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

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

使用卷积神经网络估计无人机遥感获取影像的水域表面高程，并进行了改进，使用线性回归进一步提高准确度，将结果与现有方法进行了比较，得出了具有竞争力的结果。

Jun, 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

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

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

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

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

本研究提出了一种多任务循环架构的流和深度预测模型 FLODCAST，通过训练使用流和深度地图的多个时刻一起进行预测，改善了两个任务的性能，并在 Cityscapes 数据集上获得了最先进的结果。

Oct, 2023

研究了一种利用神经网络和气象卫星数据的降水插值方法，与基于线性插值的基准相比，可以降低高达 20％的洪水风险。

Mar, 2022