DOI: https://doi.org/10.1007/s11269-026-04632-0
تاريخ النشر: 2026-04-30
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: تقييم وإدارة مخاطر الفيضانات
نظرة عامة
تستكشف هذه الدراسة فعالية نماذج التعلم العميق المختلفة في الكشف عن مستويات الفيضانات الحضرية، مع التركيز على مجموعة بيانات للسيارات المغمورة. تسلط الضوء على التقدم في طرق الكشف التلقائي التي تستخدم خوارزميات ذكية لإقامة علاقات بين الأجسام الديناميكية ومستويات الفيضانات. تقيم الأبحاث ثمانية نماذج متطورة، بما في ذلك سلسلة YOLOv10 وFaster R-CNN وSSD وDETR، باستخدام مقاييس الأداء مثل الدقة والاسترجاع ومتوسط الدقة عند 50% (mAP50) ووقت الاستدلال. تشير النتائج إلى أن نماذج YOLOv10، وخاصة YOLOv10n وYOLOv10x، تتفوق على الطرق التقليدية، حيث توفر YOLOv10x أعلى دقة وتقدم YOLOv10n توازنًا جيدًا بين الدقة وكفاءة الحوسبة. في المقابل، حقق Faster R-CNN، رغم تحقيقه لاسترجاع أعلى، زيادة في الإيجابيات الكاذبة.
تساهم الدراسة بشكل كبير في تقييم مخاطر الفيضانات الحضرية من خلال تطبيق هذه النماذج على سبع سيناريوهات للفيضانات الحضرية في شنتشن، الصين، مع عمق غمر معروف. تؤكد النتائج على تفوق YOLOv10x في الدقة والصلابة، بينما تُظهر YOLOv10n موثوقية مع متطلبات حوسبة أقل. بالإضافة إلى ذلك، يبقى Faster R-CNN تنافسيًا للمهام عالية الدقة على الرغم من أوقات التدريب الأطول. تقترح الأبحاث مجالات للاستكشاف المستقبلي، بما في ذلك استخدام عتبات أعلى لتقاطع الاتحاد (IoU) والأجهزة القياسية لأوقات تدريب متسقة، وتطوير نماذج هجينة لتعزيز قدرات الكشف عن الأجسام في إدارة الفيضانات الحضرية.
مقدمة
تقدم الفيضانات الحضرية تحديات كبيرة للبنية التحتية للمدن والسلامة العامة، مما تفاقم بفعل تغير المناخ والتوسع الحضري السريع. غالبًا ما تفتقر طرق الكشف التقليدية عن الفيضانات، مثل أجهزة استشعار مستوى المياه والنماذج الفيزيائية، إلى التوقيت والدقة، بينما تعيق تقنيات الاستشعار عن بعد التكاليف العالية والحاجة إلى بيانات دقيقة. دفعت هذه القيود إلى التحول نحو أدوات ذكية جديدة، وخاصة الذكاء الاصطناعي (AI)، التي تقدم دقة كشف محسنة وقدرات أتمتة.
ظهر التعلم العميق، وهو تقنية متطورة في كشف الأجسام في الصور، كحل واعد للكشف عن الفيضانات الحضرية. تظهر طرق الذكاء الاصطناعي المختلفة، مثل YOLO (You Only Look Once) وFaster R-CNN، مزايا وعيوب مميزة من حيث السرعة والدقة والتعقيد. يُلاحظ أن YOLO يتميز بقدرات الكشف السريعة في الوقت الحقيقي، مما يجعله مناسبًا للتقييمات الفورية، على الرغم من أنه قد يضحي بالدقة للأجسام الصغيرة في المشاهد المعقدة. من ناحية أخرى، يوازن Faster R-CNN بين الدقة والسرعة من خلال عملية كشف من مرحلتين، مما يعزز دقة الكشف ولكنه يزيد من متطلبات الحوسبة. تسلط التباين في طرق الكشف الضوء على الحاجة إلى أساليب موحدة لتحسين قابلية تعميم نتائج الكشف عن الفيضانات عبر بيئات حضرية مختلفة.
الطرق
تحدد قسم المنهجية تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح اختيار المشاركين، والمواد المستخدمة، والبروتوكولات المحددة المتبعة لضمان موثوقية وصدق النتائج. تم إجراء التجارب في ظروف خاضعة للرقابة، مع اتخاذ تدابير مناسبة لتقليل التحيز والتباين.
تشير النتائج التجريبية إلى نتائج مهمة تدعم الفرضيات المطروحة في بداية البحث. تم تحليل البيانات الكمية باستخدام طرق إحصائية، مما يكشف عن اتجاهات رئيسية وعلاقات بين المتغيرات المدروسة. تؤكد النتائج على تداعيات النتائج، مما يقترح تطبيقات محتملة وطرق للبحث المستقبلي.
النتائج
في هذا القسم، يتم تقديم تحليل مقارن لنماذج YOLOv10 (YOLOv10n، YOLOv10s، YOLOv10m، YOLOv10l، YOLOv10x) والنماذج التقليدية (Faster R-CNN، SSD، DETR)، مع التركيز على مقاييس أدائها بما في ذلك الدقة والاسترجاع ومتوسط الدقة عند 50% (mAP50) ووقت التدريب. أظهرت سلسلة YOLOv10 تحسنًا تدريجيًا في الأداء مع زيادة حجم النموذج. حققت YOLOv10x أعلى دقة إجمالية بنسبة 71.30% وmAP50 بنسبة 70.40%، على الرغم من أنها كانت تتطلب أطول وقت تدريب قدره 1.438 ساعة. من الجدير بالذكر أن YOLOv10s تألقت في المستوى 4، محققة دقة بنسبة 85.90% وmAP50 بنسبة 84.90%، مما يدل على فعاليتها في الكشف عن الأجسام المرتبطة بالفيضانات عالية المستوى.
في المقابل، أظهرت النماذج التقليدية أداءً متنوعًا، حيث حقق Faster R-CNN mAP50 إجماليًا قدره 65.30% ولكنه تطلب أطول وقت تدريب قدره 3.339 ساعة. أدت بشكل جيد في المستوى 4، بدقة قدرها 57.80%. أظهرت SSD وDETR قيم mAP50 إجمالية أقل قدرها 51.67% و51.43% على التوالي، حيث كانت SSD الأفضل أداءً في المستوى 0 لكنها واجهت صعوبة في المستويات الأعلى. كان أداء DETR غير متسق، خاصة في المستوى 1، مما يبرز مجالات محتملة للتحسين. بشكل عام، تفوقت نماذج YOLOv10 على النماذج التقليدية في الدقة وmAP50، خاصة في مستويات الفيضانات الأعلى، مما يشير إلى ملاءمتها للتطبيقات التي تتطلب كشفًا دقيقًا للأجسام في ظروف صعبة.
المناقشة
في هذه الدراسة، تم تقييم أداء نماذج التعلم العميق المختلفة، وخاصة سلسلة YOLOv10، Faster R-CNN، SSD، وDETR، للكشف عن المركبات المغمورة في سيناريوهات الفيضانات الحضرية. أظهرت نماذج YOLOv10، وخاصة YOLOv10x، دقة واسترجاع ومتوسط دقة (mAP50) متفوق، محققة دقة إجمالية قدرها 71.30% وأعلى mAP50 قدره 70.40%. بينما تتطلب YOLOv10x المزيد من المعلمات، فإن أدائها يبرر استخدامها في أنظمة الكشف الثابتة. من ناحية أخرى، تقدم YOLOv10n، بتصميمها الخفيف، ميزة تنافسية للنشر على الأجهزة المحمولة، حيث تتطلب وقت تدريب أقل بكثير مقارنة بالنماذج التقليدية مثل Faster R-CNN، التي، على الرغم من تحقيقها أعلى mAP50 قدره 65.30%، تعاني من فترات تدريب أطول ومعدل إيجابيات كاذبة أعلى.
تشير النتائج إلى أن سلسلة YOLOv10 تعالج بفعالية تحديات الكشف عن الفيضانات في الوقت الحقيقي في البيئات ذات الموارد المحدودة. تسلط الدراسة أيضًا الضوء على التقدم في YOLOv10، مثل الالتفاف ذو النواة الكبيرة واستراتيجية خالية من القمع غير الأقصى، مما يعزز دقة الكشف مع تقليل التعقيد الحوسبي. بشكل عام، تؤكد هذه الأبحاث على إمكانيات نماذج YOLOv10 في تحسين إدارة الفيضانات الحضرية من خلال الكشف الفعال والدقيق عن مستويات الفيضانات، مما يمهد الطريق للتطبيقات المستقبلية في الاستجابة للطوارئ والتخطيط الحضري.
DOI: https://doi.org/10.1007/s11269-026-04632-0
Publication Date: 2026-04-30
Author(s): Zhenyun Du et al.
Primary Topic: Flood Risk Assessment and Management
Overview
This study investigates the effectiveness of various deep learning models for detecting urban flood levels, focusing on a dataset of flooded vehicles. It highlights the advancements in automatic detection methods that utilize intelligent algorithms to establish relationships between dynamic objects and flood levels. The research evaluates eight state-of-the-art models, including the YOLOv10 series, Faster R-CNN, SSD, and DETR, using performance metrics such as precision, recall, mean Average Precision at 50% (mAP50), and inference time. The findings indicate that the YOLOv10 models, particularly YOLOv10n and YOLOv10x, outperform traditional methods, with YOLOv10x providing the highest accuracy and YOLOv10n offering a favorable balance between accuracy and computational efficiency. In contrast, Faster R-CNN, while achieving higher recall, resulted in increased false positives.
The study contributes significantly to urban flood risk assessment by applying these models to seven urban flood scenarios in Shenzhen, China, with known inundation depths. The results underscore the superiority of YOLOv10x in precision and robustness, while YOLOv10n demonstrates reliability with lower computational demands. Additionally, Faster R-CNN remains competitive for high-precision tasks despite longer training times. The research suggests avenues for future exploration, including the use of higher Intersection over Union (IoU) thresholds, standardized hardware for consistent training times, and the development of hybrid models to enhance object detection capabilities in urban flood management.
Introduction
Urban flooding presents significant challenges to city infrastructure and public safety, exacerbated by climate change and rapid urbanization. Traditional flood detection methods, such as water level sensors and physical models, often lack timeliness and precision, while remote sensing technologies are hindered by high costs and the need for precise data. These limitations have prompted a shift towards novel intelligent tools, particularly artificial intelligence (AI), which offer improved detection accuracy and automation capabilities.
Deep learning, a cutting-edge technology in image object detection, has emerged as a promising solution for urban flood detection. Various AI methods, such as YOLO (You Only Look Once) and Faster R-CNN, exhibit distinct advantages and trade-offs in terms of speed, accuracy, and complexity. YOLO is noted for its rapid, real-time detection capabilities, making it suitable for immediate assessments, although it may sacrifice accuracy for smaller objects in complex scenes. Conversely, Faster R-CNN balances accuracy and speed through a two-stage detection process, enhancing detection precision but increasing computational demands. The variability in detection methods highlights the need for standardized approaches to improve the generalizability of flood detection findings across different urban environments.
Methods
The methodology section outlines the experimental design and procedures employed in the study. It details the selection of participants, the materials used, and the specific protocols followed to ensure the reliability and validity of the results. The experiments were conducted under controlled conditions, with appropriate measures taken to minimize bias and variability.
The experimental results indicate significant findings that support the hypotheses posed at the outset of the research. Quantitative data were analyzed using statistical methods, revealing key trends and relationships among the variables studied. The results underscore the implications of the findings, suggesting potential applications and avenues for future research.
Results
In this section, a comparative analysis of the YOLOv10 models (YOLOv10n, YOLOv10s, YOLOv10m, YOLOv10l, YOLOv10x) and traditional models (Faster R-CNN, SSD, DETR) is presented, focusing on their performance metrics including precision, recall, mean Average Precision at 50% (mAP50), and training time. The YOLOv10 series demonstrated a progressive improvement in performance with increasing model size. YOLOv10x achieved the highest overall precision of 71.30% and mAP50 of 70.40%, albeit with the longest training time of 1.438 hours. Notably, YOLOv10s excelled at level 4, achieving a precision of 85.90% and mAP50 of 84.90%, indicating its effectiveness in detecting high-level flood objects.
In contrast, traditional models showed varied performance, with Faster R-CNN achieving an overall mAP50 of 65.30% but requiring the longest training time of 3.339 hours. It performed well at level 4, with a precision of 57.80%. SSD and DETR exhibited lower overall mAP50 values of 51.67% and 51.43%, respectively, with SSD performing best at level 0 but struggling at higher levels. DETR’s performance was inconsistent, particularly at level 1, highlighting potential areas for improvement. Overall, the YOLOv10 models outperformed traditional models in precision and mAP50, particularly in higher flood levels, suggesting their suitability for applications requiring detailed object detection in challenging conditions.
Discussion
In this study, the performance of various deep learning models, specifically the YOLOv10 series, Faster R-CNN, SSD, and DETR, was evaluated for detecting submerged vehicles in urban flood scenarios. The YOLOv10 models, particularly YOLOv10x, demonstrated superior precision, recall, and mean average precision (mAP50), achieving an overall accuracy of 71.30% and the highest mAP50 of 70.40%. While YOLOv10x requires more parameters, its performance justifies its use in fixed detection systems. Conversely, YOLOv10n, with its lightweight design, offers a competitive edge for deployment on mobile devices, requiring significantly less training time compared to traditional models like Faster R-CNN, which, despite achieving the highest mAP50 of 65.30%, suffers from longer training durations and a higher false-positive rate.
The findings indicate that the YOLOv10 series effectively addresses the challenges of real-time flood detection in resource-constrained environments. The study also highlights the advancements in YOLOv10, such as large-kernel convolution and a non-maximum suppression-free strategy, which enhance detection accuracy while reducing computational complexity. Overall, this research underscores the potential of the YOLOv10 models in improving urban flood management through efficient and accurate detection of flood levels, paving the way for future applications in emergency response and urban planning.