Mapping of 2021–2022 floods in North America from street photos with artificial intelligence
Notice bibliographique
Résumé
Successful flood response and evacuation require timely access to reliable flood depth information in urban areas. However, existing flood-depth-mapping tools do not provide real-time flood depth information in residential areas. In this paper, a deep convolutional neural network is used to determine flood depth through the analysis of crowdsourced images of submerged stop signs. Model performance in pole length estimation is tested on a test set, achieving a root mean squared error of 10.200 in. (1 in. = 1 inch = 2.54 cm) on pre-flood photographs and 6.156 in. on post-flood photographs and an average processing time of 0.05 s. The performance of the developed model is tested on two case studies: Hurricane Ian in the USA (2022) and the Pacific Northwest floods in the USA and Canada (2021), yielding mean absolute errors (MAEs) of 4.375 and 6.978 in., respectively. The overall MAE for both floods is achieved as 5.807 in., which is on par with those from previous studies. Additionally, detected flood depths are compared with readings reported by the nearest flood gauge on the same date. The outcome of this study demonstrates the applicability of this approach to low-cost, accurate, scalable and real-time flood risk mapping in most geographical locations, particularly in places where flood gauge reading is not feasible.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 ».