Near Real-Time Flood Monitoring Using Multi-Sensor Optical Imagery and Machine Learning by GEE: An Automatic Feature-Based Multi-Class Classification Approach
Notice bibliographique
Résumé
Flooding is one of the most severe natural hazards, causing widespread environmental, economic, and social disruption. If not managed properly, it can lead to human losses, property damage, and the destruction of livelihoods. The ability to rapidly assess such damages is crucial for emergency management. Near Real-Time (NRT) spatial information on flood-affected areas, obtained via remote sensing, is essential for disaster response, relief, urban and industrial reconstruction, insurance services, and damage assessment. Numerous flood mapping methods have been proposed, each with distinct strengths and limitations. Among the most widely used are machine learning algorithms and spectral indices, though these methods often face challenges, particularly in threshold selection for spectral indices and the sampling process for supervised classification. This study aims to develop an NRT flood mapping approach using supervised classification based on spectral features. The method automatically generates training samples through masks derived from spectral indices. More specifically, this study uses FWEI, NDVI, NDBI, and BSI indices to extract training samples for water/flood, vegetation, built-up areas, and soil, respectively. The Otsu thresholding technique is applied to create the spectral masks. Land cover classification is then performed using the Random Forest algorithm with the automatically generated training samples. The final flood map is obtained by subtracting the pre-flood water class from the post-flood image. The proposed method is implemented using optical satellite images from Sentinel-2, Landsat-8, and Landsat-9. The proposed method’s accuracy is rigorously evaluated and compared with those obtained from spectral indices and machine learning techniques. The suggested approach achieves the highest overall accuracy (OA) of 90.57% and a Kappa Coefficient (KC) of 0.89, surpassing SVM (OA: 90.04%, KC: 0.88), Decision Trees (OA: 88.64%, KC: 0.87), and spectral indices like AWEI (OA: 84.12%, KC: 0.82), FWEI (OA: 88.23%, KC: 0.86), NDWI (OA: 85.78%, KC: 0.84), and MNDWI (OA: 87.67%, KC: 0.85). These results underscore the superior accuracy and effectiveness of the proposed approach for NRT flood detection and monitoring using multi-sensor optical imagery.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».