城市洪水检测的零样本分类贝叶斯建模

街景数据集（来自街景或仪表盘摄像头）为检测城市物体和事件（如街道洪水）提供了一种有前景的手段。然而，使用这些数据集的一个主要挑战是缺乏可靠标签：存在多种类型的事件，许多类型很少发生，且缺乏事件发生位置的地面真值测量。在此，我们提出 BayFlood，一种两阶段方法以规避这一困难。首先，我们使用预训练的视觉-语言模型（VLM）对事件发生位置进行零样本分类。其次，我们在VLM分类上拟合空间贝叶斯模型。零样本方法避免了标注大型训练集的需要，贝叶斯模型提供了城市环境中期望的特性——原则性的不确定性度量、跨位置平滑以及外部数据（如暴雨积水区）的整合。我们全面验证了这种两阶段方法，表明VLM在多个城市和时间段中对洪水提供了强大的零样本信号，贝叶斯模型相对于基线方法改善了样本外预测，并且我们推断的洪水风险与已知的外部风险预测因子相关。在验证我们的方法后，我们展示了它可用于改善城市洪水探测：我们的分析揭示了当前方法忽略的113,738名处于洪水高风险的人群，识别了现有方法中的群体偏差，并建议了新的洪水传感器位置。更广泛地说，我们的结果展示了零样本LM标注的贝叶斯建模是一个有前景的范式，因为它避免了收集大型标注数据集的需要，同时利用基础模型的力量并提供贝叶斯模型的表达性和不确定性量化能力。