FloodCastBench不是一篇单纯提出新网络的论文，而是试图解决洪水AI长期缺少“连续动态训练数据”的问题。作者先用二维浅水方程生成多场洪水的时空水深序列，再用SAR洪水图和实测洪水边界校准，并以U-Net、FNO和FNO+建立低保真、高保真、跨区域和零样本降尺度预报基准。

这篇论文解决的不是“如何在晴天识别水体”，而是“洪水发生在阴雨天、卫星图被云挡住时，如何把被遮住的水面合理补出来，并形成连续的洪水过程图”。

NeSy-Route不是让多模态大模型简单回答“图里有什么”，而是要求它先理解自然语言中的通行规则，再把规则对应到遥感影像中的具体地物，最后生成一条尽量安全、可行且接近最优的路线。神经网络负责理解，符号系统负责约束和验算。

作者用高分辨率WorldView影像训练了一个洪水水体分割模型DELTA。模型在“能够被光学卫星直接看见的水面”上表现很好，但与水动力模型给出的完整洪泛范围相比，仍漏掉约62%的淹没区域。进一步分析发现，约79%的漏检区域受到植被、云层或二者共同遮挡。这说明光学洪水图的核心短板不只是算法不够强，而是传感器根本看不到被遮住的水。

作者先用一套“新安江模型—河道一维水动力—SWMM管网—城市二维地表”耦合模型生成大量虚拟暴雨和积水过程，再让Hydro-Y-Net学习“降雨空间分布 + 河流、管网和水库初始水位 → 未来6小时逐半小时积水深度”的映射。它不是抛弃物理模型，而是把耗时的水动力模型压缩成一个运行很快的代理模型。

不讲复杂公式，直接让第一次接触 Mamba 的小白把代码运行起来。

作者先用Sentinel-1雷达影像找到洪水范围，再用FwDET根据洪水边界和DEM快速推算初始水深，最后让随机森林结合降雨、地形和土地覆盖，对FwDET的系统误差进行二次修正。

GEE，RSEI，城市生态状况快速监测与评价

基于GEE平台，实现顾及水效益的生态环境质量评价方法。

基于GEE平台，实现顾及水效益的生态环境质量评价方法。