.png){kind=icon}
返回
Improving flood detection with large-scale dashboard camera data
.png){kind=icon}
OA
AI
DOI：10.1038/s41467-026-75938-1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
洪水在全球范围内构成日益严峻的挑战，威胁着基础设施、生计和公共安全。然而，当前洪水检测方法在时空粒度上有限，且覆盖范围不均衡。本文提出BayFlood方法，利用视觉-语言模型从大规模车载摄像头数据集中识别被淹没的街景，以实现细粒度的城市洪水检测。我们利用现代视觉-语言模型无需大型标注数据集即可识别洪水的能力，而这类数据集通常不可用。我们通过1440184张图片全面验证了该方法，结果表明我们的模型在多个城市和时间周期内均能提供强洪水信号，且洪水检测结果与已知的洪水风险外部预测因子相关。我们证明该方法可用于改进纽约市的洪水检测：我们的分析识别出当前方法忽略的社区，揭示了现有方法中的人口统计偏见，并建议部署新洪水传感器的位置。这项工作强调了利用密集的街景图像可显著改善对洪水理解、检测和管理的潜力，并更广泛地适用于从街景数据中检测其他物体和事件，即使没有标注数据。本研究表明，BayFlood是一种利用机器学习从大规模车载摄像头数据集中识别被淹没街景的细粒度城市洪水检测方法，能够检测传统方法遗漏的洪水，并帮助确定新洪水传感器的部署位置。
