用于估计洪水深度的自动化快速方法，利用洪水照片和 GPT-4 Vision 模型，通过参考物体的高度返回洪水深度估计结果。该方法能够快速、准确地评估洪水深度，对洪水内涝图绘制和洪水严重程度的评估具有重要意义。

Feb, 2024

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

本篇研究针对全球最昂贵的自然灾害类型 —— 洪水灾害进行监测，使用深度学习技术进行高分辨率遥感图像中的洪水辨识，效果优于现有技术，评价指标 Jaccard Index 提升了 1 至 4 个百分点。

Nov, 2017

我们提出了一种基于混合过程和数据驱动的机器学习方法，用于洪水范围和淹没深度的预测，该方法使用傅里叶神经运算器进行代理建模，并在休斯敦的城区进行了演示测试。结果表明，傅里叶神经运算器模型优于基准的 U-Net 模型，并具有较强的泛化能力。

Jul, 2023

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

本研究提出了基于 CNN-RNN 混合特征融合建模的城市洪水预测方法。通过结合卷积神经网络在处理空间特征方面的优势和循环神经网络在分析不同时间序列维度方面的优势，实现了静态和动态洪水预测。通过贝叶斯优化，最佳的混合模型被确定为 LSTM-DeepLabv3+，在各种雨量输入条件下都取得了最高的预测精度。该模型的推理时间大大提高，相对于基于物理的模型的传统计算时间约为 1 / 125。

Apr, 2023

本文提出了一种高分辨率无人机图像数据集 FloodNet，用于帮助解决自然灾害后的损害评估问题，数据集提出了 “洪水下的损害” 这个问题，并对其进行了像素级的语义分割标注，提出一些深度学习算法用于解决这些挑战，并比较了该数据集上多个图像任务算法的性能表现。

Dec, 2020

使用高分辨率卫星图像进行精确和及时的洪水范围映射在灾害管理中起着关键作用，本文提出了一种基于数字高程模型的 EvaNet 模型，通过引入新颖的技术，显著优于现有的 U-Net 算法，并成为洪水范围映射中现有解决方案的完美替代品。

Apr, 2024

本文研究使用 DNN 优化水动力洪水模型，通过在 2D HEC-RAS 水动力模型中模拟洪水事件并使用 DNN 预测洪水深度和速度，结果显示 DNN 能够极大地优化水动力洪水模型，实现接近实时的洪水预报，且可以显著提高预报计算时间。同时，该研究还发现了影响方程选择和 DNN 架构配置的数值稳定性问题。

May, 2023

提出了一种基于物理水动力学模拟训练的机器学习模型 MaxFloodCast，可提供高效和可解释的洪水淹没深度预测。通过对未见数据达到 0.949 的平均 R 平方和 0.61 英尺的均方根误差，验证了其在预测洪峰淹没深度方面的可靠性。模型的可解释性有助于决策者提供重要信息以制定洪水缓解策略，优先考虑关键设施区域，并检查其他水域降雨如何影响一个区域的洪水暴露情况。MaxFloodCast 模型能够准确可解释地预测淹没深度，同时显著降低计算时间，从而更有效地支持应急响应工作和洪水风险管理。

Aug, 2023