A multi-source remote sensing-based geocommunication tool for global flood monitoring and management
Notice bibliographique
Résumé
Global warming is expected to increase the frequency of extreme flooding, making rapid and accurate flood mapping crucial for effective risk assessment. Many governmental agencies and organizations are developing flood risk assessment tools; however, due to the lack of observational records, some rely on probabilistic generated data, uncalibrated simulations, or terrain-based methods, all of which are subject to various types of uncertainty. Although remote sensing provides valuable flood data with global coverage, single-source reliance is constrained by satellite revisit rates, resolution, weather conditions, and sensor limitations. To address these challenges, this study introduces a user-friendly application on the Google Earth Engine (GEE) platform that enables near-real-time global flood mapping using a multi-source remote sensing approach. By leveraging optical and SAR imagery, the App ensures improved water detection accuracy and supports all-weather and day/night monitoring. Our results show SAR and optical flood inundation maps agree up to 80 %. Beyond flood mapping, the tool leverages GEE datasets to extract multi-disciplinary information, such as population exposure and affected residential, urban, and cropland areas, to support timely decision-making. For example, during the Sylhet, Bangladesh flood, the tool identified over 300,000 people potentially affected and approximately 600 km 2 of cropland inundated. This research presents one of the first global-scale, rapid, multi-source flood mapping tools tailored to both expert users and non-expert decision-makers. It offers a practical solution to current data limitations and supports more informed emergency response, planning, and climate resilience efforts to foster communication across scientific, policy, management, and operational communities.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,003 |
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 ».