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

通过使用无人机飞行的高分辨率多光谱遥感图像和天气数据，结合随机森林（RF）模型的机器学习方法来绘制茎部水势（SWP），根据同时进行的样本核桃树的地面测量，有效估计核桃树 SWP 水分，该方法还通过结合热数据、NDVI、红边指数和天气数据进行核桃水分压力估计和评估，为核桃园中以个体植株为单位的数据驱动的精确灌溉管理提供可扩展、经济高效的工具。

Dec, 2023

通过使用机器学习算法（XGBoost）和大量实际和代理的水位深度观测数据，本研究构建了三个 500 米分辨率的水位深度模拟模型，并与物理模型进行对比。结果表明，相比三个物理模型，机器学习模型更准确地预测北美大部分生态区未见的实际和代理观测值，但仍存在数据偏差和不可靠观测数据、物理模型方程错误以及机器学习模型过于灵活等问题。针对这些问题，本研究深入探讨了未来的研究方向，特别关注了机器学习在水位深度估计中的应用。

Apr, 2024

本研究介绍了 DeepAqua，这是一个自我监督的深度学习模型，通过知识蒸馏来消除训练阶段中手动注释的需求，并利用归一化差异水体指数 (NDWI) 作为教师模型，训练卷积神经网络 (CNN) 从合成孔径雷达 (SAR) 图像中分割水域。该方法实现了有效地训练语义分割模型而无需手动注释数据，为监测湿地水域范围变化提供了实用的解决方案，无需地面真实数据，因此具有高度的适应性和可扩展性，可以应用于湿地保护工作。

May, 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

提出一种基于物理学知识的深度学习机器学习模型，应用于水力状态估计，通过少量图卷积神经网络层和基于消息传递的创新算法，模拟流行的水力模拟器 EPANET，具有较快的运行速度和高准确性。

Mar, 2024

卫星遥感技术、海面高度、地转流、深度学习网络和插值方法是该研究论文的主要关键词和研究领域。

Oct, 2023

通过利用神经网络中的 U-Net 和 Fourier 神经运算器架构，使用一种基于均匀一维网格的高阶谱方法进行波浪模拟和几何雷达建模方法产生高度逼真的合成训练数据，从而解决了利用计算密集的优化过程或牺牲全过程实时能力和准确性的简单建模假设的现有方法进行相位分辨波浪条件重建的问题。该方法在利用包含每个输入中多个历史雷达快照的时空雷达数据进行训练时，提供了准确的重建结果，并显示出对不同海况的良好泛化表现，其中 FNO 网络在傅里叶空间中全局学习输入和所需输出之间的映射时表现更佳。

May, 2023

本文介绍了针对水平面的模拟和预测的物理模型计算复杂，提出机器学习模型作为替代，并在南佛罗里达的 Miami River 做了案例分析，并证明了输出结果与物理模型的差距不大。

Jun, 2023

本文提出一种基于 LSTM 的深度学习结构，结合前沿的水文模型 SWAT，通过建模天气驱动和产流之间的中间交互过程，实现对径流预测的精确预测，同时减少了传统数据驱动方法所需的大量数据。

Dec, 2020