Rapid and Automated Flood Segmentation through Landsat with Google Earth Engine Using Deep Learning Architecture
Notice bibliographique
Résumé
To enhance flood mapping, a crucial need during natural disasters, the research introduces an AFSGDL model. Traditional mapping methods are often slow and can be biased due to their reliance on thresholds and manual input, leading to challenges like false readings caused by vegetation and active urban environments. The Rapid and Automated Flood Segmentation Through Landsat with Google Earth Engine Using Deep Learning Architecture (AFSGDL) model integrates various sources of remote sensing data, specifically utilising Sentinel-1 synthetic aperture radar (SAR) imagery and historical flood vectors from UNOSAT. Pre-processing steps employed radiometric calibration and cloud masking for improved dataset reliability and the Digital Elevation model (DEM). A hybrid deep learning model has been developed that integrates Convolutional Neural Networks (CNN) for enhanced data analysis and feature extraction performance, and a Residual Swin Transformer Block (RSTB) architecture was developed to capture both local details and broader contextual data. Specialised loss functions were created to mitigate class imbalances in flood and non- flood areas, enhancing overall segmentation accuracy. The following parameters are calculated with existing models MLRFM, INFLOS, and IOERD, compared with the AFSGDL model. Where the parameters are loss and dice, ROC curves analysis, RMSE curves analysis, water depth analysis, and velocity. The loss and dice of the AFSGDL model is 0.12 - 0.95, ROC curves analysis of 0.991, RMSE curves analysis of 0.078, water depth analysis of 13.0, and velocity analysis of 2.7.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».