灾害管理是一个极具潜力的研究领域，因为它对经济、环境和社会产生了重大影响。本研究重点分析与灾害管理相关的各种数据（卫星图像和推特数据），以深入分析按地理位置分组的紧急需求。通过两个阶段的研究，分别是卫星图像分析和推特数据分析，最后利用位置进行整合。利用基于 U-Net 架构的多类土地覆盖分割技术对地点进行灾后卫星图像分析是第一个阶段。第二个阶段侧重于为救援行动提供有关灾情和紧急需求的重要信息的地图绘制。通过使用与该地点相关的关键词，筛选出严重受灾地区，并提取推特数据。通过基于内容词的推特摘要（COWTS）技术从大量原始推特中提取情境信息。将这些模块实时整合，利用基于位置的地图绘制和频率分析技术，在发生灾害的情况下收集多维信息，例如对喀拉拉邦和密西西比州洪水进行了测试和验证。本研究的创新之处在于应用分割的卫星图像进行灾害救援，通过突出土地覆盖变化，并通过地区特定的筛选器整合推特数据，获取灾害的完整概览。

Nov, 2023

本文通过对社交媒体和卫星影像等灾害相关多媒体内容的回收、整理和分析，总结了灾害检测和多媒体内容分析的已有研究成果，包括文本、社交媒体视觉内容和卫星影像三个领域，并提出了未来趋势和面临的挑战。

Jan, 2019

本文综述了关于应用于应急响应情境下的计算方法处理社交媒体信息的现状，重点研究了从事件检测到行动可用摘要创作的一系列关键子问题。

Jul, 2014

本文提出使用深度神经网络，通过随机梯度下降算法在线训练，处理 Twitter 中的人道主义信息反应，包括鉴别信息推文和分类主题。

Oct, 2016

本文提出了一种基于卷积神经网络和类别激活映射的新方法，用于在社交媒体图像中定位灾害损失并量化其程度，从而提供一种相对于昂贵的地理信息系统方法更为经济有效的、基于社交网络图像的灾后损失评估方案。

Jun, 2018

本研究提出了一种方法，对社交媒体进行灵活的支持，特别是在紧急情况下的社交媒体分析，基于自动化数据处理的工具可用于筛选、分类和地理位置标记内容，同时杂交方法支持人工数据分析师的反馈和建议，从民众中收集输入。通过 Euroopean 项目中的三个案例研究进行结果验证。

Aug, 2022

利用机器学习语言模型对社交网站的帖子进行监测，以便能够及时地确定是否有人或地区处于危险之中，从而更好地进行应急处置。

Jan, 2022

本论文使用多模态深度学习技术，提出了一种分析社交媒体数据中文字和图像模态的联合表征，并在真实的灾难数据集上进行了广泛的实验，证明了该多模式架构比单模型（例如，仅使用文本或图像）的模型表现更好。

Apr, 2020

社交媒体数据、主题建模和 SIR 模型可为决策者提供量化方法以衡量灾难响应和支持其决策过程。

Aug, 2023

通过收集自然灾害期间 Twitter 上的大量多模态数据集，为人道主义组织提供了有用的三种注释类型以解决危机响应和管理任务，特别关注社交媒体上的图像内容在减灾救灾中的作用。

May, 2018