SAR and Social-Media-Based Change Detection With Dual-Threshold Fusion for Flood Inundation Mapping
Notice bibliographique
Résumé
As one of the most destructive natural disasters, floods are increasingly frequent and severe due to urban development and population growth. The threshold-based method is widely acknowledged as an effective approach for detecting flood extent in synthetic aperture radar (SAR) imagery. However, determining the accurate threshold value poses a significant challenge. During periods of flooding, social media (SM) data posted by users provide a wealth of real-time information for flood inundation mapping (FIM) purposes. This study presents a new semi-automatic threshold determination method called SAR and social media-based dual threshold (SSM-DT) for FIM. SSM-DT aims to improve accuracy by avoiding traditional method inaccuracies through a semi-automatic approach. Integration of SM data enhances real-time flood situation monitoring, enriching FIM comprehensiveness. Firstly, the SAR images are processed and analyzed using change detection techniques to identify potential flood inundation areas. Simultaneously, a deep learning model is utilized to classify and filter SM data, enabling the retrieval of real-time flood-related information. Finally, the flood information obtained from both SAR images and SM data is fused together to generate a more accurate and comprehensive flood inundation map, leveraging the complementary nature of these two data sources. A case study focused on the extensive flooding caused by Hurricane Harvey in Houston in 2017 is discussed. The results demonstrate that the proposed method can provide near real-time depiction of flood extent, which is crucial for mitigating economic losses and minimizing casualties.
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 ».