基于 AI 启用街景最低层高程提取和 ML 填补用于德州洪水风险评估
机器学习
2026-04-03 v2
摘要
本文论证，AI 启用分析街景图像，配合性能加关的机器学习填补，为洪水风险评估提供了可行的路径，以实现区域尺度的建筑特定高程数据。我们开发并应用了覆盖德州 18 个兴趣区域的三阶段管线：（1）使用 Elev-Vision 框架从 Google 街景图像中提取最低层高程（LFE）和街道等高于最低层的高度差（HDSL）；（2）使用随机森林和梯度提升模型在 16 个地形、水文、地理和洪水暴露特征上训练，填补缺失的 HDSL 值；（3）将所得高程数据集成到 Fathom 1/100 年浸润表面和 USACE 深度-损失函数中，以估计建筑特定的内部洪水深度和预期损失。针对 12,241 栋住宅建筑，街景图像可覆盖 73.4% 的地块，直接的 LFE/HDSL 提取成功率为 49.0%（5,992 栋）。填补保留在 13 个 AOIs 中，交叉验证性能令人满意，所选模型的 R 平方值从 0.159 到 0.974；五个 AOIs 因性能不足被明确排除在预测之外。结果表明，街景人造的高程制图并非每个房产都通用，但足够可扩展，能通过超越暴露风险，实现对建筑内部浸润和预期损失的结构层面估计，从而实质性地改善区域洪水风险特征。从科学角度看，该研究将 LFE 估计从小规模概念验证推进到区域、端到端工作流程。从实践角度看，它提供了一个缺乏综合高程证书但需要房产级别信息以支持减缓、规划和洪水风险管理的可复制框架。
引用
@article{arxiv.2604.01153,
title = {Property-Level Flood Risk Assessment Using AI-Enabled Street-View Lowest Floor Elevation Extraction and ML Imputation Across Texas},
author = {Xiangpeng Li and Yu-Hsuan Ho and Sam D Brody and Ali Mostafavi},
journal= {arXiv preprint arXiv:2604.01153},
year = {2026}
}