通过“车辆作为洪水测量仪”的方法，在极端降雨期间感知城市道路被淹没的风险

《International Journal of Digital Earth》：Sensing urban road inundation risk during extreme rainfall via a Vehicle-as-Flood-Gauge approach

　　摘要
遥感技术通常在离散时间点捕捉洪水范围，但无法直接估算洪水深度。社交媒体作为一种新兴的志愿地理信息（VGI）来源，提供了关于洪水严重程度的实时视觉证据。然而，这一潜力尚未得到充分探索。在这项研究中，我们提出了Social-VFG框架，该框架利用图像中观察到的车辆轮子来评估道路淹没情况。为了避免训练耗时的轮子分割模型，我们通过将训练有素的轮子检测器与Segment Anything Model（SAM）结合，高效地提取了洪水面上的轮子轮廓。基于这些轮廓，我们提出了一种基于规则的指标，用于描述随着水位上升的轮子淹没状态。为了减轻该指标对分割噪声和尺度变化的敏感性，进一步将四个互补特征集成到随机森林分类器中，以提高淹没分类的稳健性。以2023年周口洪水为例，从微博图像得出的道路淹没风险图与从GF-3 SAR图像提取的洪水范围在空间上表现出高度一致。重要的是，社交媒体观察提供了关于洪水严重程度的详细信息，并有效弥补了卫星图像的局限性。因此，这些道路淹没风险图可以在极端降雨条件下支持洪水意识下的路线规划。

关键词：道路淹没风险；社交媒体；志愿地理信息

1. 引言
近年来，中国极端降雨事件的频率不断增加，严重影响了可持续的城市发展并对人类生活构成了重大威胁（Yu等人，2023年）。例如，2021年的郑州暴雨导致398人死亡（Xie等人，2023年），而2023年的北京暴雨也造成了33人死亡（Wu等人，2025b年）。在这种情况下，现代城市迫切需要加强风险意识和早期预警能力，以提高灾害准备和应急响应能力（Shah等人，2023年）。感知城市道路淹没风险是城市早期预警系统的关键组成部分，因为许多研究表明，许多与洪水相关的死亡事件发生在人们试图穿越淹没区域时（Ashley和Ashley，2008年；Han和Sharif，2020年）。早期的城市道路淹没风险评估主要基于遥感图像（Butenuth等人，2011年；Wieland等人，2023年）。然而，这些评估的可靠性受到从遥感数据中推断洪水深度的有效方法的限制（Cohen等人，2019年）。幸运的是，社交媒体图像可以帮助解决这些限制，为细粒度淹没风险评估提供了新的机会（Yan等人，2024年）。作为回应，研究人员开发了基于深度学习的计算机视觉方法，通过检测社交媒体图像中被遮挡的人体关键点（如膝盖或脚踝）来估计淹没情况（Feng、Brenner和Sester，2020年）。然而，在洪水相关应用中，标记训练数据的稀缺性限制了模型的泛化能力（Wu等人，2025a），而参考对象之间的变异性进一步削弱了测量的稳定性（Feng、Brenner和Sester，2020年），可能在安全关键情境中引入风险。此外，深度学习模型的黑箱性质使得解释性变得复杂，而这对于事件后的评估、验证以及有效未来风险预防策略的制定至关重要（van den Homberg、Gevaert和Georgiadou，2020年）。车辆轮子在洪水相关图像中经常可见，并且其变化性低于人类，使其成为更稳定的淹没评估参考对象。从解释性的角度来看，轮子提供了清晰直观的洪水水位指示器，从而能够可靠地评估洪水严重程度。从建模的角度来看，它们规则的几何形状和一致的视觉外观有助于分割和特征提取，从而支持稳健预测模型的开发。尽管如此，洪水相关图像通常对比度低且背景复杂，这对准确的轮子分割提出了挑战（Yuan和Peng，2024年）。此外，确定车辆轮子的淹没状态需要具有强泛化能力的方法。为了解决上述挑战，本研究提出了社交媒体：车辆作为洪水计（Social-VFG）框架，该框架通过分类社交媒体图像中车辆轮子的淹没状态，实现了洪水事件期间道路淹没风险的细粒度映射和评估。本研究的主要贡献如下：
(1) 高效准确的轮子分割。从对象检测中获得的轮子边界框被用作提示，指导Segment Anything Model（SAM）从低质量的社交媒体图像中提取准确的轮子掩膜。这种方法消除了训练专用语义分割网络的需要，从而降低了计算成本和注释工作量。
(2) 可解释的淹没状态分类方法。开发了一种基于规则的方法，该方法可以跨不同类型的车辆进行泛化，使用一个反映随着水位上升的轮子淹没状态变化的指标来分类淹没状态。为了提高该指标的稳健性，进一步将四个互补特征集成到随机森林分类器中以确定最终的淹没状态。这种方法消除了对大规模标注数据集的依赖，确保了更稳定和可靠的性能。
(3) 细粒度的道路淹没风险映射。Social-VFG在测试集上获得了88.67%的F1分数，优于基于全局特征的深度学习分类器。基于所提框架得出的道路淹没图与GF-3图像的洪水范围在空间上表现出高度一致性，证明了其在洪水条件下进行细粒度道路淹没风险评估和安全路线规划方面的适用性。

2. 文献综述
2.1. 遥感和地理空间数据用于洪水深度估计
评估道路淹没风险需要可靠的洪水深度信息。然而，由于大多数现有的快速映射技术主要关注洪水范围的提取，直接从遥感图像中估计洪水深度较为困难（Li等人，2018年；Schlaffer等人，2015年；Zeng等人，2020年）。近年来，一些研究试图通过将遥感数据与辅助地理空间数据集（尤其是数字高程模型（DEM）结合来推断洪水深度。例如，（Yokoya等人，2022年）通过结合变化检测图和DEM，并利用基于水动力模拟生成的合成数据训练的深度学习模型来预测最大洪水水平。（Kundu、Lakshmi和Torres，2022年）首先使用阈值法提取洪水范围，然后将InSAR技术得到的洪水水平变化与DEM结合来推断洪水深度。（Moya、Mas和Koshimura，2022年）从SAR图像提取的二值洪水图的稀疏表示中选择最佳匹配的洪水水平来估计洪水深度。除了DEM之外，还使用了其他辅助数据源来估计洪水深度。（Sohail和Muhammad，2023年）从多时相Sentinel-1A/2A图像中得出洪水深度，并通过地面调查进行验证。（Bryant、McGrath和Boudreault，2022年）使用RADARSAT数据与Height Above Nearest Drainage（HAND）和成本分配算法结合来估计洪水深度，以产生更准确的网格化深度估计。总之，尽管这些方法改进了洪水深度估计，但它们仍然主要依赖于遥感图像作为洪水信息的主要来源。由于卫星重访周期造成的时间间隔，限制了洪水深度信息的及时更新（Du等人，2025年），从而限制了它们在道路淹没风险评估中的适用性。

2.2. 社交媒体图像用于细粒度洪水评估
社交媒体的快速增长为获取实时和细粒度的洪水严重程度信息提供了新的机会。最近的研究探索了利用深度学习模型从社交媒体图像中提取洪水严重程度的目击证据的潜力。例如，（Chaudhary等人，2020年）提出了一个弱监督框架，该框架将有限的绝对深度注释与大量的成对图像排名相结合以提高回归性能。（Feng、Brenner和Sester，2020年）通过分析人体部位的淹没状态来估计洪水深度，将洪水水平相对于脚踝、膝盖、髋部和胸部进行分类作为代理指标。类似地，（Li等人，2023年）使用基于YOLO的模型从社交媒体图像中检测人体部位来估计洪水深度，在2016年武汉洪水中实现了高精度映射。最近，（Du等人，2025年）通过采用基于分类的方法将洪水深度分为十个离散级别（0-170厘米），使用四种常见的参考对象——人、SUV、轿车和自行车。尽管有这些进步，现有方法仍然存在明显局限性。基于参考对象浸没比例估计洪水深度的方法本质上容易受到实例变异性的影响，这可能导致估计结果的不稳定性。此外，依赖全局特征或更深层次局部表示的深度学习分类器往往缺乏解释性，模糊了潜在的决策过程，并在安全关键的洪水评估任务中引入不确定性（Hendrycks等人，2022年）。

2.3. 挑战与解决方案
社交媒体图像为理解洪水事件提供了及时和细粒度的视角。然而，现有的深度学习洪水深度估计方法通常受到洪水条件下训练数据稀缺性的限制，这限制了模型的泛化能力。此外，常用参考对象之间的高变异性给洪水深度估计带来了额外的不确定性，这在安全关键应用中带来了重大风险。这些限制突显了迫切需要能够进行稳健和可解释的洪水深度估计的替代方法。在本文中，我们提出了一种基于从社交媒体图像中提取的轮子轮廓将轮子淹没状态分为两类的方法。使用SAM获得轮子轮廓，并以检测到的轮子边界框作为提示。随后使用基于规则的指标确定淹没状态，该指标捕捉随着水位上升的轮子浸没变化。我们通过将其与基于全局特征和深度局部表示的基线方法进行比较来评估所提方法的性能。

3. 研究区域和数据
3.1. 研究区域
2023年7月底至8月初，海河流域经历了“23·7”灾难性洪水，这是自1963年以来最严重的区域性洪水。位于多个河流交汇处的周口受到的影响最为严重，表现为快速而广泛的淹没、交通和基础设施的重大中断以及大规模的疏散。本研究关注的是8月1日至2日期间达到洪水高峰的周口（图1）。
图1. 周口研究区域，标出了关键河流和主要道路。

3.2. 数据收集和预处理
新浪微博是一个有价值的众包平台，用于快速获取与洪水相关的信息（Chen等人，2023年）。使用该平台的先进搜索功能，通过特定关键词（如“周口暴雨”和“周口洪水”）检索了与周口洪水事件相关的帖子。然而，由于搜索引擎每次查询最多返回50页结果，当相关帖子数量超过此限制时，检索结果可能不完整。为了缓解这一限制，将观察期划分为每小时间隔，并使用洪水相关关键词检索每个小时的帖子以提高覆盖率。总共收集了大约5,560条帖子，包括时间戳、文本内容、图像和帖子标识符。经过去重处理后，保留了5,225条有效帖子，其中包含13,269张图像（图2）。

图2. 包含车辆的洪水相关社交媒体图像示例。该4面板照片阵列（4行每行6张）显示了中国周口中各种车辆被洪水淹没的情况。第1、3、6、7、11、12、13、14、15、17、18、19、20、21、24面板显示了部分或完全淹没的轿车或SUV。第2、4、8、10、16、23面板显示了人们站在或推动物体穿过洪水的情况。第9、22面板显示了飞机视角或街道/停车场中的多辆被淹没的车辆。

收集到的社交媒体图像中包含许多与洪水场景无关或未包含车辆的样本。为了确保研究中使用的图像的相关性，应用了两阶段预处理程序。与洪水相关的图像首先根据(Feng, Brenner, 和 Sester (Citation2020)提出的标准进行筛选，随后根据(Mahaur 和 Mishra (Citation2023)的方法识别出包含车辆的图像。如图2所示，得到的子集描绘了洪水场景中的车辆，并用于后续分析。4. 方法我们提出了Social-VFG框架，用于分类车辆车轮的淹没状态（图3）。该框架包括三个组成部分：(1) 使用SAM和边界框提示提取车轮轮廓；(2) 使用基于规则的指标进行淹没状态分类，该指标能够捕捉车轮淹没的变化；(3) 通过随机森林分类器增强对线拟合误差和车轮尺度变化的鲁棒性。图3. Social-VFG的工作流程。阅读该图的详细描述。这个三部分流程图展示了用于分类车轮淹没状态的Social-VFG框架。顶部部分标记为4.1“使用边界框提示的车轮轮廓分割”，显示了一个在水中的汽车车轮，一个箭头指向带有边界箱和网格的SAM过程，然后是一个箭头指向包含车轮1和车轮2的车轮轮廓图。中间部分标记为4.2“用于淹没状态分类的可解释指标”，展示了四个步骤：水位线拟合、生成扫描线、使用方程L：y=kx+b的淹没指标，以及带有显示阈值的Social-VFG T图。底部部分标记为3.3“基于特征的淹没指标细化”，展示了使用相同方程的淹没指标，一个箭头指向显示弦长的折线图，一个箭头指向带有决策树图的随机森林，再一个箭头指向显示车轮在水下和在水上的图。放大查看4.1. 使用边界框提示的车轮轮廓分割通过语义分割精确提取车轮轮廓对于保留与淹没状态相关的线索至关重要。卷积神经网络（CNN）和视觉变换器（ViT）架构已被广泛应用于图像分割任务。CNN依赖于局部感受野（图4a），这限制了它们捕捉长距离依赖性的能力，通常会导致大型或结构复杂物体的分割结果碎片化或不完整（Khan等人，Citation2023；Zheng等人，Citation2021）。相比之下，ViT采用全局自注意力机制来捕捉长距离的上下文依赖性（图4b），产生更加连贯和完整的分割结果（Wu等人，Citation2023）。图4. CNN（a）和ViT（b）分割模型之间的结构比较。阅读该图的详细描述。这个垂直排列的双面板图比较了卷积神经网络（CNN）和视觉变换器（ViT）的分割模型。a面板展示了CNN模型。一个汽车车轮的输入图像上覆盖了一个网格。虚线从输入网格上的一个红色方块延伸到三个矩形层的堆叠，表示特征图。第一个层内的一个较小的红色方块扩展到第二个层中的较大红色方块，然后再扩展到第三个层中的更大红色方块，表示局部感受野。虚线然后连接到汽车车轮的输出图像，其中显示了一个边界不规则的分割区域。b面板展示了ViT架构。一个汽车车轮的输入图像上覆盖了一个网格，其中有一个标记为16的红色方块。这连接到一系列16个水平矩形块，表示补丁。这些块导致一个标记为QK（17x17）的蓝白方格网格，表示自注意力。这连接到另一个同样标记为QK（17x17）的蓝白方格网格，然后连接到一组标记为V（17xh）的矩形层，表示值和头。这导致了一个车轮的输出图像，其中分割区域用浅蓝色轮廓标出。放大查看与CNN相比，ViT通常需要大得多的标注数据集才能进行有效训练（Han等人，Citation2023），这可能既耗时又费力。为了利用ViT的结构建模能力同时减少标注需求，我们采用了一种混合方法，将基于CNN的对象检测与基于ViT的提示驱动分割框架SAM（Kirillov等人，Citation2023）结合起来。在这种方法中，由对象检测器生成的边界框作为提示，指导SAM生成准确的车轮轮廓。具体来说，一个基于YOLOX的检测器（Ge等人，Citation2021）在1400张手动标注的与洪水相关的图像上进行了训练，这些图像被划分为训练集、验证集和测试集，比例为6:2:2。模型使用随机梯度下降进行了100个周期的训练，并应用了早期停止以防止过拟合。该检测器在不同Intersection over Union（IoU）阈值下使用平均精度（AP）进行评估，在测试集上达到了0.919的AP@0.50和0.709的AP@0.75，证明了在定位车辆车轮方面的可靠性能。使用检测到的边界框作为提示，SAM通过Python API自动为整个图像生成二进制掩码。由于这些掩码不区分单个车轮实例，因此通过将掩码与其对应的边界框相交来定位每个车轮。随后使用OpenCV中的边缘检测处理提取出的车轮区域以获得其轮廓B，这为后续的淹没分析提供了基础。4.2. 用于淹没状态分类的可解释指标深度学习模型的成功依赖于大规模、标注良好且数据分布一致的数据集。然而，在与洪水相关的场景中，数据可用性有限和数据分布不一致阻碍了深度模型学习稳定的语义表示。因此，它们容易出现分布外（OOD）泛化问题（Shalev, Shalev, 和 Keshet, Citation2022），并且在安全关键应用中表现出有限的可解释性，带来了重大风险（Hendrycks等人，Citation2022）。我们提出了一种可解释的方法，将车轮淹没状态分类为两类——高于或低于车轮高度的一半——这种方法适用于不同类型的车轮。具体而言，定义了两条特征线来支持这种分类：(1) 车轮与水面的交点（Waterline，L0），以及(2) 沿着Waterline方向可见车轮轮廓的最长弦对应的线（Maxline，Lc），如图5a所示。随着水位上升，Waterline逐渐接近Maxline；当水深达到车轮高度的一半时，这两条线重合，并在此后保持一致。因此，这两条线是否重合是区分两种车轮淹没状态类的指标。图5. 淹没状态分类。(a) Waterline和Maxline的定位。(b) 随着洪水水位上升，弦长c0和cmax的变化。(c–f) 不同淹没状态下的代表性示例。阅读该图的详细描述。这个四面板图展示了车轮淹没状态的分类。a面板展示了车轮上Waterline和Maxline的定位。一个蓝色圆圈代表一个车轮，上面有一条标记为L0，y=kx+b0的红线，表示Waterline。灰色的线条标记为Li，y=kx+bi，代表扫描线，其中最长的弦以棕色突出显示为Maxline。红点表示拟合点。b面板是一个折线图，展示了随着洪水水位上升，弦长c0和cmax的变化。横轴没有标注单位。纵轴标记为cmax和c0。cmax的红线先上升然后下降，而c0的蓝线先上升然后下降。两条线之间是一个灰色阴影区域。c面板展示了一个部分被淹没的车轮的代表性示例。d面板是一个显示弦长与bi的折线图，曲线先上升到310然后下降到280。e面板展示了另一个部分被淹没的车轮的代表性示例。f面板是一个显示弦长与bi的折线图，曲线先上升到95然后下降到90。放大查看因此，分类任务被重新表述为识别这两条代表性线。这种近似是合理的，因为洪水表面与车轮的交点大致是线性的，与车轮轮廓的曲线几何形状不同。Waterline L0:y=kx+b0是使用可见车轮轮廓B上曲率最低的20%的点来拟合的。随后，定义了一组平行线作为方程（Equation1(1) L={L1,L2,…,Ln},??Li:y=kx+bi,??i=1,…,n(1)）：(1) L={L1,L2,…,Ln},??Li:y=kx+bi,??i=1,…,n(1) 斜率k对所有平行线保持恒定，而截距bi选择以覆盖车轮轮廓的范围：bi?(bmin,bmax)。对于每条线，与轮廓B的交点分别表示为P1i和P2i，弦长ci定义为它们之间的欧几里得距离（Equation2(2) ci=‖P1i?P2i‖2(2)）：(2) ci=‖P1i?P2i‖2(2) Maxline Lmax定义为所有候选者中最大弦长的线（Equation3(3) Lmax=Li*,??i*=maxi∈[1,n]ci(3)）：(3) Lmax=Li*,??i*=maxi∈[1,n]ci(3) 因此，Maxline的位置可以表示为Lmax:y=kx+bmax。由于不可避免的拟合和分割误差，Waterline和Maxline无法完美重合。为了解决这个问题，我们应用了Social-VFG（T）方法，该方法使用固定阈值ΔL来量化两条线之间的重合程度。具体来说，随着洪水水位的上升，Waterline和Maxline对应的弦长相应变化（图5b），通过比较这些长度可以确定两条线之间的重合程度。图5c和图5e展示了与识别出的线条重合的车轮的代表性示例。图5d和图5f展示了与车轮轮廓相交的平行线的弦长，其中L0和Lmax分别用红色和黄色突出显示。4.3. 基于特征的淹没指标细化当水面受到干扰时，第4.2节中描述的基于曲率的点选择可能会引入噪声，导致拟合的水位线偏离真实水面。此外，车轮目标像素大小的变化——小车轮对局部扰动更敏感，而大车轮可以容忍更大的偏差——使得Social-VFG（T）中的单一固定阈值不足以量化两条线之间的重合程度。因此，引入了额外的特征来更全面地描述两条线之间的重合程度，从而提高了方法的鲁棒性。设计了四个特征，如表1所总结。特征?L和?b分别量化了线长和截距的绝对差异，反映了两条线之间的重合程度。相比之下，δL和δb表示这些差异相对于物体大小的相对大小，从而考虑了尺度效应。表1. 描述Waterline和Maxline之间重合的特征：定义和计算方法。这些特征随后被用作随机森林分类器的输入，形成了基于随机森林的变体Social-VFG（RF）（图6）。这种方法有效地减轻了由扰动的洪水表面和车轮尺度变化引起的拟合噪声，从而提高了在不同成像和环境条件下的淹没状态分类的鲁棒性和泛化能力。图6. 特征提取和使用随机森林进行淹没状态分类。阅读该图的详细描述。这个三面板图展示了使用随机森林模型的特征提取和淹没状态分类。左边的面板1显示了一个带有车轮的汽车轮胎的部分图像。绿色轮廓追踪了轮胎的轮廓。轮胎上可见黄色、红色和青色的水平线。中间的面板2显示了一个折线图，横轴标记为b i，范围从980到1100，纵轴标记为Chord length，范围从250到310。一条线从左向右上升，达到峰值，然后急剧下降。注释包括delta L、delta b、c max和c 0，以及b g减去b s的绝对值范围。右边的面板3展示了一个随机森林模型。一个矩形框包含了delta L、delta L、delta b和delta b。箭头从这个框指向两棵决策树。上面的树有蓝色和橙色的节点。下面的树有橙色和蓝色的节点。两条树的虚线箭头合并成一个圆，然后通向两个输出框。上面的输出框显示了一个在蓝色表面上的轮胎，标记为Below。下面的输出框显示了一个部分浸没在蓝色表面上的轮胎，标记为Above。放大查看5.结果

本节介绍了所提出的Social-VFG框架的评估和实际应用。首先，构建了一个数据集来评估Social-VFG与两种基线分类方法相比的性能。随后，将该框架应用于2023年株洲洪水事件作为案例研究，以展示其在城市道路淹没风险评估中的实际效用。

5.1 Social-VFG的性能

共有400张包含可见车辆轮子的洪水相关图像被手动标注为两个淹没状态类别（表2）。每张图像中只包含一个轮子实例，以确保标注的一致性。选择了两种代表性的模型作为基线方法：EfficientNet（Tan和Le，引用2019年）和ViT（Dosovitskiy等人，引用2021年）。这两种基线模型都使用相同的训练设置在数据集上进行了训练。对于所提出的Social-VFG框架，从每个轮子实例中提取了第4.3节描述的四个特征。在基于阈值的变体Social-VFG（T）中，使用训练集确定最佳的?L阈值，然后将其应用于测试集。在基于随机森林的变体Social-VFG（RF）中，使用从训练样本中提取的特征训练一个随机森林分类器，然后对其进行测试集评估。

表2. 淹没状态分类的数据集分布。下载CSV显示表格

Social-VFG和基线模型的性能总结在表3中。Social-VFG（T）根据长度阈值?L确定线路重合情况，使用训练集确定最佳阈值为3像素（图7）。使用此阈值，Social-VFG（T）在测试集上达到了76.25%的准确率，优于表现最好的深度学习基线ViT（73.75%）。Social-VFG（RF）进一步提高准确率至87.67%，在所有基线模型中取得了显著的性能提升。这些结果证明了所提出的Social-VFG框架的有效性。图8展示了六个代表性的洪水示例，提供了地面真实情况（GT）、Social-VFG（T）、Social-VFG（RF）和ViT基线之间的视觉比较。

表3. 分类模型性能比较。下载CSV显示表格

图7. 基于训练集的Social-VFG（T）的阈值选择，其中优化了一个单一阈值以最大化两个类别之间的分类准确率。阅读此图的详细描述

散点图在垂直轴上显示了从0到50的delta L值，在未标记的水平轴上。有两个数据系列：标签A，用圆形标记表示；标签B，用三角形标记表示。标签A的点分布在图表的各个位置，主要集中在10以下以及20到45之间。标签B的点主要集中在10以下，有一些点延伸到35。在delta L值为3.0像素处有一条水平虚线，表示阈值。大多数标签B的点位于此阈值以下，而标签A的点则分布在其上下。

图8. 原始图像（左）和相应的特征条形图（右），红色圆圈表示检测到的水位线，黄色三角形表示最大水位线。附表列出了四个提取的特征和轮子大小。阅读此图的详细描述

这个六格图表分为三行两列，展示了在部分淹没情况下不同轮子大小和变形程度的汽车。每个面板中，左侧显示原始图像，右侧显示相应的弦长与b i图。对于每个示例，提供了地面真实情况、Vision Transformer、VFG-T和VFG-RF的分类结果。结果显示，Vision Transformer正确分类了四个案例，VFG-T正确分类了四个案例，VFG-RF正确分类了所有六个案例。

对于具有清晰水轮分离的高质量社交媒体图像、大型轮子目标以及大致水平视角的情况（图8a,d），ViT模型和所提出的Social-VFG方法都能实现正确的分类，表明这些场景相对容易分类。ViT模型倾向于在决策边界附近的样本上进行错误分类（图8b,c），而Social-VFG方法则能实现更准确的分类。Social-VFG（T）在大多数情况下表现良好，但在极端条件下表现不佳。对于小型目标（图8e），由于轮子轮廓变化很小，水位线和最大水位线的长度几乎相同，单一阈值不足以进行可靠分类。相反，对于较大目标（图8f），拟合误差被放大，导致偏差超出阈值范围。Social-VFG（RF）通过利用四个特征的联合信息有效缓解了这些问题。正如这些示例所示，即使?L在不同对象尺度下无法提供可靠的线索，剩余的特征仍然能够捕捉到正确的分类趋势，使Social-VFG（RF）产生更稳定和准确的分类结果。

5.2 2023年株洲洪水期间的道路淹没风险分析

当洪水深度超过车辆排气管高度时，驾车穿过洪水会带来显著的风险，因为水的进入可能导致发动机熄火（Pregnolato等人，引用2017年）。因此，从Social-VFG获得的分类结果为道路淹没风险评估提供了有用的线索，因为轮子高度的一半可以近似代表排气管的高度。此外，超过轮子高度的洪水深度表示更严重的情况，需要仔细考虑。在这种情况下，Social-VFG无法可靠地运行，因为轮子完全浸没，超出了其适用的操作范围。对于在第3.2节描述的数据预处理过程中获得的包含车辆的洪水相关图像，无法检测到轮子的实例被视为洪水深度超过轮子高度的情况。最后，定义了三个级别的道路淹没风险（表4），每个图像根据可用证据被分配到最高风险级别。

表4. 轮子淹没状态与道路淹没风险之间的映射。下载CSV显示表格

5.2.1 来自新浪微博的淹没状态的空间分布

使用ERNIE-UIE（Lu等人，引用2022年）这一预训练的命名实体识别模型从文本中提取了与洪水相关的微博帖子的位置。相应的地理位置使用Amap地理编码API（Amap，引用2025年）获得。识别了三种类型的位置实体：兴趣点（POIs），代表精确的点位置；街道名称，对应于线性特征；以及行政区域，表示多边形区域。对于街道名称和行政区域，使用每个特征的质心作为坐标表示。低分辨率的位置描述，如县或城市级别的名称（例如株洲市），被排除在分析之外。

由于其全天候成像能力，SAR图像被广泛用于洪水制图（Wang等人，引用2022年）。GF-3图像于8月1日（全覆盖）和8月2日（部分覆盖）从陆地观测卫星数据服务平台获取（图9）。使用基于阈值的水检测方法提取了洪水范围（Wang等人，引用2019年）。最终洪水范围图由两位具有遥感专长的研究人员手动验证，其共识结果被用作此次事件的参考洪水范围。

图9. 本研究中使用的GF-3图像的空间覆盖范围。阅读此图的详细描述

地图显示了中国某地区的两个GF-3图像覆盖区域08-01和08-02。标注了北京、天津和廊坊等主要城市，以及道路和其他地理特征。地图的范围是东经114度至117度，北纬38度至40度。08-01覆盖区域是右上角的浅紫色多边形，部分与红色虚线多边形重叠。08-02覆盖区域是左上角的浅蓝色多边形，也部分与红色虚线多边形重叠。下面是两个灰度子图像，显示了研究区域和GF-3图像的覆盖范围。08-01图像覆盖了整个研究区域，而08-02图像仅覆盖了研究区域的一部分。

提取的洪水范围表明，株洲地区普遍发生了淹没，特别是在河流走廊、城市边缘和主要干道上，而在城市中心观察到的洪水相对有限（图10，蓝色区域代表淹没区域）。使用200米的缓冲区空间表示了与洪水相关的微博帖子，考虑到地理标签可能指的是周围区域的洪水而不是精确的点位置（Sreten、Levente和Hartwig，引用2016年）。大约80%的缓冲区帖子位于映射的洪水范围内，在大约40%的案例中，淹没影响了缓冲区的20%以上。剩余20%的帖子位于没有明显洪水的区域，主要在城市中心。

图10. 洪水的范围和社交媒体上的淹没状态空间分布。阅读此图的详细描述

这个两格垂直排列的地图显示了中国株洲在连续两天内的洪水范围和风险级别。面板a（标题为08-01）显示了标注有淹没区域的株洲地图。几个红色圆形标记代表极端风险，聚集在洪水区域的中心和东部。还有一些黄色圆形标记，表示高风险。面板b（标题为08-02）显示了相同的地理区域，但风险标记的分布已经发生变化。红色极端风险标记仍然存在，但更多的黄色高风险标记和绿色低风险标记可见，表明风险分布发生了变化。两个面板都包括一个水平刻度条，标有0、5和10公里，地理坐标沿着边界标注。

从8月1日到8月2日，根据GF-3图像获得的洪水范围，从城市中心到西部郊区，淹没区域明显收缩，表明洪水明显退缩。然而，由于8月2日GF-3图像的空间覆盖范围有限，研究区域的东部部分未被捕捉到，因此无法仅基于遥感数据进行完整的洪水演变评估。与GF-3图像得出的洪水范围相比，与洪水相关的微博帖子的空间分布显示出高度一致性。具体来说，社交媒体观察还表明，从8月1日到8月2日，城市中心的淹没严重程度有所降低，这反映在洪水相关帖子的数量及其分配的风险级别上都有明显下降。此外，社交媒体数据在GF-3覆盖范围之外的区域提供了补充见解：8月2日城市东部的洪水相关帖子群表明洪水条件持续甚至更加严重。

5.2.2 道路淹没风险评估

使用OpenStreetMap获得的道路网络（图11）对株洲的道路淹没风险进行了空间评估。完整的道路网络以黑线显示，而从GF-3图像中提取的洪水范围内的道路段以蓝色突出显示。可以从Social-VFG输出推断出淹没状态的道路段进一步分配了细粒度的风险级别，分别用绿色、黄色和红色线条表示低风险、高风险和极端风险。这些层是通过整合OSM道路网络、从GF-3图像中得出的洪水范围以及200米缓冲的Social-VFG点证据进行空间叠加分析生成的。

图11. 道路淹没风险地图。阅读此图的详细描述

这个三格图显示了株洲的道路淹没风险，包括两张地图和一个条形图。面板a（标题为08-01）显示了一个带有浅蓝色洪水范围的区域地图。黑线代表完整的道路网络。蓝色线条表示被淹没的道路段。面板b（标题为08-02）是一个类似的地图，显示了相同区域的不同浅蓝色洪水范围。黑线表示完整的道路网络。蓝色线条表示被淹没的道路段。此外，面板b还显示了具有细粒度风险级别的道路段：绿色表示低风险，黄色表示高风险，红色表示极端风险。两个地图都包括一个刻度条，标有0、5和10公里。面板c是一个条形图，纵轴上显示道路数量，范围从0到913。横轴显示了分类：被淹没、低风险、高风险和极端风险。绘制了两组数据：08-01和08-02。对于“被淹没”类别，08-01显示的条形延伸到913，08-02显示的条形延伸到361。对于“低风险”类别，08-01显示的条形延伸到40，08-02显示的条形延伸到4。对于“高风险”类别，08-01显示的条形延伸到110，08-02显示的条形延伸到72。对于“极端风险”类别，08-01显示的条形延伸到224，08-02显示的条形延伸到0。显示全尺寸。

如图11a,b所示，大多数被淹没的道路段集中在河流走廊和低洼地区，而从社交媒体中得出的详细道路风险等级主要集中在城市核心区域。不同条件下的受影响道路段数量总结在图11c中。8月1日，共有913个道路段位于GF-3图像所显示的洪水范围内，而Social-VFG将其中224段识别为极端风险，4段识别为低风险。8月2日，GF-3图像仅提供了部分空间覆盖范围，研究区域的很大一部分未被成像，因此只有361个道路段被识别为洪水范围内。相比之下，Social-VFG分别将72段、110段和4段分类为极端风险、高风险和低风险。

这些结果表明，社交媒体提供了关于道路淹没风险的宝贵详细信息，特别是在交通需求最高的密集城市地区。尽管Social-VFG观测的空间范围比GF-3推导的洪水范围窄，但从交通安全的角度来看，它们的贡献仍然很重要。因为道路上的任何风险点都可能导致该路段无法用于路线规划，所以社交媒体观测不需要与卫星衍生的洪水地图的覆盖范围完全匹配；相反，它们只需要标记足够数量的道路段以有意义地支持安全出行决策。此外，当卫星观测缺失或不完整时——正如8月2日所观察到的那样——这些基于社交媒体的评估就变得不可或缺。

在附近地点不同时刻捕获的社交媒体图像清楚地反映了洪水深度的时间演变。以双塔街和清凉寺街周围的中心城区为例（图12），观察到洪水明显退去。在A地点（双塔路和古楼街的交叉口），8月1日车辆几乎完全被淹没，洪水高度达到大约窗户的高度。到8月2日，该地点的洪水明显退去，剩余的高度低于车轮高度的一半。在B地点（周洲人民医院），也观察到类似的退水趋势：8月1日，停车场的洪水深度超过车轮高度，而到8月2日，只有少量的洪水痕迹，水位下降到大约车轮高度或更低。

图12. 8月1日至2日道路淹没风险的变化，显示研究区域内洪水的消退。

这张双面板地图显示了一个城市地区的道路淹没风险，a面板显示8月1日的状况，b面板显示8月2日的状况。两张地图都显示了街道、G107公路以及标记为被淹没的区域。图例表示淹没状态：C级极端风险、B级高风险、A级低风险和洪水。道路淹没风险分别用极端、高、低和被淹没来表示。街道被标记为街道或被淹没。四张照片与地图相对应。照片A 08-01显示了一条街道，车辆几乎被淹没到窗户高度。照片A 08-02显示了一辆红色汽车在较少被淹没的街道上。照片B 08-01显示了停车场中的汽车被洪水淹没。照片B 08-02显示一个人拿着伞走在洪水退去的街道上，附近的汽车已经停放好。地图直观地展示了从8月1日到8月2日洪水的减少。

6. 讨论
从社交媒体图像中推断的淹没状态为道路淹没风险评估提供了新的视角。然而，训练数据集的大小有限，限制了深度学习模型的泛化能力，而参考对象之间的实例变异性引入了测量不稳定性的风险，因此在安全关键应用中使用社交媒体图像时可能存在潜在风险。本研究提出了一种可解释的淹没状态分类方法，该方法使用车轮（其实例变异性较低）作为洪水测量工具。通过基于规则的指标来估计淹没状态，该方法捕捉了车轮淹没的变化，从而减少了对外部大规模数据标注和模型重新训练的依赖，同时保持了高分类准确性。

在4.2节中描述的指标基础上，我们开发了两种变体：Social-VFG（T），它通过弦长差异的阈值来确定淹没状态；Social-VFG（RF），它结合了四个特征来更全面地描述该指标。在测试集上，Social-VFG（T）的表现已经超过了依赖全局特征或更深度局部特征的基线模型，证明了所提出方法的有效性。Social-VFG（RF）进一步将F1分数提高到了88.67%，增强了对抗由表面扰动和车轮尺度变化引起的水位线拟合误差的鲁棒性。

人工智能（AI）系统复杂性的增加引发了对其决策过程可解释性和责任性的关键担忧（Maier等人，引用2023年）。除了实现强大的分类性能外，我们的分析还提供了对淹没状态区分机制的见解。具体来说，有一个明确的规则规定了这些线条之间的关系，随着洪水水平的增加，它们是否重合有效地区分了车轮的两种淹没状态，这一规则在不同类型的车轮上保持一致。这种方法使决策者能够更好地理解模型预测背后的逻辑，从而增强了对方法和其结果的信心。

在案例研究中，社交媒体在城市洪水评估中展示了巨大的价值。首先，新浪微博的图像提供了详细的淹没深度观测，捕捉了由于 revisit 制限而难以通过卫星图像检测到的空间变化和短期波动。这些帖子不仅验证了从GF-3观测中推断出的淹没状态，还将情境意识扩展到了卫星覆盖不可用的地点或时间段。其次，新浪微博的图像提供了有关道路淹没风险的 actionable 智能信息。使用Social-VFG框架，分析了每条帖子周围的淹没状态，并将其与相邻的道路段关联起来，使我们能够确定这些道路段是否仍然可行或显示出更高的洪水风险。这些信息对于支持紧急物流和疏散计划至关重要，并填补了遥感产品中的一个重要空白，因为遥感产品通常只划定洪水范围，但不直接指示交通可行性或局部危险性。总体而言，这些优势使社交媒体成为遥感的重要补充数据来源，支持在快速变化的城市洪水事件中的连续、详细和与交通相关的洪水监测。

虽然提出的Social-VFG取得了强大的性能，但仍存在一些局限性。尽管车辆车轮比之前使用的参考对象更可靠，但不同类型车辆的车轮大小的变化仍然引入了不确定性，并限制了厘米级洪水深度估计的可行性。此外，车辆车轮的有限高度限制了它们完全被淹没后可检测的淹没范围。此外，使用VGI引入了与空间稀疏性和地理位置不确定性相关的挑战。尽管应用了NER和基于缓冲区的空间匹配来缓解这些问题，但这些措施无法完全消除这些固有的局限性。未来的工作应从方法论和数据两个方面解决这些挑战。结合车辆类型识别可以明确量化与车轮相关的不确定性，从而提高估计精度。同时，探索替代的视觉线索（例如路灯和交通标志）可能会扩展可检测的淹没范围，并减少对单一参考对象的依赖。将框架与固定交通摄像头或城市感测基础设施整合起来，可以提供更稳定的成像条件和更密集的空间覆盖，从而缓解基于VGI的观测的局限性。此外，在极端天气条件下的鲁棒性改进也是必不可少的。在降雨量大的情况下，图像质量会因遮挡、运动模糊和能见度低而下降，未来的工作应专注于提高模型对低质量输入的韧性，以确保在现实世界情境中的可靠性能。

7. 结论
本研究提出了一个基于社交媒体图像的淹没状态分类框架，并将其应用于2023年周洲洪水事件中评估道路淹没风险，作为概念验证。该框架使用车辆车轮（其特征是实例间变异性低）作为洪水测量工具，并使用基于规则的指标提取特征，将洪水图像分类为两种淹没状态。实验结果显示，在测试集上的F1分数为88.67%，优于基于全局或局部深度特征的深度学习方法。除了高准确性外，所提出的方法还提供了更好的可解释性，不需要大规模标注的数据集，并且在很大程度上独立于特定数据分布，体现了其在实际应用中的鲁棒性。

在2023年周洲洪水事件中，该框架在评估道路淹没风险方面展示了明显的优势。淹没状态的空间分布与洪水范围高度一致，同时还提供了道路风险水平的详细分类以及在卫星观测不可用区域的宝贵补充信息。这种整合有效地捕捉了道路淹没的空间变异性和洪水深度的时间动态。

关于未来的工作，有两个研究方向值得进一步探索。首先，通过结合车辆类型识别和探索更大或替代的视觉参考，可以提高洪水深度估计的准确性，从而扩展可检测的淹没范围并实现更精细的深度推断。其次，将提出的框架与固定交通摄像头或城市感测基础设施整合起来，可以提供更密集的观测和更稳定的成像条件，从而促进厘米级洪水绘图和更准确的道路淹没风险评估。

补充材料
补充材料
下载MS Word（38.1 KB）
补充数据
本文的补充数据可从相应作者G.L.处获得，如有合理要求。
补充数据
本文的补充数据可以在以下链接访问：https://doi.org/10.1080/17538947.2026.2657148