MARC

 008260126s2025        us                              c    eng  d
■001000017359682
■00520260202105158
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798293872459
■035    ▼a(MiAaPQ)AAI32243584
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a333.91
■1001  ▼aWang,  Wei.
■24510▼aCharacterization  of  Natural  Hazards  in  the  Great  Lakes:  Remote  Monitoring  and  Deep  Learning
■260    ▼a[Sl]▼bThe  University  of  Wisconsin  -  Madison▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a195  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-03,  Section:  B.
■500    ▼aAdvisor:  Block,  Paul.
■5021  ▼aThesis  (Ph.D.)--The  University  of  Wisconsin  -  Madison,  2025.
■520    ▼aNatural  hazards  are  environmental  events  that  pose  significant  risks  to  societies  and  human  environments.  In  the  Great  Lakes  region,  natural  hazards  such  as  flooding,  dangerous  currents,  and  rapid  shoreline  changes  are  common  concerns.  These  hazards  have  led  to  numerous  incidents,  resulting  in  fatalities,  socio-economic  losses,  and  ecological  damage.  Given  the  severe  consequences  of  natural  hazards,  the  Great  Lakes  region  faces  two  primary  challenges:  effectively  detecting  these  hazards  with  high  spatial  resolution  while  minimizing  labor  and  time  costs;  and  comprehensively  characterizing  their  occurrence  and  features  to  support  informed  management  and  mitigation  efforts.  I  hypothesize  that  combining  remote  sensing  and  deep  learning  techniques  can  enhance  the  detection  and  characterization  of  natural  hazards  in  the  Great  Lakes  region.  To  examine  this  hypothesis,  the  overall  objective  of  this  study  is  characterizing  natural  hazards  using  remote  monitoring  and  deep  learning  methods.  Specifically,  the  research  investigates  flood  impacts  on  stream  habitat  quality,  and  flash  rip  currents  and  rapid  shoreline  changes  in  coastal  areas.  First,  to  assess  flood  impacts  on  stream  habitat  quality,  a  UAV-based  toolkit  was  developed  to  characterize  stream  habitat  quality  conditions  using  multi-metric  indices  (MMIs).  Applied  before  and  after  the  August  2018  flood,  this  approach  revealed  patterns  of  loss  and  resilience  in  riparian  vegetation,  bank  stability,  and  in-stream  cover.  Second,  for  flash  rip  currents,  webcam  imagery  was  analyzed  with  a  refined  Cascade  R-CNN  model,  enabling  reliable  detection  and  classification  of  flash  rips  into  three  driving  factors:  water-level  fluctuations,  normal  waves,  and  oblique  waves.  Their  spatial,  temporal,  and  kinematic  features  were  then  characterized  to  quantify  differences  among  driving  factors.  Third,  to  detect  and  characterize  rapid  shoreline  changes,  a  DeepLab-based  segmentation  framework  was  applied  to  aerial  images  for  shoreline  extraction  and  coupled  with  an  improved  Digital  Shoreline  Analysis  System  to  compute  change  rates,  identify  hotspots,  and  distinguish  true  morphological  change  from  shoreline  retreats  driven  by  water-level  fluctuations.  Overall,  this  research  contributes  to  improving  detection  methodologies  and  enriching  the  characterization  of  natural  hazards  in  the  Great  Lakes  region.  The  findings  aim  to  reduce  hazard-related  risks  and  provide  valuable  insights  into  effective  management  and  mitigation  efforts.
■590    ▼aSchool  code:  0262.
■650  4▼aWater  resources  management
■650  4▼aGeomorphology
■650  4▼aComputer  science
■650  4▼aEnvironmental  engineering
■653    ▼aCharacterization
■653    ▼aDeep  learning
■653    ▼aDetection
■653    ▼aGreat  Lakes
■653    ▼aNatural  hazards
■653    ▼aRemote  sensing
■690    ▼a0595
■690    ▼a0484
■690    ▼a0984
■690    ▼a0543
■690    ▼a0775
■71020▼aThe  University  of  Wisconsin  -  Madison▼bCivil  &  Environmental  Engr.
■7730  ▼tDissertations  Abstracts  International▼g87-03B.
■790    ▼a0262
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359682▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books