AIoT-enabled urban platform for flood detection and impact mapping: towards near-real-time spatial decision support in disaster management
Sk Tahsin Hossain · Tan Yiğitcanlar · Zhaohui Lin 等 4 人
提出AIoT城市平台，自动检测洪水范围并评估影响，支持近实时灾害决策。
集成分布式传感、卫星影像与预训练深度学习模型，在ArcGIS中实现自动化洪水制图
平台在2022年昆士兰洪水案例中成功识别受影响区域、设施和居民，优于传统手动方法。
可扩展至农业领域，用于农田洪涝监测与作物损失评估，结合本地数据微调模型，提升农村灾害响应能力。
主题为城市洪涝灾害管理，不涉及三农或农业信息化，故不入选。
洪水是最普遍且破坏性最强的自然灾害之一，在气候变化背景下其发生频率和强度预计将进一步加剧。尽管地理空间分析、物联网基础设施和人工智能的进步增强了城市数据生态系统，但现有的智慧城市平台在提供自动化、实时洪水情报方面的能力仍然有限。大多数平台侧重于划定洪水范围，而未延伸至影响评估，在灾害响应和恢复方面留下了关键空白。因此，对居民、建筑物和基础设施的暴露分析往往依赖人工操作，延误了应急服务、救援行动和长期恢复规划。本研究提出了一种基于人工智能物联网（Artificial Intelligence of Things）的城市平台，旨在实现洪水检测、影响制图和空间决策支持。该概念架构在Esri ArcGIS生态系统内整合了分布式传感、卫星影像和预训练深度学习模型，将平台城市化原则应用于灾害管理实践。平台演示基于2022年3月昆士兰东南部洪水事件，重点关注洛根和黄金海岸的若干选定郊区。利用Prithvi-Flood分割模型和协调一致的Sentinel-2影像，该工作流实现了洪水范围的自动化划定，并将输出结果与暴露分析相连接，以识别受影响的郊区、火车站、道路、建筑物和居民。未来研究应侧重于针对地方情境微调预训练模型，并扩展架构以纳入更多人工智能驱动模块，如道路提取、基础设施脆弱性评估或人口迁移建模，从而将平台的适用性扩展到多种灾害和治理情境中。