تعتبر تقديرات عمق الفيضانات الحضرية من الأمور الحيوية في تقييم إمكانية الوصول إلى الطرق والاستجابة السريعة للطوارئ خلال الفيضانات. لطالما كان الاعتماد على الطرق السُوِقَة مُرَكَّزًا في الأساليب التقليدية، التي تحتاج إلى مجموعات بيانات موسومة بشكل مكثف. وفي خطوة جديدة إلى الأمام، طُرِحَ نموذج FloodVision الذي يعتمد على نماذج رؤية اللغة (Vision-Language Models) مقدار كبير من التعقيد ملتزمًا بتقديم تقديرات دقيقة ومرنة.

تسند هذه التكنولوجيا الجديدة إلى دمج نموذج رؤية اللغة مع قاعدة معرفية تُعنى بمجال فيضان المياه، تُعرف باسم FloodKG، التي تحتوي على أبعاد كائنات قياسية ومعالم محدّدة، مثل ارتفاع الرصيف وحواف الإطارات. هذا الدمج يعزز طريقة التفكير في مستوى المكونات بدلاً من اعتبار الكائنات ككل، مما يتيح تقديرات أكثر دقة واستنادًا إلى تفاصيل هندسية واضحة دون الحاجة لتدريب خاص بالمهام.

تم تقييم FloodVision باستخدام 654 صورة من مشروع MyCoast في نيويورك، حيث أبلغ السكان عن أعماق المياه. أثبتت النتائج انخفاض خطأ التقدير المتوسط من 15.62 سم إلى 8.75 سم، بالإضافة إلى تقليل الخطأ الوسيطي من 14.35 سم إلى 7.75 سم. تمكن النموذج من تحقيق أخطاء أقل من ذلك المعياري في 69.3% من الحالات.

تتناول الدراسة الحالية أيضًا القيود الحالية على النظام وإمكانية دمجه في أنظمة التوأم الرقمي الحضرية في المستقبل. هل ستصبح FloodVision الحل الأمثل الذي نعتمد عليه جميعًا في مواجهة الفيضانات؟