.png){kind=icon}
返回
Rapid flood layer extraction from EOS-04 SAR data through temporal backscatter analysis and machine learning
.png){kind=icon}
PRE
AI
DOI：10.2166/wcc.2025.650.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
精确快速的洪水淹没制图对于减轻社会经济损失和生态破坏至关重要，特别是在印度等洪水易发地区。本研究提出了一种先进框架，利用EOS-04 C波段SAR数据，整合多参数分析——包括归一化差值洪水指数（NDFI）、时序后向散射变化（标准差（SD））和双极化（HH/HV）指标——以在复杂环境中提高检测精度。五种机器学习模型在多样化的水文流域中得到严格评估，其中随机森林表现最优（准确率98.8%，召回率95.7%），处理洪水图层仅需85秒——成为快速响应的基准。开发了一个用户友好的图形用户界面（GUI）以实现准实时制图，通过与光学卫星数据（一致性94%）验证，并部署于高风险区域，如戈达瓦里-萨巴里、恒河和布拉马普特拉河流域。关键创新包括首次将NDFI与时序SD融合，以区分动态洪水信号与永久水体。该框架的计算效率及开源适应性使其成为可扩展的灾害机构工具。通过填补实时SAR分析的空白，本研究推动了洪水韧性策略，为全球季风和气候脆弱地区的适应性风险管理提供了范例。要点：本研究开创了EOS-04 SAR数据在印度洪水制图中的应用，通过整合新颖的后向散射统计参数提高了精度。历史数据集中的时序标准差和NDFI引入了一种新方法来理解后向散射变化，提升了准实时洪水制图的精度。全面评估了5种机器学习模型。
Keyword:
flood mapping
Godavari-Sabari basin
machine learning
normalized difference flood index
random forest
standard deviation
期刊
IF:
3.1
论文数:
217
被引数:
3.9K
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容