Property-Level Flood Risk Assessment Using AI-Enabled Street-View Lowest Floor Elevation Extraction and ML Imputation Across Texas

📄 arXiv: 2604.01153v1 📥 PDF

作者: Xiangpeng Li, Yu-Hsuan Ho, Sam D Brody, Ali Mostafavi

分类: cs.LG

发布日期: 2026-04-01

💡 一句话要点

利用AI街景图像和机器学习插补进行德克萨斯州房屋级洪水风险评估

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 洪水风险评估 街景图像分析 机器学习插补 最低楼层标高 房屋级别数据

📋 核心要点

  1. 现有洪水风险评估缺乏精细化的房屋级别标高数据，难以准确评估室内淹没和损失。
  2. 利用AI分析街景图像提取最低楼层标高，并结合机器学习插补缺失值，构建房屋级别标高数据集。
  3. 实验表明，该方法能够有效改善区域洪水风险特征，为减灾规划提供更精确的数据支持。

📝 摘要（中文）

本文提出了一种利用AI分析街景图像，并结合性能门控机器学习插补的方法，为区域范围内的洪水风险评估生成建筑物级别的标高数据。该方法在德克萨斯州的18个感兴趣区域（AOI）应用了一个三阶段流程：（1）使用Elev-Vision框架从谷歌街景图像中提取最低楼层标高（LFE）和街道地面与最低楼层之间的高度差（HDSL）；（2）使用随机森林和梯度提升模型，基于16个地形、水文、地理和洪水暴露特征，插补缺失的HDSL值；（3）将生成的标高数据集与Fathom百年一遇洪水淹没面和美国陆军工程兵团（USACE）的深度-损失函数相结合，以估计特定房屋的室内洪水深度和预期损失。在12241个住宅结构中，73.4%的地块有街景图像，49.0%（5992个结构）成功提取了直接的LFE/HDSL。对于交叉验证性能可接受的13个AOI，保留了插补结果，所选模型的R方值在0.159到0.974之间；由于性能不足，明确排除了5个AOI的预测。结果表明，基于街景的标高测绘并非对每个房屋都可用，但它具有足够的可扩展性，可以通过将风险评估从危害暴露扩展到结构级别的室内淹没和预期损失估计，从而显著改善区域洪水风险特征。科学上，该研究将LFE估计从试点规模的概念验证提升到区域性的端到端工作流程。实际上，它为缺乏全面标高证书但需要地块级别信息来支持减灾、规划和洪水风险管理的辖区提供了一个可复制的框架。

🔬 方法详解

问题定义：该论文旨在解决洪水风险评估中缺乏精细化、房屋级别标高数据的问题。现有方法通常依赖于粗略的区域平均标高或有限的标高证书，无法准确评估特定房屋的室内淹没深度和预期损失。获取高精度、大规模的房屋标高数据成本高昂，阻碍了更精细化的洪水风险评估。

核心思路：该论文的核心思路是利用公开可用的谷歌街景图像，通过AI技术自动提取房屋的最低楼层标高（LFE）和街道地面与最低楼层之间的高度差（HDSL）。对于街景图像无法覆盖或提取失败的区域，采用机器学习方法，基于地形、水文、地理和洪水暴露等特征进行插补。这样可以在较低成本下，构建大规模的房屋级别标高数据集，从而提高洪水风险评估的精度。

技术框架：该方法包含三个主要阶段： 1. 街景图像提取与LFE/HDSL提取：使用Elev-Vision框架从谷歌街景图像中提取LFE和HDSL。 2. HDSL插补：使用随机森林和梯度提升模型，基于16个地形、水文、地理和洪水暴露特征，插补缺失的HDSL值。对插补结果进行交叉验证，评估模型性能。 3. 洪水风险评估：将生成的标高数据集与Fathom百年一遇洪水淹没面和USACE深度-损失函数相结合，估计特定房屋的室内洪水深度和预期损失。

关键创新：该论文的关键创新在于将AI街景图像分析与机器学习插补相结合，构建大规模的房屋级别标高数据集。与传统方法相比，该方法无需人工测量或购买高精度标高数据，降低了成本，提高了效率。同时，该方法可以利用公开可用的街景图像，具有良好的可扩展性。

关键设计： * Elev-Vision框架：用于从街景图像中提取LFE和HDSL，具体实现细节未知。 * 机器学习模型：使用随机森林和梯度提升模型进行HDSL插补，具体参数设置未知。 * 特征选择：选择了16个地形、水文、地理和洪水暴露特征作为机器学习模型的输入，具体特征列表未知。 * 性能评估：使用交叉验证评估机器学习模型的性能，并根据R方值选择合适的模型。

📊 实验亮点

在德克萨斯州的12241个住宅结构中，73.4%的地块有街景图像，49.0%（5992个结构）成功提取了直接的LFE/HDSL。对于交叉验证性能可接受的13个AOI，保留了插补结果，所选模型的R方值在0.159到0.974之间。该研究表明，基于街景的标高测绘可以显著改善区域洪水风险特征。

🎯 应用场景

该研究成果可应用于洪水风险管理、城市规划、保险定价等领域。政府部门可以利用该方法构建更精确的洪水风险地图，制定更有效的减灾措施。保险公司可以利用该方法更准确地评估房屋的洪水风险，制定更合理的保费。个人房主可以利用该方法了解自己房屋的洪水风险，采取相应的防洪措施。

📄 摘要（原文）

This paper argues that AI-enabled analysis of street-view imagery, complemented by performance-gated machine-learning imputation, provides a viable pathway for generating building-specific elevation data at regional scale for flood risk assessment. We develop and apply a three-stage pipeline across 18 areas of interest (AOIs) in Texas that (1) extracts LFE and the height difference between street grade and the lowest floor (HDSL) from Google Street View imagery using the Elev-Vision framework, (2) imputes missing HDSL values with Random Forest and Gradient Boosting models trained on 16 terrain, hydrologic, geographic, and flood-exposure features, and (3) integrates the resulting elevation dataset with Fathom 1-in-100 year inundation surfaces and USACE depth-damage functions to estimate property-specific interior flood depth and expected loss. Across 12,241 residential structures, street-view imagery was available for 73.4% of parcels and direct LFE/HDSL extraction was successful for 49.0% (5,992 structures). Imputation was retained for 13 AOIs where cross-validated performance was defensible, with selected models achieving R suqre values from 0.159 to 0.974; five AOIs were explicitly excluded from prediction because performance was insufficient. The results show that street-view-based elevation mapping is not universally available for every property, but it is sufficiently scalable to materially improve regional flood-risk characterization by moving beyond hazard exposure to structure-level estimates of interior inundation and expected damage. Scientifically, the study advances LFE estimation from a pilot-scale proof of concept to a regional, end-to-end workflow. Practically, it offers a replicable framework for jurisdictions that lack comprehensive Elevation Certificates but need parcel-level information to support mitigation, planning, and flood-risk management.