[논문 리뷰] ALTIS: Automated Loss Triage and Impact Scoring from Sentinel-1 SAR for Property-Level Flood Damage Assessment

Amogh Vinaykumar, Prem Kamasani|arXiv (Cornell University)|2026. 03. 14.

Flood Risk Assessment and Management인용 수 0

한 줄 요약

ALTIS는 Sentinel-1 SAR 데이터를 재산 수준의 홍수 영향 점수와 신뢰도 추정치로 변환하는 다단 파이프라인으로, 홍수 정점 시점으로부터 24–48시간 이내에 청구 관리용 순위화된 트리아지 목록을 제공한다. 이 시스템은 Insurance-Grade Flood Triage (IGFT)와 보험 정렬 지표 IRR 및 TES를 도입한다.

ABSTRACT

Floods are among the costliest natural catastrophes globally, yet the property and casualty insurance industry's post-event response remains heavily reliant on manual field inspection: slow, expensive, and geographically constrained. Satellite Synthetic Aperture Radar (SAR) offers cloud-penetrating, all-weather imaging uniquely suited to rapid post-flood assessment, but existing research evaluates SAR flood detection against academic benchmarks such as IoU and F1-score that do not capture insurance-workflow requirements. We present ALTIS: a five-stage pipeline transforming raw Sentinel-1 GRD and SLC imagery into property-level impact scores within 24-48 hours of flood peak. Unlike prior approaches producing pixel-level maps or binary outputs, ALTIS delivers a ranked, confidence-scored triage list consumable by claims platforms, integrating (i) multi-temporal SAR change detection using dual-polarization VV/VH intensity and InSAR coherence, (ii) physics-informed depth estimation fusing flood extent with high-resolution DEMs, (iii) property-level zonal statistics from parcel footprints, (iv) depth-damage calibration against NFIP claims, and (v) confidence-scored triage ranking. We formally define Insurance-Grade Flood Triage (IGFT) and introduce the Inspection Reduction Rate (IRR) and Triage Efficiency Score (TES). Using Hurricane Harvey (2017) across Harris County, Texas, we present preliminary analysis grounded in validated sub-components suggesting ALTIS is designed to achieve an IRR of approximately 0.52 at 90% recall of high-severity claims, potentially eliminating over half of unnecessary dispatches. By blending SAR flood intelligence with the realities of claims management, ALTIS establishes a methodological baseline for translating earth observation research into measurable insurance outcomes.

연구 동기 및 목표

• SAR 영상으로 예측 손해를 기반으로 피보험 재산을 순위화하기 위한 Insurance-Grade Flood Triage (IGFT)를 공식적으로 정의한다.
• 배정 감소 및 고위험 청구 재현율을 평가하기 위한 보험 정렬 평가 지표(IRR 및 TES)를 개발한다.
• 보험사를 위한 신속한 재산 수준 트리아지 기준선을 제공하기 위해 Hurricane Harvey에서 ALTIS의 엔드투엔드 구현을 수행한다.

제안 방법

• 다중 시점 SAR 변화 탐지(VV/VH 강도 및 InSAR 일관성)와 HAND 지형 제약을 통합한다.
• 고해상도 DEM 및 크리깅 기반 깊이 불확실성을 이용해 홍수 범위를 물선 접근법으로 물의 깊이를 물리학적으로 반영하여 추정한다.
• 토지 소유지 footprints 및 NFIP 깊이-손해 곡선을 이용한 영역 통계로 재산 수준의 심각도를 계산한다.
• 보험 청구 관리 플랫폼에 적합한 신뢰도 점수화된 트리아지 순위를 산출한다.
• 픽셀 수준의 지도 학습 없이 작동하며, GPU 필요성이나 실시간 수문역학 모델 없이 24–48시간 배치를 가능하게 한다.

Figure 1: Optical vs. SAR imagery over the Addicks sector, Harvey 2017. (a) Pre-event optical: clear conditions, parcel footprints visible. (b) Co-event optical: 100% cloud cover for five consecutive days. (c) Sentinel-2 multispectral attempt: severe cloud contamination. (d) Sentinel-1 VH SAR (30 Au

실험 결과

연구 질문

• RQ1 SAR 영상이 픽셀 수준의 홍수 지도에서 보험 워크플로우에 맞춘 재산 수준의 트리아지 순위로 어떻게 변환될 수 있는가?
• RQ2 NFIP 청구에 맞춰 보정된 깊이 인식의 재산 수준 점수 체계가 고위험 손실의 우선순위를 신뢰성 있게 높이고 불필요한 현장 점검을 줄일 수 있는가?
• RQ3 SAR 기반 홍수 트리아지에 대해 보험 혜택(배정 감소 및 재현) 을 가장 잘 포착하는 운영 지표는 무엇인가?
• RQ4 도시 홍수 환경에서 보험 목적의 다 신호 SAR 융합 접근(진폭, 일관성, 깊이 제약)의 성능은 어떠한가?
• RQ5 ALTIS 파이프라인은 24–48시간 지연에서 실제 사건(Hurricane Harvey)에서 어떻게 작동하는가?

주요 결과

• ALTIS는 Harris County의 Hurricane Harvey에서 고위험 청구의 90% 재현에서 약 0.52의 검사 감소율(IRR)을 갖춘 엔드 투 엔드 파이프라인의 타당한 가능성을 보인다.
• 깊이 추정치를 NFIP 깊이-손해 곡선과 결합하여 재산 수준의 심각도 점수(추정 분수 손실)를 제공한다.
• 배정 감소, 고위험 재현 및 오배정 페널티를 함께 최적화하기 위한 새로운 트리아지 효율 점수(TES)를 제안한다.
• 단계별 검증은 검증된 하위 구성요소와 지역 홍수 도메인 특성에 근거하며, 공개 데이터와 도구를 사용하고 기초 비교를 위한 코드와 스크립트를 공개한다.
• 이 접근법은 24–48시간의 사건 후 트리아지를 목표로 하며, 클라우드 기반 SAR 처리에 의존하고 구름이 낀 홍수 시 Optical 데이터 의존도를 피한다.

Figure 2: ALTIS five-stage pipeline. Sentinel-1 GRD products enter Stage 1 for preprocessing; the resulting $\sigma^{0}$ rasters and InSAR coherence layers feed Stage 2 change detection; flood extent drives Stage 3 kriging depth estimation; parcel intersection and HAZUS functions produce Stage 4 sev