Jan, 2024

FloodLense：基于 ChatGPT 的实时洪水检测框架

PDF
TL;DR该研究对实时洪水检测和管理这一关键问题进行了研究。它创新地将先进的深度学习模型与大型语言模型（LLM）相结合，提高了洪水监测和响应能力。该方法通过提供更准确、多功能、用户友好和易于访问的解决方案，克服了当前方法的局限性。将 UNet、RDN 和 ViT 模型与自然语言处理相结合，显著提高了在各种环境（包括利用航空和卫星图像）中的洪水区域检测。实验评估证明了这些模型在准确识别和绘制洪水区域方面的有效性，展示了该项目在环境监测和灾害管理领域的潜力。
发现论文，激发创造
  • 朝着民主化的洪水风险管理：由 GPT-4 实现的先进智能助手，以增强解释性和公众参与

    我们研究了一种基于 GPT-4 大型语言模型的定制化 AI 助手，旨在帮助决策者、公众和洪水预报员之间进行高效沟通，提供即时洪水警报和回答各种洪水相关问题，促进洪水风险管理及公众参与的普及化。

    Mar, 2024

  • 基于网络检索增强生成的洪水灾害报告系统

    利用 FloodBrain 工具，我们测试了不同的大型语言模型作为生成洪水灾害影响报告的基础，与人工撰写的报告进行对比评估，并通过从网络上提取和整理信息来生成详细准确的报告，旨在提高大型语言模型在灾害影响报告中的应用，减少人道主义救援行动的协调时间。

    Nov, 2023

  • 基于深度视觉的沿海洪水预测框架，应对气候变化及岸线适应

    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

  • 基于深度神经网络的分散式洪水预测

    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

  • 视觉 ChatGPT 在遥感中的潜力

    本论文研究了一种基于 GPT 框架的新型深度学习模型 Visual ChatGPT 在遥感领域图像处理中的应用，成功展示了该模型生成图像文本描述、进行边缘检测和拟合直线等的能力，但也揭示了该模型在遥感图像处理中的局限性和挑战。研究者相信该模型的应用在未来有望将遥感图像处理转变为便利与实际应用机会并存的领域。

    Apr, 2023

  • 利用大规模多模型自动估计洪水深度进行快速洪水制图

    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

  • 诺福克弗吉尼亚市街道尺度洪水的机器学习替代模型比较

    通过 2016 年至 2018 年诺福克的降雨事件数据，本研究比较了基于随机森林算法的以前的代理模型与两种深度学习模型（LSTM 和 GRU）的性能，突出了使用支持预测不确定性传达和有效整合相关多模态特征的模型架构的重要性。

    Jul, 2023

  • 使用 LSTM-DeepLabv3 + 和贝叶斯优化进行时空特征融合以改善城市洪涝预测

    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

  • 用图神经网络增强的语言模型进行高效的多语言文本分类

    提出了一种基于图神经网络和变压器的跨语言灾难相关文本分类系统，该系统可以在有限的监督下工作，并在多种语言和单语言情境下进行分类。在英语、非英语和单语数据集上测试，该系统的加权 F1 值优于现有的最先进模型和多语言 BERT 基线。

    Mar, 2022

  • DAM-Net: 基于差分注意力度量的视觉 Transformer 技术在 SAR 图像中全球洪涝检测

    本文提出一种新的基于差分注意力度量的网络 --DAM-Net，用于检测洪水区域。DAM-Net 包括两个关键组件：一个共享权重的双子背骨结构，用于获得多时相图像的多尺度变化特征和具有高级语义信息的表示水体变化的令牌，以及一个融合语义令牌和变化特征的时态差分融合模块，以生成减少斑点噪声的洪水地图。通过在提出的 S1GFloods 数据集上进行实验，证明 DAM-Net 相比当前最先进的方法在总体精度、F1 分数和 IoU 三个指标上都有明显提升。

    Jun, 2023