本研究使用深度卷积网络分析水淹交通标志的众包图片，确定洪水深度，实现低成本、准确和实时洪水风险地图制作。测试表明，该模型的平均绝对误差为 6.978 英寸，与先前研究相当，从而证明了该方法的适用性。

Sep, 2022

本研究提出了一种卷积神经网络的框架来进行基于卫星图像的变化检测，通过阈值化和划分网格来找到灾害影响最严重的区域，并使用新的灾害影响指数（DII）来衡量自然灾害的影响。在应用于飓风哈维和圣塔罗莎大火数据集时，框架的 F1 分数分别为 81.2％和 83.5％。

Dec, 2018

该研究旨在探讨人工深度神经网络在洪水预测中的性能，为预测水位、提供数据集，并表明神经网络在时间序列预测中非常有用，并支持通过数据同化来改进现有模型。

Feb, 2019

研究使用现有卷积神经网络 (ConvNets) 的三种策略：完全训练、微调和使用 ConvNets 作为特征提取器，并在使用三个遥感数据集进行了实验，结果发现对 ConvNets 进行微调是最佳的策略，使用微调后的 ConvNets 特征与线性 SVM 结合可以获得最佳结果，同时也在三个数据集上取得了最先进的结果。

Feb, 2016

利用远程传感器和机器学习，通过卫星图像对建筑物受损程度进行分类和定量化，并采用可解释的深度学习技术来找出对分类最有用的信息特征和最优的优化方法。同时，使用 Grad-CAM 技术观察影像中影响分类的特征区域。

Jan, 2022

在追求计算效率的过程中，提出了训练高保真、基于深度学习的沿海洪水预测模型的系统框架，通过与地质统计回归方法和传统机器学习方法进行性能验证，表明其对预测质量的显著提升，并提供了阿布扎比海岸的综合数据集，用于评估未来的沿海洪水预测模型。

Jun, 2024

利用机器学习技术自动检测卫星图像中的建筑物损伤，提高灾后救援响应效率。

Oct, 2019

利用可解释的深度主动学习框架 (IDAL-FIM)，通过多光谱卫星图像的类别模糊性来解释洪水淹没图绘制中的深度主动学习的操作行为和预测不确定性。

Apr, 2024

构建和训练多个卷积神经网络 (CNN) 架构，利用堆叠 CNN 集成方法对地震、洪水、野火和火山等自然灾害图像进行分类，实现了 95% 的准确率和 F1 得分达到 0.96，并通过调节超参数优化单个模型的性能，同时通过将 CNN 和 ResNet 模型与 XGBoost 元模型相结合，提高了分类的整体准确性，展示了基于 CNN 的模型在自动化灾害图像分类中的有效性，为扩展这些技术以构建健壮的灾害响应、损伤评估和恢复管理系统打下了基础。

Nov, 2023

洪水事件中准确检测淹没范围对紧急响应决策和恢复工作至关重要。卫星遥感数据提供了一个全球框架，可以检测洪水范围。具体来说，哨兵 - 1 C 波段合成孔径雷达（SAR）图像已被证明对于检测水体非常有用，因为水体在同极化和交叉极化 SAR 图像中的反射较低。然而，在某些洪水区域，如基础设施和树木的存在，会观察到反射增加，从而使像素强度阈值和时间序列差异等简单方法无法胜任任务。机器学习技术已被利用来精确捕捉具有反射增加的洪水区域的洪水范围，但需要大量标记数据以达到理想的效果。因此，我们创建了一个包含美国本土和孟加拉国境内约 36,000 平方公里地区在已知洪水事件中水体范围和淹没区域范围的标记数据集。此外，我们还通过开源数据集并基于该数据集举办了一个开放竞赛，以便利用社区生成的模型快速原型化洪水范围检测。在本文中，我们介绍了该数据集的信息，数据处理流程，一个基线模型以及竞赛的细节，并讨论了获胜方法。我们相信该数据集将增添已有的基于 Sentinel-1C SAR 数据的数据集，并推动洪水范围检测的研究。

Nov, 2023