Ensuring reliable water level measurement for flooding: A redundancy-based approach with pressure transducer and computer vision
Este artigo propõe a fusão de dados de transdutor de pressão e visão computacional para garantir medições confiáveis do nível de água em cenários de inundação. O método utiliza redundância de sensores para manter alta disponibilidade e precisão (<2 cm de erro) mesmo em caso de falha de um dos dispositivos.
Diagrama do sistema redundante de medição de nível de água
A deep learning workflow enhanced with optical flow fields for flood risk estimation
Nesta pesquisa, emprega-se fluxo óptico denso entre quadros para enriquecer redes neurais convolucionais na predição de risco de inundação. Os resultados mostram ganho de até 8% na acurácia comparado a modelos que utilizam apenas imagens estáticas.
Exemplo de cálculo de fluxo óptico entre imagens consecutivas
Water level identification with laser sensors, inertial units, and machine learning
Este estudo combina sensores LiDAR e IMU para coletar dados experimentais de nível de água. Modelos de aprendizado de máquina (ex: GBDT) são treinados com features extraídas, alcançando erro médio de 8 mm e R² de 0,97, demonstrando alta robustez.
Setup experimental com laser e unidade inercial
A river flooding detection system based on deep learning and computer vision
Desenvolve-se um sistema de baixo custo que utiliza segmentação semântica por deep learning para detectar inundações em tempo real. As câmeras enviam imagens via 4G e alertas automáticos são disparados quando o nível atinge zonas críticas.
Visão geral do sistema de detecção de inundações fluviais