与道路相关的事件是全国洪水相关死亡的主要因素，但目前可用的洪水报告工具使实时评估道路状况变得具有挑战性。
现有的工具如交通摄像头、水位监测器，甚至社交媒体可以提供一些关于洪水的见解，但它们并不是专门设计用于检查道路状况，并且往往无法有效协同工作。传感器网络可以提高对道路洪水状况的认识，但创建和维护这样的网络在规模上可能成本高昂。
为解决这一问题，莱斯大学的工程师们推出了OpenSafe Fusion，一个自动化数据融合框架。该名称代表开放源代码的运动情境意识框架，利用数据融合，利用现有的报告工具和公开数据快速检测城市洪水事件中不断变化的道路状况，这种事件正在增加。
莱斯大学的斯坦利·C·摩尔工程教授及土木与环境工程系主任杰米·帕杰特与博士后研究员普拉纳维什·帕纳卡尔研究了休斯顿的九个数据源。该研究促成了这一综合框架的开发，详细内容见他们在可靠性工程与系统安全期刊上发布的研究论文《更多的眼睛关注道路：通过融合公共数据源的实时观察来感知洪水泛滥的道路》。
帕杰特指出：“虽然直接观察洪水泛滥道路的来源很少，但城市地区拥有丰富的资源，可以直接或间接监测洪水或道路状况。”
该团队提出，合并这些实时来源信息的自动化系统可以极大改善对洪水情况的认知，而不需要在新的传感技术上进行大量投资。
帕杰特解释说：“这项研究为社区提供了一种公平监测和应对城市洪水等挑战的手段，利用现有的数据。”他还指出：“这是与莱斯大学SSPEED中心的合作努力的延续，该中心一直在开发先进的洪水预警系统。我们在这里关注的是洪水对交通基础设施的影响，以及如何利用补充数据增强洪水模型的信息，特别是在道路和安全出行方面的影响。”
该框架使用来自各种来源的数据，如交通警报、摄像头和交通速度信息，结合机器学习和数据融合技术来判断一条道路是否被淹没。
在2017年哈维飓风期间，获取这些数据的重要性变得显而易见，当时休斯顿的许多人，包括紧急响应者，因为缺乏可靠的实时信息，必须手动分析可用数据来评估道路状况。
在测试OpenSafe Fusion框架时，研究人员重新构建了哈维的历史洪水数据，涵盖了休斯顿地区约62,000条道路。
帕纳卡尔表示：“该模型可以分析约37,000条道路链接，约占我们检查网络的60%，代表了一个实质性的提升。”
该框架的其他潜在数据来源包括水位传感器、市民报告平台、众包信息、社交媒体互动、洪水模拟和一个标记为“人参与环”的概念。
根据帕纳卡尔的说法，最后一个元素至关重要，因为OpenSafe Fusion的人性化特征确保了人工智能的负责任使用。
帕纳卡尔强调：“我们希望避免完全自动化的系统缺乏人类监督。模型的错误预测可能会危及那些可能基于该信息选择出行的社区人士。因此，我们纳入了保障措施，促进人工智能的负责任使用。人工智能相关工具的问责需求是一个持续的研究领域，我们打算在完善我们的方法时进一步探讨。”
该研究还考察了洪水在紧急情况下如何影响重要社区服务的获取，例如医院和透析中心。
帕纳卡尔表示：“这为社区成员或响应者提供了关于哪些道路被淹没的信息，以及如何安全抵达目的地的见解。”
帕杰特提到，团队计划进行广泛的测试和验证，以探索不同规模和资源的社区如何实施这一框架来改善洪水期间的道路状况评估。
帕杰特最后总结道：“考虑到气候变化及更严重天气事件的影响，我们未来可能会面临更频繁和强烈的洪水事件，因此我们需要有效的解决方案来管理洪水及其对基础设施的影响。”
