STURM-FloodDepth: A deep learning pipeline for mapping urban flood depth using street-level and oblique aerial imagery
Notice bibliographique
Résumé
Flooding remains one of the most frequent and damaging natural disasters, intensified by climate change and urbanization. High-resolution real-time flood depth observations at the urban scale remain spatially sparse, thus alternative data sources are required to support risk assessment and emergency response. This study introduces STURM-FloodDepth, a deep learning pipeline to estimate and map urban flood depths using street-level and oblique aerial imagery. The workflow consists of two sequential modules: A. flood depth estimation, proceeding through vehicle detection (YOLO-World and SAHI), contextual cropping, super-resolution enhancement (EDSR), and flood level classification (fine-tuned ResNet-50); and B. georeferencing and mapping, proceeding through orthographic reference image construction, feature matching (SuperGlue), homography estimation (RANSAC), geospatial projection and mapping, conversion and export to GeoJSON. The classifier achieved AUC values ranging from 0.78 to 0.98 across all classes. Real-world qualitative validation confirmed its accuracy in operational conditions. STURM-FloodDepth is a modular, scalable, sensor-agnostic tool for urban flood monitoring, with applications for urban resilience, disaster management, and smart city. The framework is released as an open-source tool to foster further research and operational deployments.
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 | 0,000 |
| 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 ».