务类型 | 语义分割（像素级多类别地物与受淹目标分类） |
| 类别 | 共 6 类：水体、建筑、道路、淹没建筑、淹没道路、背景 |
| 数量 | 412 张原始影像，12080 张裁切样本 |
| 数据量 | 约 1.64 GB |
| 分辨率 | 原始图像 5184×3888 ；裁切样本 512×512 |
| 格式 | 图像为 JPG/PNG；标签为像素级语义分割掩膜 |
| 数据划分 | 按 8:1:1 随机划分为训练集、验证集、测试集 |
| 应用价值 | 1. 灾害监测 ：支撑洪涝淹没范围的自动化提取与动态监测。 2. 灾后评估 ：量化建筑与道路的受淹情况，辅助损失评估与重建规划。 3. 应急响应 ：快速定位淹没区域，指导救援力量部署与物资调度。 4. 算法研发：为洪涝遥感语义分割、受淹目标识别等视觉任务提供高分辨率真实场景数据。 |
完整类别列表（共6类）
| 序号 | 中文类别名称 | 类别说明 |
|---|---|---|
| 1 | 水体 | 洪水覆盖的河流、湖泊等水域 |
| 2 | 建筑 | 未被淹没的建筑物 |
| 3 | 道路 | 未被淹没的道路 |
| 4 | 淹没建筑 | 被洪水淹没的建筑物 |
| 5 | 淹没道路 | 被洪水淹没的道路 |
| 6 | 背景 | 未归入以上类别的区域 |
数据三要素解析
类别与场景覆盖
- 数据集定义 6 类语义类别，覆盖 正常地物 （水体、建筑、道路）与 受淹地物 （淹没建筑、淹没道路）及 背景。
- 受淹地物类别的设置，使数据集能够直接支撑洪涝灾害的受灾范围提取与淹没状态判别。
- 类别设置与洪涝遥感语义分割的常见任务需求相衔接。
数据规模与组织形式
- 数据包含 412 张原始无人机影像（5184×3888）及 12080 张裁切样本（512×512），兼顾真实场景表达与深度学习训练需求。
- 数据量为 1.64 GB，便于本地存储与快速加载。
- 裁切样本存储于
images_cropped与targets_cropped目录，并提供了训练/验证/测试样本名称列表（按8:1:1随机打乱）。 - 数据对应 2022年 九江地区洪涝场景，时间与地点明确。
格式与结构
- 提供像素级精细标注的语义分割掩膜，可精确勾勒受淹区域边界。
- 图像与标签一一对应，数据结构规范，便于进行预处理与训练流程集成。
- 适用于 U-Net、DeepLabv3+、SegFormer 等主流语义分割框架。
知识普及：洪涝场景语义分割的技术要点
- 类间相似性挑战：水体与道路、建筑与淹没建筑、道路与淹没道路之间存在较强的外观相似性，模型需依赖上下文信息与边界特征进行细粒度区分。
- 积水反光干扰：洪水表面反光可能导致颜色与纹理失真，影响分割精度，建议在训练中加入相关数据增强。
- 遮挡与边界模糊：洪水可能部分遮挡建筑与道路，导致边界模糊，需采用多尺度特征融合或边界感知损失提升分割质量。
- 高分辨率处理：原始图像达 5184×3888，直接训练对显存要求较高，通常采用裁切策略（本数据集已提供512×512裁切样本）或降采样处理。
- 应用闭环：分割结果可导入GIS系统，生成淹没范围图与灾情评估报告，辅助应急指挥与灾后重建。
快速开始（代码示例）
配置文件 data.yaml 示例：
yaml
train: ./dataset/images_cropped/train
val: ./dataset/images_cropped/val
test: ./dataset/images_cropped/test
nc: 6
names: ['水体', '建筑', '道路', '淹没建筑', '淹没道路', '背景']启动 YOLOv8 语义分割训练：
python
from ultralytics import YOLO
model = YOLO('yolov8m-seg.pt')
model.train(
data='data.yaml',
epochs=100,
imgsz=512,
batch=8,
device=0
)标签
洪涝监测 语义分割 无人机遥感 淹没识别 灾害评估 YOLO格式 深度学习数据集 计算机视觉