洪水风险核保向深度AI转型 ：技术与经济 范式转变

执行摘要

全球保险业正面临可计算性的生存危机。随着气候波动性 加剧，用于为洪水风险定价的传统精算方法——主要依赖 历史平均值、粗粒度邮政编码聚合以及静态的FEMA洪水区划——正在 无法捕捉现代水文灾害的非平稳本质。这一系统性 失灵导致「保障缺口」持续扩大、严重的逆向选择，以及 财产与意外伤害（P&C）组合的综合成本率不断恶化。

本白皮书为人工智能咨询机构Veriprajna撰写，阐明一场全面的 架构转型，迈向「深度AI」方案。我们主张，洪水核保的未来 在于从概率性聚合转向 像素级确定性建模 。通过 整合超本地计算机视觉（CV）以评估结构易损性、 合成孔径雷达（SAR）以进行实时灾害监测，以及物理信息 机器学习（PINNs）以开展水动力学模拟，保险人可以达到一种 颗粒度，从而把洪水风险从不可预测的巨灾转变为可管理、 可定价、可减损的资产类别。

我们探讨这些技术的交汇，分析街景级 影像如何以厘米级精度推导首层标高（FFE），轨道 雷达如何穿透云层即时核验理赔，以及神经 网络在嵌入物理定律后如何在数秒内模拟数百万种气候情景。本 报告作为企业采纳的战略蓝图，论证颗粒化、 基于物理的AI不仅是运营效率，更是二十一世纪 偿付能力的根本要求。

1. 传统核保中的颗粒度危机

1.1 「百年一遇」标准的过时

半个多世纪以来，美国洪水保险市场一直锚定于 「百年一遇洪水」这一概念——一种统计建构，表示发生概率为1% 的年度洪水事件。 ¹ 尽管该指标曾提供必要的监管基准 为国家洪水保险计划（NFIP），其作为精确核保工具的效用已经 显著侵蚀。该术语本身被公众与政策制定者广泛误读 ，往往导致危险的谬误：以为「百年一遇洪水」一个世纪只发生一次 ，而实际上，位于该区内的房产有26%的淹没概率，跨越 标准30年抵押贷款期。 ³

源自FEMA的特殊洪水危险区（SFHA）的局限是结构性的，而且 严重。这些地图本质上是动态环境的静态快照。研究 表明，约75%的FEMA洪水图已超过五年，其中 令人担忧的11%可追溯至1970年代和1980年代。 ¹ 这些过时的界线未能 计入驱动现代风险的两个关键变量：快速城市化，它显著 改变地表渗透性；以及气候变化，它正使降水事件强度超出 历史基线。 ¹

传统地图在风险认知中制造二元「悬崖效应」。位于SFHA内一英尺 的房产被强制投保并按高风险定价，而一英尺之外的邻居 往往被标为「Zone X」（最低风险）并显著更低地 定价，尽管面临几乎相同的水文威胁。 ⁵ 这种二元分类忽略了 水流与高程的连续本质。因此，这些高风险区之外的房主 常常假定自己是安全的，导致大规模保障不足；研究 表明全国不到4%的房主持有洪水保险，部分原因正是 这一误导性的二元信号。 ⁵

1.2 降雨型洪水的盲区

传统制图最关键的缺陷或许是未能计入降雨型 （降水驱动）洪水。FEMA地图历来聚焦河流型（河道）与沿海 风暴增水洪水，模拟水体的溢出。 ⁴ 然而，随着城市密度上升， 不透水地表——道路、停车场和屋顶——的扩散阻止了自然 排水，从而在远离河流或海岸的地区引发山洪。 ¹

近期分析显示，近68.3%的洪水损失报告发生_之外_于FEMA的 高风险洪水区，其中相当一部分由强降雨事件驱动，这些事件 淹没市政排水系统。 ⁵ 这些「平原外」事件对核保人是不可见的 若其仅依赖联邦地图。在城市环境中，微地形——车道的细微凹陷、街道的 坡度，或挡土墙的存在——可以决定 干爽住宅与灾难性损失之间的差别。邮政编码级或普查街区级的聚合 完全抹平了这些关键差异。 ⁷

1.3 逆向选择与信息不对称

依赖粗粒度风险度量会造成对逆向选择的系统性脆弱。在 保险经济学中，当被保险人对自身风险掌握的信息多于 保险人，或当定价未能准确反映个体风险时，就会发生逆向选择。 ⁹

当保险人使用邮政编码平均费率时，他们实际上是在补贴高风险房产 用从低风险房产收取的保费。老练的商业买家或 具备本地知识的业主（例如知道自己的地下室在暴雨时会 进水）会积极购买被低估的保险，而真正低风险 房产的业主（例如同一邮政编码内略高地势上的房屋）会选择退出，认为 平均价格过高。 ⁹ 这一动态会破坏风险池的稳定。

近期实证研究表明，使用较粗风险度量的公司处于 相对于使用颗粒化、像素级模型的竞争者的明显劣势。贷款人 和保险人若未能筛查房产特定洪水风险，会低估 违约概率与损失严重程度，导致不良风险在其资产负债表上集中。 ⁹ 相反，利用颗粒化数据的保险人可以从事「撇脂」——识别 并承保竞争者回避的「高风险」区内的低风险房产，或 对竞争者定价过低的高风险房产给出准确价格。 ⁸

表1：传统核保与深度AI核保的结构性缺陷

维度	传统核保（邮政编码 ／区划）	深度AI核保 （像素／地块）
空间分辨率	区域平均值（邮政编码 、普查区）。	精确建筑轮廓 （像素级）。
时间准确性	静态地图，每隔 5-10年更新。	动态、实时更新 经由卫星／物联网。
灾害范围	主要为河流型与 沿海风暴增水。	河流型、沿海型，以及_降雨型_ （降水）。
风险梯度	二元（SFHA内／外）。	连续概率 评分（1-100）。
定价效率	交叉补贴；易发生 逆向选择。	基于风险的定价； 最大限度减少渗漏。
数据时滞	历史理赔数据 （滞后指标）。	实时传感器／SAR数据 （领先指标）。

2. 超本地计算机视觉：结构真相

要超越灾害地图的局限，现代核保必须审视 灾害的_受体_：建筑物本身。深度AI方案利用超本地计算机 视觉（CV），从航空、卫星和街景影像中提取结构属性， 创建房产的「数字孪生」，以前所未有的精度为易损性评估 提供依据。

2.1 首层标高（FFE）的必要性

在洪水损失物理中，最关键的变量不仅仅是地面上的水深 ，而是 首层标高（FFE） ——相邻地面高程与最低可居住楼层之间的垂直 距离。 ¹²

FFE对损失严重程度的定量影响是指数级的。研究表明，把 房产的FFE仅提高一英尺、使其高于百年一遇洪水高程（E100），即可使 年均损失（AAL）降低约90%。 ¹⁴ 相反，带下沉式 客厅或地下室的房产本质上是损失的汇集盆。

尽管至关重要，FFE却臭名昭著地缺席于标准数据集。公共税务记录 很少记录它，而高程证书（EC）昂贵、需人工办理，通常仅在强制时才 获取。 ¹² 传统模型往往诉诸默认假设——例如 假定某地区所有房屋都有标准1英尺架空层——这 会在风险计算中造成巨大误差幅度。 ¹⁵

2.2 街景影像与三角测量提取

深度AI通过利用街景级影像（来源如Google Street View、Mapillary或自有车队）远程计算FFE，填补这一数据空白。该过程常被称为 「跨视角匹配」，将地面摄影与地理配准的卫星 建筑轮廓相整合。 ¹⁶

计算机视觉工作流：

1.​ 语义分割： 卷积神经网络（CNN），例如基于 YOLO（You Only Look Once）或Mask R-CNN架构的网络，分析街景 图像以识别并分割关键建筑特征：地平线、基础、 前门、窗户和楼梯。 ¹⁸

2.​ 深度估计： 由于街景图像是三维空间的二维表征， 模型必须计算深度。在单目深度线索（或在可用时的立体 对）上训练的深度学习模型生成深度图，估计从相机镜头到建筑立面的 距离。 ²⁰

3.​ 三角计算： 算法应用几何原理。已知 相机高度（通常固定在测绘车上，例如约2.5米）以及代表门坎的像素相对地平线的俯仰 角，系统 计算入口高出街道平面的物理高度。 ¹⁸

4.​ 台阶计数： 作为稳健的二次验证方法，CV模型被训练来 检测并计数通向入口的台阶数量。标准建筑 规范规定踢面高度约为7英寸（18厘米），简单计数即可提供 高度准确的FFE代理。例如，有六级台阶的住宅，其FFE约为 42英寸。 ¹⁵

实证研究验证了该方法的有效性。为最低 楼层标高估计训练的神经网络已展示低至0.218米（约 8.5英寸）的平均误差。 ¹⁸ 这种精度可在无需任何现场查勘的情况下扩展到数百万处房产 ，从根本上改变投资组合核保的经济学。

2.3 航空智能与屋面分析

街景捕捉垂直性，而高分辨率航空影像（正射校正与 倾斜）则提供关于房产水平易损性与状况的关键 上下文。Zesty.ai和Cape Analytics等公司已率先用CV推导超越表格数据的 「房产智能」。 ²¹

经由航空CV推导的关键属性：

●​ 不透水地表比率： 洪水风险被地面无法吸收水分而在本地放大 。CV算法分析地块，计算混凝土／沥青相对可渗透植被的精确 比率。微流域中高不透水率与地表径流增加及降雨型洪水潜力直接 相关。 ²⁴

●​ 地下室与窗井检测： 航空影像可以检测 窗井或地下室下沉式出口，从而确认地下居住 空间的存在。地下室显著增加处于风险中的总保险价值（TIV），尤其是 常安置其中的机械、电气与管道（MEP）系统。 ²⁵

●​ 屋顶状况作为维护代理： 虽然主要用于风灾和冰雹 核保，屋顶状况是业主整体维护理念的有力代理。由检测 屋顶上的污渍、修补或退化得出的「延迟维护」评分，与更高理赔严重程度 相关，涵盖所有风险，包括水损。维护良好的住宅较少遭受 二次渗漏或排水 故障。 ²³

●​ 次要特征： CV模型可以即时识别太阳能 电池板、游泳池（可能影响排水），以及到当地水体或 雨水口的距离，准确性高于过时的市政地图。 ²¹

2.4 减损感知评分

深度AI最有力的应用之一是识别并奖励减损措施的能力 。传统模型很少计入业主改造，因为核验 它们成本过高。CV系统可以检测洪水通风口、抬高的暖通空调机组，或 可防御空间清理（针对野火，但也表明养护程度）。 ²³ 通过把这些 可观测的减损措施纳入定价模型，保险人可以提供「减损感知评分」， 激励保单持有人投资韧性并降低投资组合的总体风险。 ²⁷

3. 轨道哨兵：合成孔径雷达（SAR） 与全天候之眼

计算机视觉评估结构的_易损性_，而合成孔径雷达 （SAR）则提供关于_灾害_本身的权威「地面实况」。在 洪水核保与理赔响应的语境中，「看见」水体至关重要。然而， 传统光学卫星（例如Landsat、Sentinel-2）有一个致命缺陷：洪水总是 伴随着云和雨，使光学传感器在事件高峰期 失明。 ²⁸

3.1 后向散射的物理

SAR卫星（如Sentinel-1星座或ICEYE等商业提供商） 通过发射可穿透云层的微波脉冲来克服大气不透明， 烟雾和强降雨。传感器测量「后向散射」——反射回 卫星的来自地球表面的能量。 ²⁸

洪水检测依赖于 镜面反射 的物理。

●​ 开阔水面： 平静水面相对雷达波像一面镜子。当微波 脉冲击中水面时，它反射离开传感器（镜面反射），导致 极低的后向散射强度。在结果图像中，水体呈现为暗、 近乎黑色的像素。 ²⁸

●​ 城市双次反射效应： 在城市环境中检测洪水要 复杂得多，原因是「双次反射」现象。雷达信号常常击中 洪水的光滑表面，从建筑物的垂直立面弹回，然后 以高强度反射回传感器。这会产生可能被 误认为未淹没陆地的明亮像素。先进的深度AI模型被专门训练来 把这些高强度干涉图案识别为城市淹没的签名，这是 传统基于阈值的算法无法完成的任务。 ³¹

3.2 SAR处理管线中的深度学习

原始SAR数据本质上充满噪声，其特征是称为「斑点」的颗粒纹理。要使 该数据可用于像素级核保，需要严格的预处理与分析 管线，且日益由深度学习驱动。 ²⁸

深度SAR工作流：

1.​ 轨道校正与定标： 应用精确轨道文件以校正 卫星位置，辐射定标把原始数字数转换为物理 后向散射值（Sigma Nought）。 ²⁸

2.​ 深度去斑： 不同于可能模糊边缘的简单空间滤波（如Lee滤波）， 采用深度卷积神经网络（CNN）去除斑点 噪声，同时保留洪水范围的锐利边界。 ²⁸

3.​ 地形展平： 利用数字高程模型（DEM），系统校正 由坡度引起的几何畸变，确保山丘阴影不被误认为 水体。 ²⁸

4.​ 变化检测： 洪水制图最稳健的方法是 变化检测 。 系统将「事件」影像（洪水期间）与「参考」影像 （干旱条件下存档）进行比较。深度学习模型（如U-Net）分析 纹理与强度差异，以把新淹没区域从永久水体中 分离。 ²⁹

3.3 光学与雷达数据融合

深度AI的前沿在于 传感器融合 。SAR提供全天候范围， 光学影像（在可用时）则提供关于土地覆盖与水体浊度的更优光谱 信息。通过组合这些模态，保险人可以消除假阳性。例如， SAR中的「暗」区可能是光滑的柏油停车场或阴影；通过 与归一化差异水体指数（NDWI）等光学指数交叉参照， 模型可以确认该像素是否真正是水。 ³¹

研究表明，用机器学习分类器融合SAR与光学数据 （如随机森林或CNN）可显著提高分类精度，达到 即使在复杂地貌中也超过92%的准确率。 ³⁰

3.4 将SAR用于理赔分诊的运营化

对保险人而言，SAR的价值在于速度与规模。像 ICEYE 这样的商业星座 提供近实时的洪水深度与范围数据，往往在事件高峰后24小时内。 ³⁴ 这使 即时理赔分诊 成为可能：

●​ 处于风险中的总保险价值（TIV）： 保险人可以把SAR洪水足迹叠加到其 投资组合上，即时估计潜在损失。

●​ 资源配置： 查勘员可以被专门派往卫星确认淹没的房产， 避免对干燥区域的无效出行。

●​ 欺诈检测： 历史SAR数据作为事件的不可篡改记录。若 索赔人主张某房产遭受洪水损失，而SAR数据确认该处当时是干燥的，该索赔 即可被标记为特别调查。 ³⁵

4. 模拟层：物理信息机器 学习（PINNs）

CV与SAR提供观测数据，它们描述的是_现在_或_过去_ 。要 核保_未来_，保险人必须依赖模拟。传统水动力学模型 （求解Saint-Venant方程）在物理上准确，但计算代价极高， 对单一流域做高分辨率建模往往需要数小时或数天。 ³⁶ 相反，纯 数据驱动的深度学习模型速度快，但可能幻觉出物理上不可能的 情景，例如水在没有源的情况下出现，或违反质量守恒。 ³⁷

解决方案是 物理信息机器学习（PINNs） ——一种混合架构，把 物理定律直接嵌入神经网络。

4.1 嵌入守恒定律

PINNs代表建模上的根本进展。在PINN中，神经网络的训练 不仅要最小化其预测与训练数据之间的误差（数据损失），还要 最小化控制物理方程的「残差」（物理损失）。 ³⁶

损失函数架构：

$$Loss_{Total} = Loss_{Data} + \lambda Loss_{Physics}$$

其中 $Loss_{Physics}$ 在输出违反偏微分 方程（PDE）——具体而言流体力学方程——时惩罚网络：

●​ 质量守恒（连续性方程）： 确保水不会 自发出现或消失。

●​ 动量守恒： 确保水流速度尊重重力、摩擦 与压力梯度。 ³⁷

通过用这些物理定律约束神经网络的搜索空间，PINNs 获得两项关键优势：

1.​ 数据效率： 它们达到收敛所需的训练数据显著更少 ，因为「游戏规则」已经已知。

2.​ 可泛化性： 不同于在训练分布之外的情景中失效的标准AI， PINNs保持稳健（例如前所未有的五百年一遇风暴）， 因为底层物理并不改变。 ³⁹

4.2 用于水文演算的图神经网络（GNN）

洪水并非孤立存在；它流经由河流、街道 和管道组成的连通网络。 图神经网络（GNN） 特别适合对这一拓扑建模。在 GNN洪水模型中，地貌被表示为图，节点对应空间 位置（像素或地块），边表示水流路径。 ⁴⁰

近期架构如 HydroGraphNet 利用GNN进行自回归 预报。这些模型学习流域的空间关系——上流域降雨如何 在数小时后传播到城市中心。通过把物理约束（如 坡度和糙率）编码到图的边上，这些模型可以预测水深与 流速，覆盖数千个节点、在毫秒内完成，作为超快替代 传统水力求解器。 ⁴²

4.3 用于实时定价的代理建模

PINNs在核保中的主要应用是 代理建模 。无需运行 计算沉重的HEC-RAS模拟来为每一张保单报价，保险人可以训练PINN 来逼近HEC-RAS输出。一旦训练完成，PINN即可运行数千个随机 气候情景，针对特定房产、实时完成。 ³⁶

这一能力使 动态、概率性定价 成为可能。不再依赖静态 「Zone AE」费率，核保引擎可以模拟该房产对一系列 潜在风暴事件的响应——从常见午后暴雨到5级 飓风——并生成反映该特定位置真实、综合风险轮廓的保费 。 ⁴²

5. 精算转型：从概率性 平均到确定性现实

采纳深度AI要求对精算模型进行根本重组。从 邮政编码聚合转向像素级物理，会改变保险盈利能力的核心 指标。

5.1 精炼综合成本率

综合成本率 （已发生赔款与费用之和除以已赚保费） 是保险人健康状况的决定性指标。比率高于100%表示核保亏损。近年来， 房主保险综合成本率恶化，平均为101.5% ，并在2023年见顶于110.5%。 ⁴³ 深度AI应对该比率的每一个组成部分：

●​ 赔付率降低： 通过消除逆向选择并准确识别 隐藏在「安全」区内的高风险房产，保险人可以避免灾难性理赔。 此外，减损感知评分鼓励采取降低风险的行为，于受保 人口。 ⁴³

●​ 费用率降低： 自动化FFE提取与基于SAR的理赔分诊 显著减少人工查勘与现场定损的需求。「直通处理」 对低复杂度报价的自动化降低客户获取 成本。 ⁸

●​ 保费优化： 深度AI使保险人能够识别「好风险」于「坏 区」——例如洪水区内抬高至基准洪水高程以上4英尺的住宅。 传统保险人可能拒绝该风险或定价过高；具备深度AI能力的保险人 可以以有竞争力、可盈利的费率承保，从而获得市场份额。 ⁸

5.2 弥合保障缺口

「保障缺口」——经济总损失与承保损失之差——正在 扩大。在美国，平均洪水理赔额接近$34,000，但只有一小部分房产 投保，往往是因为NFIP保单成本高或无法获得。 ¹

深度AI使能够创建 私人洪水产品 ，可与之竞争或 补充NFIP。通过在颗粒层面理解风险，私营保险人可以提供 保障给落在僵化NFIP指引之外的房产。此外，这种颗粒度 支持 参数保险 。在参数模型中，若满足特定物理参数，赔付即自动触发 例如，若SAR数据确认洪水深度达

30厘米（该房产坐标处）。这消除了冗长的理赔定损过程 ，并为保单持有人提供即时流动性，从而促进更强韧性。 ⁴⁶

5.3 再保险与资本配置的角色

再保险人是风险的最终后盾。他们日益要求洞察 原保险人底层投资组合的透明度。能够证明其投资组合 以像素级FFE数据核保并经由SAR监测的保险人，提供「更高质量」的风险 池。这种透明度可以带来更有利的再保险合约与优化的资本 配置。保险人不再基于宽泛、不确定的概率曲线持有资本准备金， 而可以基于确定性、物理基础的易损性评估持有准备金。 ²³

6. 战略实施与未来轨迹

对Veriprajna的客户而言，向深度AI转型不是_是否_的问题，而是_何时_ 。以下 路线图勾勒企业采纳的战略步骤。

6.1 数据管线整合

保险人必须从静态数据摄取转向动态管线。

●​ 摄取： 与轨道数据提供商（例如ICEYE、Planet）建立API连接，以及 航空智能公司（例如Zesty.ai、Cape Analytics）。

●​ 处理： 部署能够处理海量地理空间数据集的云原生环境。 实施GNN需要图结构数据库，而非 传统表格化SQL行。 ⁴²

●​ 行动： 把模型输出直接接入保单管理系统（Guidewire、 Duck Creek），以实现实时费率厘定与自动化核保决策。 ²³

6.2 监管合规与「玻璃盒」AI

随着AI成为定价核心，关于偏见与可解释性的监管审查将 加剧。传统深度学习的「黑盒」本质是一种负债。Veriprajna必须 倡导 「玻璃盒」AI ——尤其是PINNs。因为PINNs植根于显式 物理方程（Saint-Venant），其输出对州保险部门是可解释、可辩护的。 保险人可以证明保费上调源于 物理建模的水力风险，而非不透明的算法相关。 ⁴⁰

6.3 「活」风险模型

静态「续保」的概念正在过时。风险模型必须是「活的」。若SAR 卫星检测到某区域地面沉降，或邻居把可渗透草坪铺成硬地， 相邻房产的风险评分应动态更新。这种持续 核保模型允许期中调整与主动风险 咨询——把保险人从理赔支付方转变为韧性伙伴。 ²⁴

6.4 结论

基于1980年代纸质地图和邮政编码平均值核保洪水风险的时代 实际上已经结束。超本地计算机视觉、合成孔径雷达 与物理信息机器学习的交汇，使向 像素级精度 的转型成为可能。这一 转变不仅是技术性的；它是经济与伦理的。它使风险得以公平定价、 减损得以激励，并使保险机制在气候改变的世界中获得长期偿付能力。 对Veriprajna而言，机遇在于引导行业完成这一 转型，用深度AI的可计算精度取代过去的不确定性。

本报告由AI战略与风险架构办公室撰写。 日期：2025年12月10日。 客户：Veriprajna。

参考文献

1. Are Outdated Flood Zone Maps Leaving Insureds at Risk?, 2025年12月10日访问, https://sagesure.com/insurance-insights/are-outdated-flood-zone-maps-leaving-insureds-at-risk/

2. Moving Beyond the Essentials - Page 2 of 5 - Flood Science Center, 2025年12月10日访问, https://floodsciencecenter.org/products/elected-officials-flood-risk-guide/moving-beyond-the-essentials/2/

3. Flood Risk Information | Realtor.com®, 2025年12月10日访问, https://www.realtor.com/flood-risk/

4. Understanding FEMA Flood Maps and Limitations | First Street, 2025年12月10日访问, https://firststreet.org/research-library/understanding-fema-flood-maps-and-limitations

5. Many Americans Lack Flood Insurance Despite Rising Risks — Here's Why, 2025年12月10日访问, https://cnr.ncsu.edu/news/2022/11/flood-maps/

6. Understand the differences between FEMA flood zones - First Street™, 2025年12月10日访问, https://help.firststreet.org/hc/en-us/articles/360048256493-Understand-the-difefrences-between-FEMA-flood-zones

7. Full article: Recent advances and future challenges in urban pluvial flood modelling, 2025年12月10日访问, https://www.tandfonline.com/doi/full/10.1080/1573062X.2024.2446528

8. Parcel-Level Intelligence | Federato, 2025年12月10日访问, https://www.federato.ai/library/post/parcel-level-intelligence-the-missing-element-in-traditional-underwriting

9. NBER WORKING PAPER SERIES HOW ARE INSURANCE MARKETS ADAPTING TO CLIMATE CHANGE? RISK CLASSIFICATION AND PRICING IN THE MARKET FO, 2025年12月10日访问, https://www.nber.org/system/files/working_papers/w32625/w32625.pdf

10. The effect of information about climate risk on property values - PNAS, 访问于 2025年12月10日, https://www.pnas.org/doi/10.1073/pnas.2003374118

11. Who Bears Flood Risk? Evidence from Mortgage Markets in Florida - Bank of England, 2025年12月10日访问, https://www.bankofengland.co.uk/-/media/boe/files/events/2023/june/p-sastry-paper.pdf

12. FEMA Understanding Elevation Certificates Fact Sheet - National Flood Insurance Program, 2025年12月10日访问, https://agents.floodsmart.gov/sites/default/files/media/document/2025-07/fema-nfip-understanding-elevation-certificates-fact-sheet-03-2023.pdf

13. Federal Flood Damage Estimation Guidelines for Buildings and Infrastructure, 2025年12月10日访问, https://natural-resources.canada.ca/science-data/science-research/natural-hazards/flood-mapping/federal-flood-damage-estimation-guidelines-buildings-infrastructure

14. Frontiers | Flood risk assessment for residences at the neighborhood ..., 2025年12月10日访问, https://repository.library.noaa.gov/view/noaa/50047/noaa_50047_DS2.htm

15. Methodology for Virtual Damage Assessment and First-Floor ..., 访问于 2025年12月10日, https://ascelibrary.org/doi/10.1061/NHREFO.NHENG-2310

16. A Novel Method for Estimating Building Height from Baidu Panoramic Street View Images, 2025年12月10日访问, https://www.mdpi.com/2220-9964/14/8/297

17. Robust Building Identification from Street Views Using Deep Convolutional Neural Networks, 2025年12月10日访问, https://www.mdpi.com/2075-5309/14/3/578

18. Exploring the vertical dimension of street view image: lowest floor elevation estimation, 2025年12月10日访问, https://giscience.psu.edu/exploring-the-vertical-dimension-of-street-view-image-lowest-floor-elevation-estimation/

19. An open-source system for building-height estimation using street-view images, deep learning, and building footprints - Statistique Canada, 2025年12月10日访问, https://www150.statcan.gc.ca/n1/pub/18-001-x/18-001-x2020002-eng.htm

20. Height/Elevation of a pixel from ground in Google Street View - Stack Overflow, 2025年12月10日访问, https://stackoverflow.com/questions/48219613/height-elevation-of-a-pixel-from-ground-in-google-street-view

21. Real Estate Property Intelligence - CAPE Analytics, 2025年12月10日访问, https://capeanalytics.com/real-estate-property-intelligence/

22. CAPE Analytics: Homepage, 2025年12月10日访问, https://capeanalytics.com/

23. Resources - ZestyAI, 2025年12月10日访问, https://zesty.ai/resources

24. An Urban Density-Based Runoff Simulation Framework to Envisage Flood Resilience of Cities - MDPI, 2025年12月10日访问, https://www.mdpi.com/2413-8851/7/1/17

25. What Property Underwriters Can Learn From Life Insurers Part II, 2025年12月10日访问, https://www.bhspecialty.com/wp-content/uploads/2021/01/BHSI-What-Property-Underwriters-Can-Learn-From-Life-Insurers-PART2-March-2018.pdf

26. Reports & Research | ZestyAI Insights for Insurers, 2025年12月10日访问, https://zesty.ai/resources/research

27. DUAL Strengthens Storm Risk Underwriting and Rating With ZestyAI, 访问于 2025年12月10日, https://zesty.ai/resource/dual

28. Comprehensive Guide to Floodplain Mapping Using SAR ... - FlyPix AI, 访问于 2025年12月10日, https://flypix.ai/floodplain-mapping/

29. Map floods with SAR data and deep learning | Documentation, 2025年12月10日访问, https://learn.arcgis.com/en/projects/map-floods-with-sar-data-and-deep-learning/

30. Combining SAR images with land cover products for rapid urban flood mapping Frontiers, 2025年12月10日访问, https://www.frontiersin.org/journals/environmental-science/articles/10.3389/fenvs.2022.973192/full

31. Generating Flood Probability Map Based on Combined Use of Synthetic Aperture Radar and Optical Imagery - NASA Technical Reports Server (NTRS), 2025年12月10日访问, https://ntrs.nasa.gov/api/citations/20210016467/downloads/Generating%20Flood%20Probability%20Map%20Based%20on%20Combined%20Use%20of%20Synthetic%20Aperture%20Radar%20and%20Optical%20Imagery.pdf

32. Automatic Flood Monitoring Method with SAR and Optical Data Using Google Earth Engine, 2025年12月10日访问, https://www.mdpi.com/2073-4441/17/2/177

33. Full article: Flood detection and mapping through multi-resolution sensor fusion: integrating UAV optical imagery and satellite SAR data - Taylor & Francis Online, 2025年12月10日访问, https://www.tandfonline.com/doi/full/10.1080/19475705.2025.2493225?af=R

34. Flood briefings | Resources - ICEYE, 2025年12月10日访问, https://www.iceye.com/resources/flood-briefings

35. Flood Insights - ICEYE, 2025年12月10日访问, https://www.iceye.com/hubfs/_SOLUTIONS/2-Pager%20Flood%20Insights%20INS%20US_2024.pdf?utm_campaign=Reuters%3A%20Connected%20Claims%20USA%202024&utm_source=linkedin&utm_medium=paidsocial&utm_content=Image%20Ad%20%28Lead%20form%29%20%7C%20v1.1%20Flood%20Insights%20US%202-pager%20%7C%20Connected%20Claims%202024

36. Physics-Informed Neural Network Surrogate Models for River Stage Prediction arXiv, 2025年12月10日访问, https://arxiv.org/html/2503.16850v1

37. (PDF) Physics Informed Neural Networks for 1D Flood Routing - ResearchGate, 2025年12月10日访问, https://www.researchgate.net/publication/364587823_Physics_Informed_Neural_Networks_for_1D_Flood_Routing

38. (PDF) Physics-informed neural networks for flood modelling: A conceptual framework, 2025年12月10日访问, https://www.researchgate.net/publication/393897896_Physics-informed_neural_networks_for_flood_modelling_A_conceptual_framework

39. Enhancing Urban Flood Prediction Accuracy with Physics-Informed Neural Networks: A Case Study in Real-Time Rainfall Data Integration - University of Hertfordshire (Research Profiles), 2025年12月10日访问, https://researchprofiles.herts.ac.uk/en/publications/enhancing-urban-flood-prediction-accuracy-with-physics-informed-n/

40. Field-theory inspired physics-informed graph neural network for reliable traffic flow prediction under urban flooding - IDEAS/RePEc, 2025年12月10日访问, https://ideas.repec.org/a/eee/reensy/v265y2026ipas0951832025006878.html

41. Physics Informed Machine Learning for Flood Prediction, 2025年12月10日访问, https://agu.confex.com/agu/fm23/meetingapp.cgi/Paper/1382505

42. HydroGraphNet: Interpretable Physics-Informed Graph Neural Networks for Flood Forecasting — NVIDIA PhysicsNeMo Framework, 2025年12月10日访问, https://docs.nvidia.com/physicsnemo/25.08/physicsnemo/examples/weather/flood_modeling/hydrographnet/README.html

43. De-risking Risky Business: Climate and Insurance Markets - R Street Institute, 2025年12月10日访问, https://www.rstreet.org/commentary/de-risking-risky-business-climate-and-insurance-markets/

44. Addressing Climate and Other Risks: The ESG and EVA Performance of Insurance Companies - ISS Insights, 2025年12月10日访问, https://insights.issgovernance.com/posts/addressing-climate-and-other-risks-the-esg-and-eva-performance-of-insurance-companies/

45. 3 Ways AI is Transforming Property Insurance - CAPE Analytics, 访问于 2025年12月10日, https://capeanalytics.com/blog/ai-property-insurance/

46. Technical Report | Allianz.com, 2025年12月10日访问, https://www.allianz.com/content/dam/onemarketing/azcom/Allianz_com/sustainability/Project-C5.23-ISF-Ghana-Parametric-Flood-Solution-Technical-Report-ForPublication.pdf

47. How ZestyAI Models Work: A Deep Dive into Property-Level Risk, 访问于 2025年12月10日, https://zesty.ai/news/model-deep-dive

48. Human-centered flood mapping and intelligent routing through augmenting flood gauge data with crowdsourced street photos - the NOAA Institutional Repository, 2025年12月10日访问, https://repository.library.noaa.gov/view/noaa/57328/noaa_57328_DS1.pdf