Urban Flood Detection Using TerraSAR-X and SAR Simulated Reflectivity Maps
Notice bibliographique
Résumé
Synthetic Aperture Radar (SAR) imagery is a vital tool for flood mapping due to its capability to acquire images day and night in almost any weather and to penetrate through cloud cover. In rural areas, SAR backscatter intensity can be used to detect flooded areas accurately; however, the complexity of urban structures makes flood mapping in urban areas a challenging task. In this study, we examine the synergistic use of SAR simulated reflectivity maps and Polarimetric and Interferometric SAR (PolInSAR) features in the improvement of flood mapping in urban environments. We propose a machine learning model employing simulated and PolInSAR features derived from TerraSAR-X images along with five auxiliary features, namely elevation, slope, aspect, distance from the river, and land-use/land-cover that are well-known to contribute to flood mapping. A total of 2450 data points have been used to build and evaluate the model over four different areas with different vegetation and urban density. The results indicated that by using PolInSAR and SAR simulated reflectivity maps together with five auxiliary features, a classification overall accuracy of 93.1% in urban areas was obtained, representing a 9.6% improvement over using the five auxiliary features alone.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».