FloodDamageCast: 基于机器学习和数据增强的洪水损害实时预测
原文中文,约500字,阅读约需2分钟。发表于: 。在本研究中,我们引入了 FloodDamageCast 这一针对财产洪水损害的机器学习框架,利用异构数据以 500 米 ×500 米的分辨率预测 2017 年 “哈维飓风” 期间德克萨斯州哈里斯县的住宅洪涝损害,结果展示了该模型发现基线模型可能会忽视的高损害空间区域的能力。洪涝损害预测的见解可以帮助应急响应人员更有效地确定修复需求、分配资源,并简化地面检查,从而节约时间和精力。
该研究使用深度学习评估自然灾害中的建筑损害,通过遥感数据解决了推广到新灾难和地区的挑战,考虑了低质量和噪声标签的影响。研究发现,3米的卫星图像分辨率对于有效的建筑损害检测至关重要。U-Net Siamese网络集成在不同深度学习模型和技术中表现最佳。研究还评估了通用模型和洪水专家模型,并探讨了在特定领域数据中的通用性差距和分布。该研究揭示了人工智能在评估气候变化引发的极端天气事件影响方面的潜力和局限性。