道路相关事故是全国范围内洪水死亡的主要原因，但有限的洪水报告工具使得实时评估道路状况变得困难。

现有的工具（交通摄像头、水位传感器甚至社交媒体数据）可以提供洪水观测数据，但它们通常不是为感知道路上的洪水状况而设计的，而且不能协同工作。传感器网络可以提高洪水水位情景感知能力；然而，大规模运行它们的成本很高。

莱斯大学的工程师已经开发出一种可能的解决方案：一种名为OpenSafe Fusion的自动数据融合框架。OpenSafe Fusion是使用数据融合的移动开源态势感知框架的缩写，它利用现有的个人报告机制和公共数据源来感知城市洪水事件期间快速变化的道路状况，而洪水事件正变得越来越频繁。

赖斯大学斯坦利·C·摩尔工程学教授、土木与环境工程系主任杰米·帕吉特(Jamie Padgett)与土木与环境工程博士后研究员普拉纳韦什·帕纳卡尔(Pranavesh Panakkal)分析了来自休斯顿九个来源的数据，然后开发了自动数据系统的综合框架，他们的研究报告题为“更多关注道路：通过融合来自公共数据源的实时观测来感知被淹道路”，发表在《可靠性工程与系统安全》杂志上。

帕吉特说：“虽然直接观察被淹道路的来源有限，但城市中心却充满了直接或间接观察洪水或道路状况的来源。”

Padgett和Panakkal假设，结合这些实时来源的见解的自动化系统可能会彻底改变洪水态势感知，而无需对新传感器进行大量投资。

“这项研究为社区提供了一种途径，让他们能够利用现有数据源公平地感知和应对洪水等城市压力因素，”帕吉特说。“这项研究建立在我们与莱斯大学SSPEED中心同事的长期合作的基础上，并受到他们的启发，他们一直在开发最先进的洪水警报系统。在这里，我们关注洪水对交通基础设施的影响，并着重于了解其他数据源如何补充洪水模型中的信息，特别是在对道路和安全出行的影响方面。”

该框架使用来自交通警报、摄像头甚至交通速度等来源的数据，并利用机器学习和数据融合来预测道路是否被淹没。

2017年飓风哈维期间，此类数据源的价值显而易见，因为休斯顿的许多人（包括紧急救援人员）都采用手动检查数据源来推断可能的道路状况，以克服缺乏可靠的实时道路状况数据的问题。

为了测试OpenSafe Fusion流程，研究人员使用“哈维”期间观察到的历史洪水数据在框架中重现了该场景，其中包括休斯顿地区约62,000条道路。

帕纳卡尔说：“该模型能够观察大约37,000条道路连接，约占我们所考虑的网络的60%，这是一个显著的进步。”

该框架中可以使用的其他数据源包括：水位传感器、公民门户、众包、社交媒体、洪水模型以及研究中称为“人机交互”的因素。

Panakkal说，最后一个来源尤其重要，因为OpenSafe Fusion的人为因素允许负责任地使用人工智能(AI)。

“我们不希望系统完全自动化，没有任何人为控制，”帕纳卡尔说。“模型可能会做出错误的预测，这可能会危及那些根据这一预测决定冒险旅行的社区成员。所以我们根据负责任的人工智能使用设计了保障措施。这类工具对负责任的人工智能的需求仍然是一个有待进一步研究的领域，我们希望在未来测试我们的方法时深入挖掘。”

该研究还考虑了自然灾害期间洪水对社区进入医院和透析中心等重要设施的影响。帕纳卡尔说：“这让社区成员或紧急救援人员了解哪些道路被淹没了，以及如何安全到达目的地。”

帕吉特表示，研究人员希望进行广泛的测试、验证和探索，研究不同规模和资源可用性的社区如何使用该框架来更好地感知洪水期间的道路状况。

帕吉特说：“考虑到气候变化的影响和气候加剧的天气事件，未来洪水事件的频率和强度可能会增加，因此我们需要一个解决方案来更好地应对洪水事件及其对基础设施的影响。”