首先，研究人员从高分辨率城市洪水计算机模型开始，着手开发早期洪水探测系统。模型结果需经数据验证，从而保证其可靠性，但经过三个月的数据采集，研究人员却空手而归。其次，研究人员计划用基于物理学的洪泛模型来更新他们的模型，来预测洪水发展。
卫星遥感价格昂贵，且在城市地区经常受到技术问题的影响，而地面传感器网络的安装和维护成本很高。即使是最常见的方法，政府工作人员的目击调查也不在预算之内。于是，研究人员将推特和众包
应用程序MyCoast作为替代方案，用来收集侵蚀和潮汐等海岸条件的数据。
利用这一替代方案进行数据收集的步骤如下：（1）扫描推特上的“洪水”、“水坝”和“堤坝”等关键词，识别洪水相关事件。（2）利用自然语言处理（NLP）这一人工智能识别推特用户的信息，包括洪水位置、水深、洪水趋势、人类情感、损失估计，甚至包括可精确到英尺的超高分辨率数据，如推特用户的街道名称和建筑物号码。（3）因为包含关键字的推文很可能是无关紧要的，所以要利用AI进行去噪，比如利用计算机视觉程序将洪水
图片从MyCoast的照片中筛选出来，但是其准确率仅有70%，故这个系统并不完美。
研究人员称，与洪水相关的推文与较高的降水量相关，而众包数据与实际封路密切相关。他们认为推特这样的工具可以更好地进行大规模监控，而MyCoast这样的应用程序则可以在较小的范围内提供宝贵的见解。有了这些工具，他们希望能在潜在的洪水问题上发挥积极的作用。
这项研究近期已在《计算机与地球科学》杂志上发刊。
