An Internet of Things and AI-Powered Framework for Long-Term Flood Risk Evaluation
Notice bibliographique
Résumé
Integrating Internet of Things (IoT) and artificial intelligence (AI) techniques have found widespread application in various fields, including smart cities, agriculture, and environmental monitoring. With the increasing availability of satellite imagery and other remote sensing data, deep learning algorithms can be used and trained to detect, classify, and segment flood regions in real time. In addition, deep learning techniques, such as convolutional neural networks (CNNs), have been successful in this field, enabling the automated analysis of vast amounts of satellite imagery. By combining AI-based flood detection with other data sources, such as meteorological forecasts and ground-based sensors, comprehensive flood monitoring systems that provide early warning of flood events and facilitate effective emergency response can be developed. In this article, we developed an image-based flood segmentation system called DeepLab that uses a deep learning algorithm to detect and segment the presence and extent of floods with high accuracy and speed. The neural network was trained on an extensive collection of satellite images, which were complemented by ground truth labels that indicated the presence of flooded areas. The trained DeepLabv3 model is applied to new satellite images during inference to forecast the likelihood of each pixel belonging to a flooded area. To do this, a binary flood map was generated from the pixel-level forecasts by incorporating a threshold into the output probabilities. The proposed system’s accuracy was high compared to the state-of-the-art methods, as evidenced by segmentation and experimental results. The segmentation accuracy achieved an overall score of 87%.
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 | 0,002 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».