A national scale big data analytics pipeline to assess the potential impacts of flooding on critical infrastructures and communities
A national scale big data analytics pipeline to assess the potential impacts of flooding on critical infrastructures and communities
复制标题
全国范围的大数据分析管道，用于评估洪水对关键基础设施和社区的潜在影响
DOI：
10.1016/j.envsoft.2020.104828
复制
发表时间：
2020
期刊：
影响因子：
--
通讯作者：
Sadeghi Tabas, S.
中科院分区：
文献类型：
--
作者：
Donratanapata, N.;Samadi, S;Vidal, J.M.;Sadeghi Tabas, S.
随着物联网（IoT）和大数据基础设施的快速发展，众包技术已经出现，以促进数据处理和解决问题，特别是用于洪水应急目的。洪水分析信息系统（FAIS）是一个Python Web应用程序，用于从多个服务器收集大数据，并分析历史和实时事件期间的洪水影响。该应用程序巧妙地集成了人群智能、机器学习（ML）和推文的自然语言处理，以提供洪水预警，旨在提高洪水风险管理的态势感知。FAIS是一个全国规模的原型，它将洪峰率和河流水位信息与地理标记的推文结合起来，以识别一组有洪水风险的动态地点。该原型在多利安飓风洪水期间以及美国卡罗莱纳州的历史事件（佛罗伦萨飓风）中成功进行了实时测试，风暴对基础设施和社区造成了广泛的破坏。
With the rapid development of the Internet of Things (IoT) and Big Data infrastructure, crowdsourcing techniques have emerged to facilitate data processing and problem solving particularly for flood emergences purposes. A Flood Analytics Information System (FAIS) has been developed as a Python Web application to gather Big Data from multiple servers and analyze flooding impacts during historical and real-time events. The application is smartly designed to integrate crowd intelligence, machine learning (ML), and natural language processing of tweets to provide flood warning with the aim to improve situational awareness for flood risk management. FAIS, a national scale prototype, combines flood peak rates and river level information with geotagged tweets to identify a dynamic set of at-risk locations to flooding. The prototype was successfully tested in real-time during Hurricane Dorian flooding as well as for historical event (Hurricanes Florence) across the Carolinas, USA where the storm made extensive disruption to infrastructure and communities.
登录
查看更多内容
DOI：
10.1007/978-3-319-57336-6_7
发表时间：
2017-07
期刊：
--
影响因子：
--
作者：
Ming-Hsiang Tsou;Chin-Te Jung;Chris Allen;Jiue-An Yang;S. Han;Brian H. Spitzberg;J. Dozier
通讯作者：
Ming-Hsiang Tsou;Chin-Te Jung;Chris Allen;Jiue-An Yang;S. Han;Brian H. Spitzberg;J. Dozier
QPF 对实时确定性水文预报不确定性的影响
影响因子：
3.8
作者：
T. Adams;R. Dymond
通讯作者：
R. Dymond
DOI：
--
发表时间：
2018
期刊：
Comput. methods Biomech. Biomed. Eng. Imaging Vis.
影响因子：
--
作者：
Megan A. Witherow;Cem Sazara;Irina M. Winter;M. I. Elbakary;M. Cetin;K. Iftekharuddin
通讯作者：
K. Iftekharuddin
2015 年 10 月卡罗莱纳州发生的洪水有多严重？
影响因子：
6.4
作者：
R. Phillips;S. Samadi;M. Meadows
通讯作者：
M. Meadows