邁向深度 AI 的洪水風險 核保轉型：一場技術與經濟的 典範轉移

執行摘要

全球保險業正面臨可計算性的存續危機。隨著氣候波動 加劇，用以為洪水風險定價的傳統精算方法——主要依賴 歷史平均值、粗粒度郵遞區號彙總，以及靜態 FEMA 洪水分區——正 無法捕捉現代水文災害的非平穩本質。此一系統性 失效已導致「保障缺口」持續擴大、嚴重的逆選擇，以及 產險（P&C）投資組合綜合率惡化。

本白皮書為人工智慧顧問公司 Veriprajna 撰寫，闡明一場全面的 架構轉向，邁向「深度 AI」方案。我們主張，洪水核保的未來 在於從機率性彙總過渡到 像素級確定性建模 。透過 整合超局域電腦視覺（CV）以評估結構脆弱性、 合成孔徑雷達（SAR）以即時監測災害，以及物理資訊 機器學習（PINNs）以進行水動力模擬，保險人可達到一種 細緻度，把洪水風險從不可預測的巨災轉化為可管理、 可定價、可減緩的資產類別。

我們探討這些技術的技術匯流，分析街景 影像如何以公分級精度推導一樓高程（FFE）、軌道 雷達如何穿透雲層即時核實理賠，以及神經網路 嵌入物理定律後如何在數秒內模擬數百萬種氣候情境。本 報告作為企業採用的策略藍圖，主張細緻、 物理基礎的 AI 不僅是營運效率，更是 二十一世紀清償能力的根本要件。

1. 傳統核保的細緻度危機

1.1 「百年一遇」標準的過時

半個多世紀以來，美國洪水保險市場一直錨定於 「百年一遇洪水」的概念——一種統計建構，代表年發生機率為 1% 的洪水事件。 ¹ 儘管此一指標提供了必要的監管基準 給國家洪水保險計畫（NFIP），其作為精確核保工具的效用已 大幅侵蝕。該術語本身常被公眾與政策制定者廣泛誤讀， 往往導致危險謬誤：以為「百年一遇洪水」一 世紀只發生一次，而實際上，位於此區的財產有 26% 的淹水機率，涵蓋 標準 30 年房貸期間。 ³

源自 FEMA 的特別洪水災害區（SFHA）其局限是結構性且 嚴重的。這些地圖本質上是動態環境的靜態快照。研究 顯示約 75% 的 FEMA 洪水圖已超過五年，其中 令人憂心的 11% 可追溯至 1970 年代與 1980 年代。 ¹ 這些過時的劃界未能 納入驅動現代風險的兩個關鍵變數：快速都市化，它劇烈 改變地表滲透性；以及氣候變遷，它正使降水事件強度超越 歷史基線。 ¹

傳統地圖在風險認知上製造二元「懸崖效應」。位於一英尺 SFHA 之內的財產被強制投保並按高風險定價，而隔壁 僅一英尺之外的鄰居常被標為「X 區」（最低風險）並顯著較低 定價，儘管面對幾乎相同的水文威脅。 ⁵ 此一二元分類忽略了 水流與高程的連續本質。因此，這些高風險區之外的屋主 經常假定自己安全，導致大規模保障不足；研究 顯示全國不到 4% 的屋主持有洪水保險，部分原因正是 此一誤導性的二元訊號。 ⁵

1.2 降雨型洪水的盲點

傳統製圖最關鍵的缺陷，或許是未能納入降雨型 （由降雨驅動）洪水。FEMA 地圖歷來聚焦河川型（河岸）與沿海 暴潮洪水，模擬水體溢流。 ⁴ 然而，隨著都市密度上升， 不透水地表——道路、停車場與屋頂——的增生阻止了自然 排水，導致遠離河流或海岸線的地區發生暴洪。 ¹

近期分析顯示，近 68.3% 的洪水損害通報發生於 之外 FEMA 的 高風險洪水區，其中相當比例由強烈降雨事件驅動，這些事件 壓垮市政排水系統。 ⁵ 這些「平原外」事件對核保人是隱形的 若僅依賴聯邦地圖。在都市環境中，微地形——車道的細微凹陷、 街道坡度，或擋土牆的存在——可決定 房屋乾燥與災難性損失之間的差異。郵遞區號層級或普查街區彙總 完全抹平了這些關鍵變異。 ⁷

1.3 逆選擇與資訊不對稱

依賴粗略風險量度，會對逆選擇形成系統性脆弱。在 保險經濟學中，逆選擇發生於被保險人掌握的資訊多於 保險人對其風險所知，或定價未能準確反映個別風險。 ⁹

當保險人採用郵遞區號平均費率時，他們實際上補貼高風險財產 用從低風險財產收取的保費。精明的商業買方或 具在地知識的業主（例如，知道自己的地下室在豪雨時會 淹）會積極購買被低估的保險，而真正低風險 財產的業主（例如，同一郵遞區號內略高處的房屋）會選擇退出，認為 平均價格過高。 ⁹ 此一動態會動搖風險池。

近期實證研究顯示，使用較粗風險量度的公司處於 明顯劣勢，相較於採用細緻像素級模型的競爭對手。貸款人 與保險人若未能篩選財產特定洪水風險，會低估 違約機率與損失嚴重度，導致不良風險集中於其資產負債表。 ⁹ 反之，運用細緻資料的保險人可從事「撇脂」——辨識 並承保競爭對手迴避的「高風險」區內低風險財產，或 準確定價競爭對手收費過低的高風險財產。 ⁸

表 1：傳統核保相對深度 AI 核保的結構性缺陷

構面	傳統核保（郵遞區號 /分區）	深度 AI 核保 （像素／地塊）
空間解析度	區域平均值（郵遞區號 、普查街區）。	精確建物輪廓 （像素級）。
時間準確度	靜態地圖，每 5-10 年更新。	動態、即時更新 經由衛星／物聯網。
災害範圍	主要為河川型與 沿海暴潮。	河川型、沿海與_降雨型_ （降雨）。
風險梯度	二元（SFHA 內／外）。	連續機率 分數（1-100）。
定價效率	交叉補貼；易於 逆選擇。	風險基礎定價； 最小化滲漏。
資料延遲	歷史理賠資料 （落後指標）。	即時感測器／SAR 資料 （領先指標）。

2. 超局域電腦視覺：結構真相

為超越災害地圖的局限，現代核保必須審問 災害的 受體：建物本身。深度 AI 方案運用超局域電腦 視覺（CV），從航空、衛星與街景影像擷取結構屬性， 為財產建立「數位孿生」，為脆弱性評估提供依據，並具 空前精度。

2.1 一樓高程（FFE）的急務

在洪水損害物理中，最關鍵變數不僅是地面上的水深， 而是 一樓高程（FFE） ——相鄰 地面高程與最低可居住樓層之間的垂直距離。 ¹²

FFE 對損失嚴重度的量化影響呈指數。研究顯示，把 財產的 FFE 僅提高至百年一遇洪水高程（E100）以上一英尺，即可把 年平均損失（AAL）降低約 90%。 ¹⁴ 反之，擁有下沉式 客廳或地下室的財產，本質上是損失的集水盆。

儘管至關重要，FFE 卻出了名地缺席於標準資料集。公共稅務紀錄 很少捕捉它，而高程證明書（EC）昂貴、需人工製作，通常 僅在強制時才取得。 ¹² 傳統模型往往訴諸預設假設——例如 假設某區域所有房屋都有標準 1 英尺架高空間——這 會在風險計算中造成巨大誤差邊際。 ¹⁵

2.2 街景影像與三角測量擷取

深度 AI 填補此一資料空白，利用街景影像（來源如 Google Street View、Mapillary 或專有車隊）遠端計算 FFE。此過程常稱為 「跨視角匹配」，把地面攝影與地理參照衛星 建物輪廓整合。 ¹⁶

電腦視覺工作流程：

1.​ 語義分割： 卷積神經網路（CNN），例如基於 YOLO（You Only Look Once）或 Mask R-CNN 架構者，分析街景 影像以辨識並分割關鍵建築特徵：地平線、基礎、 前門、窗戶與階梯。 ¹⁸

2.​ 深度估計： 因為街景影像是三維空間的二維表徵， 模型必須計算深度。以單眼深度線索訓練的深度學習模型（或 立體對，若可用）會產生深度圖，估計從相機 鏡頭到建物立面的距離。 ²⁰

3.​ 三角計算： 演算法套用幾何原理。已知 相機高度（通常固定於測繪車輛，例如約 2.5 公尺）以及俯仰 角（代表門檻的像素相對地平線），系統 計算入口高於街面的物理高度。 ¹⁸

4.​ 階梯計數： 作為穩健的二次驗證方法，CV 模型被訓練以 偵測並計算通往入口的踏步數。標準建築 規範規定踢面高度約 7 英寸（18 公分），簡單計數即可提供 高度準確的 FFE 代理。例如有六階的房屋，其 FFE 約為 42 英寸。 ¹⁵

實證研究驗證此方法的效能。為最低 樓層高程估計而訓練的神經網路，已展現平均誤差低至 0.218 公尺（約 8.5 英寸）。 ¹⁸ 此一精度水準，可在無需任何現場勘查的情況下擴展至數百萬筆財產， 從根本上改變投資組合核保的經濟學。

2.3 航空情報與屋頂景觀分析

街景捕捉垂直性，而高解析航空影像（正射糾正與 斜拍）則提供財產水平脆弱性與 狀況的關鍵脈絡。Zesty.ai 與 Cape Analytics 等公司已開創以 CV 推導 超越表格資料的「財產情報」。 ²¹

經由航空 CV 推導的關鍵屬性：

●​ 不透水地表比率： 洪水風險會因地面無法 吸水而在局部放大。CV 演算法分析地塊，計算 混凝土／瀝青相對可滲透植被的精確比率。微流域中高不透水率 與地表逕流增加及降雨型洪水潛勢直接相關。 ²⁴

●​ 地下室與窗井偵測： 航空影像可偵測 窗井或地下室外連通道的存在，從而確認地下居住 空間。地下室顯著提高處於風險中的總可保價值（TIV），尤其是 常安置於此的機電與管線（MEP）系統。 ²⁵

●​ 屋頂狀況作為維護代理： 雖主要用於風災與冰雹 核保，屋頂狀況是屋主 整體維護哲學的有力代理。「延遲維護」分數源自偵測 屋頂上的污漬、補丁或劣化，與較高的理賠嚴重度相關 涵蓋所有危險事故，含水損。維護良好的房屋較不易遭受 二次滲漏或排水失效。 ²³

●​ 次要特徵： CV 模型可即時辨識太陽能 板、游泳池（可能影響排水）的存在，以及到當地水 體或雨水溝的距離，準確度高於過時的市政地圖。 ²¹

2.4 減災感知評分

深度 AI 最強大的應用之一，是辨識並獎勵 減災。傳統模型很少納入屋主改善，因為核實 成本過高。CV 系統可偵測洪水通風口、抬高的暖通空調機組，或 可防禦空間清理（針對野火，但顯示照護）。 ²³ 透過把這些 可觀測減災納入定價模型，保險人可提供「減災感知評分」， 激勵保戶投資韌性，並降低投資組合的整體風險。 ²⁷

3. 軌道哨兵：合成孔徑雷達（SAR） 與全天候之眼

電腦視覺評估結構的 脆弱性 ，而合成孔徑雷達 （SAR）則提供關於 災害 本身的權威「地面實況」。在 洪水核保與理賠應對的脈絡中，「看見」水的能力至關重要。然而， 傳統光學衛星（例如 Landsat、Sentinel-2）有一項關鍵缺陷：洪水 必然伴隨雲與雨，使光學感測器在事件高峰期間 失明。 ²⁸

3.1 後向散射的物理

SAR 衛星（如 Sentinel-1 星座或 ICEYE 等商業供應商） 以穿透雲層的微波脈衝克服大氣不透明度， 煙霧與豪雨。感測器測量「後向散射」——從地球表面反射回 衛星的能量。 ²⁸

洪水偵測依賴 鏡面反射 的物理。

●​ 開闊水面： 平靜水面對雷達波如鏡。當微波 脈衝撞擊水面，它反射離開感測器（鏡面反射），導致 極低的後向散射強度。在所得影像中，水體呈現為暗、 近乎黑色的像素。 ²⁸

●​ 都市雙次彈跳效應： 在都市環境偵測洪水遠 更複雜，因為「雙次彈跳」現象。雷達訊號常撞擊 洪水的平滑表面，從建物垂直面彈回，然後 以高強度反射回感測器。這會產生可能被 誤認為未淹陸地的明亮像素。進階深度 AI 模型被特別訓練以 把這些高強度干涉圖案辨識為都市淹沒的特徵，此一 任務是傳統閾值演算法無法完成的。 ³¹

3.2 SAR 處理管線中的深度學習

原始 SAR 資料本質上嘈雜，具有稱為「斑點」的顆粒紋理。為 使此資料可用於像素級核保，需要嚴謹的預處理與分析 管線，且日益由深度學習驅動。 ²⁸

深度 SAR 工作流程：

1.​ 軌道校正與校準： 套用精確軌道檔以校正 衛星位置，輻射校準把原始數位數字轉換為物理 後向散射值（Sigma Nought）。 ²⁸

2.​ 深度去斑點： 有別於可能模糊邊緣的簡單空間濾波（如 Lee 濾波器）， 深度卷積神經網路（CNN）被用來去除斑點 雜訊，同時保留洪水範圍的銳利邊界。 ²⁸

3.​ 地形展平： 使用數值高程模型（DEM），系統校正 坡度引起的幾何畸變，確保山丘陰影不被誤認為 水體。 ²⁸

4.​ 變化偵測： 洪水製圖最穩健的方法是 變化偵測 。 系統把「事件」影像（洪水期間）與「參考」影像比較 （在乾燥條件下歸檔）。深度學習模型（如 U-Nets）分析 紋理與強度差異，以把新淹沒區與永久水 體分離。 ²⁹

3.3 光學與雷達資料融合

深度 AI 的前沿在於 感測器融合 。SAR 提供全天候範圍， 光學影像（若可得）則提供關於土地覆蓋的優越光譜資訊 與水濁度。結合這些模態，保險人可消除偽陽性。例如 SAR 中的「暗」區可能是平滑柏油停車場或陰影；透過 與光學指數如正規化差異水指數（NDWI）交叉比對， 模型可確認該像素是否真為水。 ³¹

研究顯示，以機器學習分類器融合 SAR 與光學資料 （如隨機森林或 CNN）顯著提高分類準確度，達到 即使在複雜地景中也超過 92% 的比率。 ³⁰

3.4 把 SAR 作業化於理賠分流

對保險人而言，SAR 的價值在於速度與規模。商業星座如 ICEYE 提供近即時洪水深度與範圍資料，往往在事件高峰後 24 小時內。 ³⁴ 這允許 即時理賠分流 ：

●​ 處於風險中的總可保價值（TIV）： 保險人可把 SAR 洪水足跡疊加於其 投資組合，即時估計潛在損失。

●​ 資源配置： 理賠調整人可專門部署到 衛星確認淹沒的財產，避免前往乾燥地區的無效行程。

●​ 詐欺偵測： 歷史 SAR 資料作為事件的不可變紀錄。若 索賠人主張某財產有洪水損害，而 SAR 資料確認其為乾燥，該理賠 可被標記為特別調查。 ³⁵

4. 模擬層：物理資訊機器 學習（PINNs）

CV 與 SAR 提供觀測資料，它們描述的是 現在 或 過去 。要 核保 未來，保險人必須依賴模擬。傳統水動力模型 （求解聖維南方程式）物理上準確但計算上極其昂貴， 往往需要數小時或數日才能以高解析模擬單一集水區。 ³⁶ 反之，純 資料驅動的深度學習模型很快，但可能幻覺出物理上不可能的 情境，例如水無來源地出現或違反質量守恆。 ³⁷

解法是 物理資訊機器學習（PINNs） ——一種混合架構， 把物理定律直接嵌入神經網路。

4.1 嵌入守恆定律

PINNs 代表建模的根本進展。在 PINN 中，神經網路被訓練 不僅最小化其預測與訓練資料之間的誤差（資料損失），也 最小化控制物理方程式的「殘差」（物理損失）。 ³⁶

損失函數架構：

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

其中 $Loss_{Physics}$ 若其輸出違反偏微分，則懲罰網路 方程式（PDE）的流體動力學，具體而言：

●​ 質量守恆（連續方程式）： 確保水不會 自發出現或消失。

●​ 動量守恆： 確保水流速度尊重重力、摩擦 與壓力梯度。 ³⁷

透過以這些物理定律約束神經網路的搜尋空間，PINNs 取得兩項關鍵優勢：

1.​ 資料效率： 它們達到收斂所需的訓練資料顯著較少 因為「遊戲規則」已知。

2.​ 可泛化性： 有別於標準 AI 在遇到訓練分布之外的情境時會失效 （例如前所未見的 500 年一遇暴雨），PINNs 保持穩健 因為底層物理不變。 ³⁹

4.2 用於水文路由的圖神經網路（GNN）

洪水並非孤立存在；它流經河川、街道與 管線的連通網路。 圖神經網路（GNN） 特別適於為拓樸建模。在 GNN 洪水模型中，地景被表徵為圖，節點對應空間 位置（像素或地塊），邊代表水流路徑。 ⁴⁰

近期架構如 HydroGraphNet，利用 GNN 進行自回歸 預報。這些模型學習流域的空間關係——上 游降雨如何在數小時後傳播至都市中心。透過把物理約束（如 坡度與糙度）編碼進圖的邊，這些模型可預測水深與 流速，跨越數千節點、在毫秒內完成，作為超快代理，取代 傳統水力求解器。 ⁴²

4.3 用於即時定價的代理建模

PINNs 在核保中的主要應用是 代理建模 。與其為每一張保單報價執行 計算沉重的 HEC-RAS 模擬，保險人可訓練 PINN 以逼近 HEC-RAS 輸出。一旦訓練完成，PINN 可即時為特定財產執行數千個隨機 氣候情境。 ³⁶

此一能力允許 動態、機率性定價 。與其依賴靜態 「AE 區」費率，核保引擎可模擬該財產對一系列 潛在風暴事件的反應——從尋常午後驟雨到五級 颶風——並產生反映該 特定地點真實、整合風險輪廓的保費。 ⁴²

5. 精算轉型：從機率性 平均值到確定性現實

採用深度 AI 必然要求精算模型的根本重組。從 郵遞區號彙總走向像素級物理，會改變保險 獲利能力的核心指標。

5.1 精煉綜合率

綜合率 （已發生損失與費用之和除以滿期保費） 是保險人健康的決定性指標。比率高於 100% 表示核保虧損。在 近年，屋主保險綜合率已惡化，平均 101.5% 並在 2023 年峰值達 110.5%。 ⁴³ 深度 AI 處理此比率的每一成分：

●​ 損失率降低： 透過消除逆選擇並準確辨識 隱藏在「安全」區內的高風險財產，保險人可避免巨災理賠。 此外，減災感知評分鼓勵被保險人口採取降低風險的 行為。 ⁴³

●​ 費用率降低： 自動化 FFE 擷取與基於 SAR 的理賠分流 顯著減少人工勘查與現場調整的需求。自動化 「直通處理」用於低複雜度報價，降低客戶獲取 成本。 ⁸

●​ 保費優化： 深度 AI 讓保險人辨識「好風險」於「壞 區」——例如洪水區內高於基本洪水 高程 4 英尺的房屋。傳統保險人可能拒絕此風險或定價過高；具備深度 AI 的保險人 可以有競爭力、可獲利的費率承保，贏得市占。 ⁸

5.2 縮小保障缺口

「保障缺口」——總經濟損失與已承保損失之差——正在 擴大。在美國，平均洪水理賠近 $34,000，然而僅一小部分財產 獲保，往往因為 NFIP 保單成本高或無法取得。 ¹

深度 AI 使 私人洪水產品 得以創造，可與 NFIP 競爭或 補充。透過在細緻層級理解風險，私人保險人可提供 保障給落在僵硬 NFIP 準則之外的財產。此外，此一細緻度 支持 參數型保險 。在參數模型中，給付會自動觸發，若 特定物理參數被滿足——例如，若 SAR 資料確認洪水深度為

30cm，於該財產座標。這消除冗長的理賠調整流程 並為保戶提供即時流動性，促進更大韌性。 ⁴⁶

5.3 再保險與資本配置的角色

再保險人是風險的最終後盾。他們日益要求透明度， 針對原保險人的底層投資組合。能夠展示投資組合的保險人， 以像素級 FFE 資料核保並經 SAR 監測，提供「更高品質」的風險 池。此一透明度可帶來更有利的再保險合約與優化的資本 配置。與其依寬泛、不確定的機率曲線持有資本準備， 保險人可依確定性、物理基礎的脆弱性評估持有準備。 ²³

6. 策略實施與未來軌跡

對 Veriprajna 的客戶而言，邁向深度 AI 的轉型不是 是否 的問題，而是 何時 。 以下路線圖勾勒企業採用的策略步驟。

6.1 資料管線整合

保險人必須從靜態資料攝取走向動態管線。

●​ 攝取： 與軌道資料供應商（例如 ICEYE、Planet）建立 API 連線，以及 航空情報公司（例如 Zesty.ai、Cape Analytics）。

●​ 處理： 部署能處理龐大地空 資料集的雲原生環境。實施 GNN 需要圖結構資料庫，而非 傳統表格 SQL 列。 ⁴²

●​ 行動： 把模型輸出直接整合進保單管理系統（Guidewire、 Duck Creek），以啟用即時費率與自動化核保決策。 ²³

6.2 監管合規與「玻璃箱」AI

隨著 AI 成為定價核心，對偏誤與可解釋性的監管審視將 加劇。傳統深度學習的「黑箱」本質是一項負債。Veriprajna 必須 倡議 「玻璃箱」AI ——特別是 PINNs。因為 PINNs 奠基於明確的 物理方程式（聖維南），其輸出對州保險監理機關而言可解釋且可辯護。 保險人可證明保費上調是由於 經物理建模的水力風險，而非不透明的演算法相關。 ⁴⁰

6.3 「活的」風險模型

靜態「續保」的概念正變得過時。風險模型必須是「活的」。若 SAR 衛星偵測到某區域地層下陷，或鄰居把可滲透草坪鋪上硬舖面， 相鄰財產的風險分數應動態更新。此一持續 核保模型允許期中調整與主動風險 諮詢——把保險人從理賠支付者轉化為韌性夥伴。 ²⁴

6.4 結論

依據 1980 年代紙本地圖與郵遞區號平均值核保洪水風險的時代 實際上已經結束。超局域電腦視覺、合成孔徑雷達與 物理資訊機器學習的匯流，使轉向 像素級精度 成為可能。此一 轉變不僅是技術的；它是經濟與倫理的。它使風險得以公平定價、 激勵減災，以及保險機制在氣候已改變的世界中的長期 清償能力。對 Veriprajna 而言，機會是引導產業走過此一 轉型，以深度 AI 的計算精度取代過去的不確定性。

報告由 AI 策略與風險架構辦公室製作。 日期：2025 年 12 月 10 日。 客戶：Veriprajna。

參考文獻

1. Are Outdated Flood Zone Maps Leaving Insureds at Risk?，於 2025 年 12 月 10 日存取， 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，於 2025 年 12 月 10 日存取， https://floodsciencecenter.org/products/elected-officials-flood-risk-guide/moving-beyond-the-essentials/2/

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

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

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

6. Understand the differences between FEMA flood zones - First Street™，於 2025 年 12 月 10 日存取， 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，於 2025 年 12 月 10 日存取， https://www.tandfonline.com/doi/full/10.1080/1573062X.2024.2446528

8. Parcel-Level Intelligence | Federato，於 2025 年 12 月 10 日存取， 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，於 2025 年 12 月 10 日存取， https://www.nber.org/system/files/working_papers/w32625/w32625.pdf

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

11. Who Bears Flood Risk? Evidence from Mortgage Markets in Florida - Bank of England，於 2025 年 12 月 10 日存取， 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，於 2025 年 12 月 10 日存取， 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，於 2025 年 12 月 10 日存取， 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 ...，於 2025 年 12 月 10 日存取， https://repository.library.noaa.gov/view/noaa/50047/noaa_50047_DS2.htm

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

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

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

18. Exploring the vertical dimension of street view image: lowest floor elevation estimation，於 2025 年 12 月 10 日存取， 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，於 2025 年 12 月 10 日存取， 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，於 2025 年 12 月 10 日存取， https://stackoverflow.com/questions/48219613/height-elevation-of-a-pixel-from-ground-in-google-street-view

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

22. CAPE Analytics: Homepage，於 2025 年 12 月 10 日存取， https://capeanalytics.com/

23. Resources - ZestyAI，於 2025 年 12 月 10 日存取，https://zesty.ai/resources

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

25. What Property Underwriters Can Learn From Life Insurers Part II，於 2025 年 12 月 10 日存取， 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，於 2025 年 12 月 10 日存取， https://zesty.ai/resources/research

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

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

29. Map floods with SAR data and deep learning | Documentation，於 2025 年 12 月 10 日存取， 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，於 2025 年 12 月 10 日存取， 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)，於 2025 年 12 月 10 日存取， 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，於 2025 年 12 月 10 日存取， 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，於 2025 年 12 月 10 日存取， https://www.tandfonline.com/doi/full/10.1080/19475705.2025.2493225?af=R

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

35. Flood Insights - ICEYE，於 2025 年 12 月 10 日存取， 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，於 2025 年 12 月 10 日存取， https://arxiv.org/html/2503.16850v1

37. (PDF) Physics Informed Neural Networks for 1D Flood Routing - ResearchGate，於 2025 年 12 月 10 日存取， 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，於 2025 年 12 月 10 日存取， 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)，於 2025 年 12 月 10 日存取， 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，於 2025 年 12 月 10 日存取， https://ideas.repec.org/a/eee/reensy/v265y2026ipas0951832025006878.html

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

42. HydroGraphNet: Interpretable Physics-Informed Graph Neural Networks for Flood Forecasting — NVIDIA PhysicsNeMo Framework，於 2025 年 12 月 10 日存取， 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，於 2025 年 12 月 10 日存取， 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，於 2025 年 12 月 10 日存取， 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，於 2025 年 12 月 10 日存取，https://capeanalytics.com/blog/ai-property-insurance/

46. Technical Report | Allianz.com，於 2025 年 12 月 10 日存取， 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，於 2025 年 12 月 10 日存取，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，於 2025 年 12 月 10 日存取， https://repository.library.noaa.gov/view/noaa/57328/noaa_57328_DS1.pdf