引言
伴随人类社会的发展与进步，自然灾害、事故灾害与公共卫生事件频发，导致人民群众的生命财产安全和社会经济的有序发展受到严重威胁[1-3]。科学有效地进行城市灾害风险管理工作，提高城市系统面对不确定性因素的抵抗、响应、适应与恢复能力十分重要。然而，我国灾害风险管理工作还面临着一些挑战，防灾形势依然严峻，急需新的理论方法和技术手段来提高灾害预测的准确性、风险评估的科学性、响应救援的及时性和恢复重建的高效性。
人工智能（AI: Artificial Intelligence）的蓬勃发展为我国灾害风险管理工作提供了一种新的发展思路和强有力的技术支撑。随着图像识别、自然语言处理、机器学习、专家系统与机器人等人工智能技术的快速发展与进步，人工智能已成为一种灾害风险管理技术，并在防灾、减灾、救灾过程中起到积极作用[4]。在大数据、云计算和物联网环境下，基于人工智能技术的数据挖掘和风险评估技术能快速高效地作出响应，凸显人工智能技术能够处理不确定性和复杂性的优势[5]。2017 年国务院发布《新一代人工智能发展规划》，强调要利用人工智能提升公共安全保障能力，运用人工智能技术强化对地震灾害、地质灾害、气象灾害、水旱灾害和海洋灾害等自然灾害的监测能力，构建智能化监测预警和综合应对平台。因此，研究如何充分发挥人工智能技术的优势，寻找其与灾害风险领域的结合点和突破点，提高灾害风险管过程的智能化，对提升城市灾害风险抵御和应急响应能力、促进城市韧性发展具有重要意义。
本文关注灾害风险管理过程中人工智能技术的应用，基于文献梳理和典型案例剖析，探索不同阶段灾害管理过程中人工智能技术的具体应用。文章首先对人工智能及其相关技术进行概念阐释，梳理人工智能与灾害风险管理领域的交互研究现状，解读人工智能技术在灾害风险领域应用的主要进展；在此基础上，分别对灾前的预警与监测、灾中的救灾与应急和灾后的恢复与重建这三个不同阶段中人工智能技术的探索进行介绍；最后基于国际研究和实践经验提出展望，以期将人工智能技术应用于我国灾害风险管理中，为我国国土空间格局的安全发展提供一定参考。
1 人工智能与灾害风险管理
1.1 人工智能的概念与技术发展
人工智能是计算机科学领域的一个分支。1950 年，艾伦·图灵（Alan Turing）在《计算机器与智能》一书中开始探索人工智能。1955 年，“人工智能之父”约翰·麦卡锡（John McCarthy）提出“人工智能”的概念[6]，随后将其定义为“制造智能机器，特别是智能计算机程序的科学和工程”[7]。1956 年达特茅斯会议通过了“人工智能”一词，标志着人工智能领域的诞生[8]。从广义上讲，人工智能是一种使机器或设备执行人类思想功能的方法，研究开发可以模拟和扩展人类智能的技术手段与应用系统[9]。人工智能研究包含各种知识任务和不同领域的研究方向，涉及机器学习、语音识别、图像识别、自然语言处理和专家系统等多个子领域和不同算法[10-11]（图1）。
图1 人工智能的不同子领域
随着多源数据可获取性和计算机可用性的进步，人工智能作为一种新兴的研究范式和技术方法越来越受到重视。物理学、计算机科学、信息安全学、气象学、地理学、灾害学以及城乡规划学等多个学科和领域的研究中都有不同程度的人工智能技术应用（表1）。
表1 人工智能子领域的概念与应用
资料来源：作者根据参考文献[10-13]整理绘制
1.2 人工智能在灾害风险管理研究中的探索
随着人工智能技术的快速发展，人工智能在城市研究领域的应用逐年增多[14-15]。由于具有强大且敏锐的数据挖掘与分析能力，人工智能技术对灾害风险管理工作起到较强的技术支撑作用，在灾害预警、风险识别、灾害救援与恢复等方面均有涉及，可为防灾、减灾、救灾工作提供及时准确的信息和应对方案。为探索近年来国内外基于人工智能技术的灾害风险管理领域的研究主题和交互趋势，本文采用文献计量方法，以“Web of Science 核心数据库”和“中国知网”刊载的论文为研究对象，借助文献计量软件“聚类分析可视化”（VOS viewer），对领域研究热点、研究主题进行可视化展示[16-17]。
将时间跨度设置为“所有年份（1900—2020）”，通过主题相关检索式①检索式：TS=(“AI” OR “artificial intelligence” OR” deep learning” OR “machine learning” OR “natural language processing” OR “NLP” OR “neural network”) AND TS=(“urban” OR “city” OR “cities”) AND TS=(“disaster” OR “hazard” OR “emergency” OR “response” OR “recover＊” OR “resilienc＊”OR “evacuat＊” OR “risk” OR “disrupt＊” OR “decline”) AND TS=((“event＊”) OR (“extreme”) OR “fire” OR “earthquake＊” OR “heat＊” OR “cool＊”OR “flood” OR “microclimate”)。对国外研究进行计量分析，共检索到文献415 篇。对其进行聚类分析和标签分析（图2），可见国外基于人工智能技术的灾害风险研究数量总体呈上升趋势，自2016 年后研究数量增长较快；主要集中在水资源、地质科学、环境科学、工程学和计算机科学等领域，水圈和地质圈的灾害是这部分研究的主要对象。从聚类视图可以得知，国外研究注重系统思维，主要探索人工神经网络等人工智能技术在灾害研究和气候变化领域中的应用；从标签视图来看，近年研究热点逐渐集中在机器学习（machine learning）、图像识别（image）、数据库（dataset）等技术的应用。
图2 人工智能在国外灾害研究领域的应用关键词聚类视图（左）与标签视图（右）
对国内研究进行计量分析使用的是中国知网数据库，共检索到文献700篇，也使用VOS viewer软件对其进行分析（图3）。总体来看，国内人工智能技术应用于灾害管理中的研究在2017 年后出现明显的增长趋势，主要集中在基础科学、信息科技、经济与管理、工程科技等领域，主要研究技术包括神经网络、深度学习、遗传算法、支持向量机等。其中，神经网络算法是国内灾害风险研究领域应用较多的人工智能技术，主要应用于洪水预报、预警模型、地震预测等。从研究热点的时间变化来看，近年研究多关注深度学习、机器学习等人工智能技术在灾害风险领域中的探索与应用。
图3 人工智能在国内灾害研究领域的应用关键词聚类视图（左）与标签视图（右）
对人工智能技术的具体应用进行梳理发现，在灾害的不同阶段，灾害风险研究所关注的人工智能技术侧重点不尽相同（表2），在灾害风险管理领域中，人工智能技术的应用可以实现以下基本功能。（1）灾前监测预警。依托机器学习、图像识别等技术，可对孕灾环境暴露性、承灾体易损性和致灾因子危险性的进行评估和预测[18-20]；基于数据挖掘、计算机视觉和计算机图学等技术的灾害数据收集与清理，可以获取实时数据，用于灾害监测预警和风险评估[21-30]。（2）灾中救灾响应。基于自然语言处理的灾害信息分析，可以实现对海量时空大数据的快速处理和分析[31]；基于神经网络和随机森林模型的灾害实时破坏监测，可帮助确定救灾优先级[32-33]。（3）灾后恢复。主要包括基于深度学习的损失评估[36-37]，基于机器人的救灾救援，基于可视化与计算机视觉的灾后重建模拟等。
表2 不同灾害风险管理阶段中人工智能技术的应用
资料来源：作者整理绘制
2 人工智能技术在灾害风险管理研究中的实践
城市灾害风险管理是对灾害的全过程管理，因此，本文从灾前预防准备与监测预警、灾中估灾救灾与应急响应、灾后恢复与重建三个阶段研讨人工智能技术在灾害风险管理过程中的应用重点和技术支撑。
2.1 灾前——预防准备与监测预警
2.1.1 基于图像识别的建筑易损性评估
探测城市地区的建筑易损性，识别高风险建筑并对其进行及时修复，可以提升建筑韧性[38]。传统方法需要派遣大批测量人员进入现场，耗费较多时间和较高经济成本，因此可广泛应用图像识别技术以识别建筑结构安全状态。例如在危地马拉的建筑地震脆弱性评估中，研究人员使用卫星图像、无人机图像以及街景图像监测技术，从多源数据和街景图像中提取建筑脆弱性物理因素，如建筑结构、建筑材料以及门窗等建筑软层结构情况，并形成快速建筑质量评估图。该方法能够识别地震中可能发生坍塌的高风险房屋[38]（图4），对比专家和工程师标记的脆弱建筑结果，这种基于深度学习算法的图像识别技术的准确率可以高达85%以上，可用于定位脆弱性较高的建筑，并优先对其安排建筑改造和住房升级。但是，该技术对高密集社区建筑易损性评估的准确性还需要进一步提升。
图4 建筑软层结构识别可视化（左）和快速建筑质量评估结果（右）
资料来源：参考文献[38]
2.1.2 基于梯度提升和随机森林模型的高风险建筑识别
建筑风险检查是降低城市火灾风险的重要措施之一，然而随着城市空间扩张，很难判定建筑检查的优先级[38]。在此背景下，梯度提升和随机森林模型技术被用于高风险建筑识别——通过开发门户数据信息，收集建筑特征数据（建筑发生历史事故、建筑位置、违规类型、建筑物空置及税收拖欠情况）并构建模型，可对建筑风险等级进行评估[39]，根据评估结果确定建筑检查优先级，优先检查风险较高的建筑物，以最大程度地提高公共安全。检查并改善后的建筑风险明显降低（图5）。
图5 最初与后续建筑风险检查结果
资料来源：参考文献[39]
2.1.3 基于深度学习的贫困水平预测
测度社会贫困水平的空间分布对提高社会公平与韧性有积极作用，但是基于人口普查数据的测绘成本较高，较难在大规模空间尺度上进行收集，且数据时效性较差。斯坦福大学的一项研究基于深度学习算法（完全卷积神经网络）和逻辑回归分类器，使用谷歌地图影像、夜光灯光等数据对乌干达贫困水平进行训练，生成了预测贫困水平的回归模型[40]。基于该方法预测的贫困水平准确率为72%，与基于调查统计方法得到的贫困水平结果具有一致性（图6）。该研究探索了在可用训练样本有限时，将深度学习算法作为替代策略的可能性。
图6 乌干达贫困水平预测可视化结果
资料来源：参考文献[40]
2.1.4 基于决策树算法的非正规住房识别
全球城镇化的高速发展导致非正规住房①非正规住房是指未遵守相关法律法规和管理框架建设的住房，即规划外未经授权或无正式结构的住房。数量迅速增加，但是该类住房易损性较高，一旦遭遇灾害，将造成较多人员伤亡，加剧社会脆弱性。2012 年，有学者使用自动机器学习算法对卫星图像进行分类识别，绘制了四个主要城市（加拉加斯、喀布尔、坎大哈和拉巴斯）的非正规住房地图[41]。该方法的原理是在遥感图像中识别出非正规住房独特的空间特征②非正规住房独特的空间特征主要包括：建筑方向的异质性高；建筑材料和结构密度差异大；建筑面积小；街道不规则且狭窄；更接近危险区域，如垃圾填埋场、机场、铁路和陡峭的斜坡。，并将其与工业区、商业区和正规住宅区等进行区分（图7）。该模型将社会脆弱性与建筑物空间要素表征联系起来，测度结果精度为85%～92%，适用于分辨正规与非正规住房[41]。
图7 非正式住宅识别结果
资料来源：参考文献[41]
2.1.5 基于机器学习的地震风险模拟
地震是对城市影响较大的自然灾害之一，预测地震可能造成的破坏并对其加以防范，对提高城市抗震韧性十分重要。旧金山One Concern 公司提出了一种基于机器学习的抗震韧性评估方法，利用地震震动参数、土壤、地震灾害特征、建筑特征（层数、材料、面积、发生事故数量等）和历史地震等数据进行建模，估算地震影响和建筑物损坏情况[38]。基于地震风险评估结果，该公司还发布了结合受灾人口分布和经济状况等统计信息的可视化平台（图8）。该地图平台可帮助应急中心确定救援优先级以有效调度资源，并为居民提供就近避难场所、疏散路线和医疗服务设施等关键信息。值得注意的是，该地图平台将老年人、低收入人群与视力障碍人群的空间分布也纳入考虑，充分关注弱势群体的需求。
图8 地震响应可视化平台
资料来源：参考文献[38]
2.1.6 基于卷积神经网络的灾害自动监测系统创建
灾害自动监测系统对快速应急响应有重要意义。2017年，有学者使用卫星影像数据，基于卷积神经网络提出了一个滑坡和洪涝探测的自动灾害监测系统[29]（图9）。这种方法将滑坡和洪涝基础数据输入模型中进行训练，通过灾前和灾后图像来学习所有可能的灾害模式。根据测试结果，洪水和滑坡监测系统的准确率约为80%～90%，该方法可以用来预警灾害。
图9 灾害自动监测系统流程
资料来源：参考文献[29]
2.2 灾中——估灾救灾与应急响应
2.2.1 基于深度学习的社交媒体信息挖掘
随着社交媒体平台的普及，由社交媒体用户提供的海量数据信息已成为应急响应的宝贵资源。在灾害发生期间，社交媒体数据可以提供实时或低延迟的灾害情况感知信息，帮助政府管理者高效开展救灾工作[42]，例如社交媒体在灾难发生的早期阶段发布的消息警告和讨论，在后期发布的基础设施损坏、伤亡、所需捐款信息等[43]。此外，还有用户将地理信息也上传至社交媒体，形成自发式地理信息（VGI:Volunteered Geographic Information）数据①即用户通过智能设备和网页自发上传、贡献的地理数据。除了一些网站专门收集VGI 数据，将地理坐标信息同时上传至社交媒体的数据也是一种VGI 数据，能够为实时高效地获取信息提供支持。。实时社交媒体数据的分析和监测可以提高事件发生时公众的危机意识，并为决策者提供实时信息。有研究者以巴黎、伦敦和柏林的洪水事件为例，基于深度挖掘的社交媒体信息描述洪水分析，构建应急处理框架[44]。该框架不仅考虑文本信息，还将用户生成的照片作为补充数据。以柏林洪水为例，基于深度学习对带有地理位置信息的社交媒体文本和图片进行解读，形成了含雨洪相关信息的可视化地图（图10），提供了应急响应方面的数据支持[44]。证据表明，洪水和降雨相关推文的数量与降水记录相关，可以用来验证水文模拟结果，支持灾后风险和损失分析。由于用户门槛低，自发式地理信息能够提供大量灾情数据，而网络信息的发展缩短了地理空间相关信息传播的时间，为挖掘灾害风险信息提供了有力支撑。实时上传的数据也最大限度地保证了灾害信息获取的时效性，为评估灾害风险提供了决策支持。
图10 网络地图应用程序（2017 年6 月29 日在柏林发生的洪水）
资料来源：作者译自参考文献[44]
2.2.2 基于人工智能和智能手机APP 的灾害疏散策略制定
自2011 年东日本大地震以来，日本推出用于海上海啸观测的基础设施，以促进海啸预测方法的发展。但是由于日本地形特征多样，海啸风险和居民撤离的紧急程度在每个地区都存在着显著差异，海啸的预测难度很大，加上灾难信息的沟通不足，一定程度上造成了救灾与疏散工作的严重延迟。因此有学者和组织提出，充分利用人工智能和超级计算机等最新通信技术的优势，提出针对每个地区特征和需求的海啸减灾措施[45]。通过观测、深度学习与预测三个步骤，充分了解沿海海啸过程的特征（图11）。此外，该项目开发了一款智能手机应用程序，实时更新使用者当前位置的洪灾风险，并可视化通往就近安全疏散地点的路线以及已撤离到附近庇护所的人数，有效帮助居民在灾害发生时作出明智的疏散决策。
图11 根据海啸实时数据预测洪水风险
资料来源：作者译自参考文献[45]
2.2.3 基于卷积神经网络的灾害风险识别
灾害快速应急响应对于最大程度减少人员伤亡有积极意义。多西等（Doshi et al.）提出了基于卷积神经网络监测卫星图像变化的框架，该框架能够快速找到受灾害影响最严重的地区，并帮助协调救灾工作[33]。该模型基于卷积神经网络的语义分割模型，通过比较灾前、灾后卫星图片的分割掩码，从卫星图像中监测道路和建筑物特征，通过特征提取和凸显相对变化计算，得出灾害影响指数（DII）（图12）。研究结果表明，该人工智能技术和地面真实数据变化的相关性较高，可用于确定救灾的优先级并协调救灾工作。
图12 基于卷积神经网络的识别流程
资料来源：参考文献[33]
2.3 灾后——恢复与规划重建
2.3.1 基于众包数据和深度学习的灾后影响范围评估
Orbital Insight 公司在2017 年开发了基于深度学习的灾后评估模型。该模型将光学卫星图像作为算法的输入数据，使用数字高程模型进行自然流域划定，并使用众包①一种利用团队或社区（群体）共同工作创建数据的方法，获取和保存的数据可以作为公共资产进行分析和使用。和地理标记图像确认洪水范围，评估美国得克萨斯州休斯敦的洪水危险区域，对其进行等级分类[38]（图13）。该研究综合多源空间数据，根据卫星图像、人工智能技术即时评估洪水、建筑物和道路的损坏情况，帮助救援人员更有效地作出应急决策并调配救济资源。众包、地理标记影像也可帮助验证精度分析中的泛洪区域。
图13 休斯敦洪水影响范围空间分布
注：左图为处理后的SAR 卫星图像的输出，即观测到的洪水范围；右图为地理空间插值后的洪水风险图。
资料来源：参考文献[38]
2.3.2 基于无人机和机器学习算法的灾害损失分析
2015 年帕姆飓风袭击瓦努阿图后，世界银行和人道主义无人机网络组织（UAViators）推出了“数字响应人工智能”（AIDR: Artificial Intelligence for Digital Response）开放平台②与联合国人道主义事务协调厅和联合国国际儿童基金会合作，基于人工智能技术对灾害期间的社交媒体推文自动收集和分类。[46]。该平台首先通过无人机图像识别、收集云层下的高精度数据，并将数据用于训练深度学习算法（Nazr-CNN）以识别损坏程度，再结合来自人道主义开放街道地图（HOT: Human Open-street Map）③开放街景地图指街景图片的开放数据版本，详见https://openstreetcam.org/。和网络志愿者在图像中标注的损坏情况，将深度学习结果与众包受灾标注方法相结合，进行灾害损失分析（图14）。结果显示，该研究技术的准确率为63%，是人工智能技术与公众参与相结合进行灾后损失评估的积极探索，但仍需要额外的训练样本来提高模型的普适性。
图14 无人机图像采集与众包标注工作流的实现
资料来源：参考文献[46]
3 经验与启示
3.1 构建基于人工智能技术的智能化监测、预警和评估平台
灾害风险的影响具有不确定性，因此完善科学预测和情景模拟并将其作为规划决策的参考愈发重要。需根据灾害风险管理特征，构建包含用户层、接入层、应用层和数据资源层的全过程智能化平台（图15）。数据资源库包括灾害数据、社会经济数据和城市多源数据等。在此基础上可以构建基于人工智能技术的数据挖掘、数据处理与数据管理的工作流程。除了传统数据收集方法，还可以利用人工智能技术获取新兴多源数据，例如穿戴式设备数据、传感器数据等。在数据库构建的基础上，应用层可包括基于机器学习等人工智能技术的风险评估与预警模块，并根据评估结果设置优先级，从而提前制定灾害预案。
图15 基于人工智能技术的灾害风险管理信息平台
3.2 明确不同阶段关注的人工智能关键技术重点
在我国规划编制和灾害风险管理过程中，需明确灾害管理不同阶段关注的人工智能技术重点和深度，并根据不同阶段的需求，提出具有针对性的技术手段和决策支持体系（图16）。（1）灾前准备阶段，需构建灾害风险评估和预警系统，通过人工智能技术构建灾害信息数据库与风险评估平台，提高灾害预测、预报、预防和灾害评估水平；（2）灾中救灾与应急响应阶段，可基于灾害信息平台快速识别风险最高的区域，利用数据挖掘收集社交媒体大数据并进行灾害风险沟通，利用无人设施（无人机探测、机器人救援）进行灾害紧急救援；（3）灾后恢复与重建阶段，可以基于人工智能技术进行灾害损失计算，并基于计算机视觉技术进行灾后重建恢复工作。
图16 不同灾害风险管理阶段的人工智能技术应用
3.3 强化不同利益相关者之间的协作
首先需要注意的是，虽然人工智能可以有效地收集数据并分析灾害风险，帮助作出决策，但由于其自身的局限性，人工智能技术不能完全替代人类的专业知识，专家评估意见仍然十分重要，在必要时需检查和纠正人工智能工具的正确性和科学性。其次，对人工智能技术的普及和对相关专业人员的培养还未形成完善的体系，加强人工智能技术在灾害领域中的应用以及对专业人工智能技术人员和数据分析人员的培养，是人工智能应用于灾害风险管理领域的关键步骤。第三，跨学科、跨部门、跨领域之间的协同能够有效促进并保障人工智能技术在灾害风险领域中的实施和落地。最后，公众的积极参与不仅能够提供海量的即时数据，也会提升公众灾害风险意识，对提升社会韧性具有重要意义。
4 结语
人工智能技术为城市灾害风险管理研究提供了多源数据和技术支持，能够更全面、动态地了解城市灾害风险。结合人工智能技术的灾害风险管理可实现智能的灾前监测、评估与预警，及时的灾中应急救援与响应，以及高效的灾后协同应对与恢复重建，为提高城市防灾、减灾、救灾能力提供了一种创新性的路径。通过构建融合多源数据和人工智能技术的灾害风险管理平台，完善智能化的监测、预警与评估体系，明确不同阶段关注的人工智能关键技术，强化不同利益相关者之间的协作，能够积极促进人工智能技术在我国城市灾害风险管理领域的深度应用和实施落地，促进城市安全韧性发展。
注：文中未注明资料来源的图表均为作者整理绘制。
[1] PELLING M.The vulnerability of cities: natural disasters and social resilience[M].Routledge,2003.
[2] HENDERSON L J.Emergency and disaster: pervasive risk and nations[J].Public organization review: a global journal,2004(4): 103-119.
[3] MCCARTHY M P,BEST M J,BETTS R A.Climate change in cities due to global warming and urban effects[J/OL].Geophysical research letters,2010,37(9): L09705[2020-05-21].https://agupubs.onlinelibrary.wiley.com/doi/full/10.1029/2010GL042845.
[4] National Research Council.The Indian Ocean Tsunami Disaster:implications for U.S.and global disaster reduction and preparedness :summary of the June 21,2005 workshop of the disasters roundtable[R].Washington,DC: The National Academies Press,2006.
[5] ALEXANDER D E.Social media in disaster risk reduction and crisis management[J].Science &engineering ethics,2014,20(3): 717-733.
[6] McCARTHY J,MINSKY M,ROCHESTER N,et al.A proposal for the Dartmouth summer research project on artificial[R].1955.
[7] MCCARTHY J.What is artificial intelligence?[R].Computer Science Department,Stanford University,2007.
[8] RAY S.History of AI[EB/OL].(2018-08-11)[2019-06-15].https://towardsdatascience.com/history-of-ai-484a86fc16ef.
[9] MELLIT A,KALOGIROU S A.Artificial intelligence techniques for photovoltaic applications: a review[J].Progress in energy and combustion science,2008(5): 574-632.
[10] 斯图尔特·罗素,彼得·诺维格.人工智能：一种现代方法（第二版）[M].姜哲,金英江,张敏,等,译.北京：人民邮电出版社,2004.
[11] Artificial intelligence tutorial[EB/OL].(2019-02-17)[2019-06-12].https://www.javatpoint.com/artificial-intelligence-tutorial.
[12] 黄佳.基于OPENCV 的计算机视觉技术研究[D].上海: 华东理工大学,2013.
[13] 计算机视觉入门系列（一）综述[EB/OL].(2020-12-16)[2020-12-27].https://blog.csdn.net/wangss9566/article/details/54618507.
[14] 屠李,赵鹏军,张超荣,等.面向新一代人工智能的城市规划决策系统优化[J].城市发展研究,2019,26(1): 54-59.
[15] 张庭伟.复杂性理论及人工智能在规划中的应用[J].城市规划学刊,2017(6): 9-15.
[16] VAN ECK N J，WALTMAN L.VOS viewer: a computer program for bibliometric mapping[J].Scientometrics,2010,84(2): 523-538.
[17] 高凯.文献计量分析软件VOS viewer 的应用研究[J].科技情报开发与经济,2015,25(12): 95-98.
[18] ABHIGNA P,JERRITTA S,SRINIVASAN R,et al.Analysis of feed forward and recurrent neural networks in predicting the significant wave height at the Moored Buoys in Bay of Bengal[C]// International Conference on Communication and Signal Processing (ICCSP),2017: 1856-1860.
[19] JIA X,WANG R,DAI H,et al.A neural network method for risk assessment and real-time early warning of mountain flood geological disaster[C]// International Symposium on Intelligent Signal Processing and Communication Systems (ISPACS),2017: 540-544.
[20] WU C L,CHAU K W.A flood forecasting neural network model with genetic algorithm[J].International journal of environment and pollution,2006,28(3/4): 261-273.
[21] CHOWDHURY F H,NAHIAN R,UDDIN T,et al.Design,control &performance analysis of forecast junction IoT and swarm robotics-based system for natural disaster monitoring[C]// The 8th International Conference on Computing,Communication and Networking Technologies(ICCCNT),2017: 1-5.
[22] DANSO-AMOAKO E,SCHOLZ M,KALIMERIS N,et al.Predicting dam failure risk for sustainable flood retention basins: a generic case study for the wider Greater Manchester area[J].Computers environment &urban systems,2012,36(5): 423-433.
[23] NAGATANI K,AKIYAMA K,YAMAUCHI G,et al.Volcanic ash observation in active volcano areas using teleoperated mobile robotsintroduction to our robotic-volcano-observation project and field experiments[C]// IEEE International Symposium on Safety,Security and Rescue Robotics (SSRR),2013: 1-6.
[24] ANINDITA A P,LAKSONO P,NUGRAHA I G B B.Dam water level prediction system utilizing artificial neural network back propagation:case study: Ciliwung Watershed,Katulampa Dam[C]// International Conference on ICT for Smart Society,2016: 16-21.
[25] ADNAN R,SAMAD A M,RUSLAN F A.A 3-hours river water level flood prediction model using NNARX with improves modelling strategy[C]// IEEE International Conference on System Engineering &Technology,2017: 23-27.
[26] KIA M B,PIRASTEH S,PRADHAN B,et al.An artificial neural network model for flood simulation using GIS: Johor River Basin,Malaysia[J].Environmental earth sciences,2012,67(1): 251-264.
[27] DUARTE D,NEX F,KERLE N,et al.Satellite image classification of building damages using airborne and satellite image samples in a deep learning approach[C]// ISPRS Annals of Photogrammetry,Remote Sensing &Spatial Information Sciences,2018,4(2): 89-96.
[28] CHEN W,SHIRZADI A,SHAHABI H,et al.A novel hybrid artificial intelligence approach based on the rotation forest ensemble and naïve Bayes tree classifiers for a landslide susceptibility assessment in Langao County,China[J].Geomatics,natural hazards and risk,2017,8(2): 1955-1977.
[29] AMIT S N K B,AOKI Y.Disaster detection from aerial image with convolutional neural network[C]// 2017 International Electronics Symposium on Knowledge Creation and Intelligent Computing (IES-KCIC),2017: 239-245.
[30] LEE W,KIM S,LEE Y T,et al.Deep neural networks for wild fire detection with unmanned aerial vehicle[C]// IEEE International Conference on Consumer Electronics (ICCE),2017: 252-253.
[31] IVIĆ M.Artificial intelligence and geospatial analysis in disaster management[J].International archives of the photogrammetry,remote sensing and spatial information sciences,2019,42(3): 161-166.
[32] VETRIVEL A,GERKE M,KERLE N,et al.Disaster damage detection through synergistic use of deep learning and 3D point cloud features derived from very high-resolution oblique aerial images,and multiple-kernellearning[J].ISPRS journal of photogrammetry and remote sensing,2018,140: 45-59.
[33] DOSHI J,BASU S,PANG G.From satellite imagery to disaster insights[C/OL].The 32nd Conference on Neural Information Processing Systems.(2018-11-17)[2020-07-19].https://arxiv.org/pdf/1812.07033.pdf.
[34] COONER A,SHAO Y,CAMPBELL J.Detection of urban damage using remote sensing and machine learning algorithms: revisiting the 2010 Haiti earthquake[J].Remote sensing,2016,8(10): 868-885.
[35] NEX F,DUARTE D,STEENBEEK A,et al.Towards real-time building damage mapping with low-cost UAV solutions[J].Remote sensing,2019,11(3): 287-301.
[36] SYIFA M,KADAVI P R,LEE C W.An artificial intelligence application for post-earthquake damage mapping in Palu,Central Sulawesi,Indonesia[J].Sensors,2019,19(3): 542-560.
[37] PETROPOULOS G P,VADREVU K P,XANTHOPOULOS G,et al.A comparison of spectral angle mapper and artificial neural network classifiers combined with Landsat TM imagery analysis for obtaining burnt area mapping[J].Sensors,2010,10(3): 1967-1985.
[38] GFDRR: Global Facility for Disaster Reduction and Recovery.Machine learning for disaster risk management[R].Washington,DC,2018.
[39] KASSEL S.Predicting building code compliance with machine learning models[EB/OL] (2017-09-21)[2020-05-17].https://azavea.github.io/buildinginspection-prediction/index.html.
[40] XIE S M,JEAN N,BURKE M,et al.Transfer learning from deep features for remote sensing and poverty mapping[C]// The 30th AAAI Conference on Artificial Intelligence,2016: 3929-3935.
[41] GRAESSER J,CHERIYADAT A,VATSAVAI R,et al.Image based characterization of formal and informal neighborhoods in an urban landscape[J].IEEE journal of selected topics in applied earth observations and remote sensing,2012,5(4): 1164-1176.
[42] CHOWDHURY S R,IMRAN M,ASGHAR M R,et al.Tweet4act:using incident-specific profiles for classifying crisis-related messages[C]//International Conference on Information Systems for Crisis Response &Management,2013: 834-839.
[43] FOHRINGER J,DRANSCH D,KREIBICH H,et al.Social media as an information source for rapid flood inundation mapping[J].Natural hazards and earth system sciences,2015,15: 2725-2738.
[44] YU F,MONIKA S.Extraction of pluvial flood relevant volunteered geographic information (VGI) by deep learning from user generated texts and photos[J].International journal of geo-information.2018,7(2): 39.
[45] International Research Institute of Disaster Science.Fujitsu leverages AI tech in joint project to contribute to safe tsunami evacuation in Kawasaki[EB/OL].(2019-10-24)[2020-07-25].https://www.fujitsu.com/global/about/resources/news/press-releases/2019/1024-01.html.
[46] IMRAN M,CASTILLO C,LUCAS J,et al.AIDR: artificial intelligence for disaster response[C]// Proceedings of the 23rd International Conference on World Wide Web (WWW ‘14 Companion).New York: Association for Computing Machinery,2014: 159-162.