Deep learning semantic segmentation of airborne LiDAR point clouds for urban flood inundation mapping

Abstract

Abstract : This study presents a deep learning approach based on airborne LiDAR data for urban flood mapping. Applied to Hurricane Harvey in Texas, the method uses the PointNet++ architecture to directly segment 3D point clouds, distinguishing flooded and non-flooded areas from urban structures and vegetation. The results highlight the critical role of ground-truth label quality in improving flood detection accuracy and demonstrate the potential of LiDAR-based deep learning for rapid post-disaster flood assessment.

Résumé : Cette étude présente une approche de deep learning fondée sur les données LiDAR aéroportées pour la cartographie des inondations en milieu urbain. Appliquée à l’événement de l’ouragan Harvey au Texas, elle exploite l’architecture PointNet++ pour segmenter directement les nuages de points 3D et distinguer les zones inondées des zones non inondées ainsi que les principales structures urbaines. Les résultats soulignent l’importance de la précision des données de référence dans la fiabilité de la détection et démontrent le potentiel de cette méthode pour l’évaluation rapide des inondations après catastrophe.