提出了一种基于图神经网络和变压器的跨语言灾难相关文本分类系统，该系统可以在有限的监督下工作，并在多种语言和单语言情境下进行分类。在英语、非英语和单语数据集上测试，该系统的加权 F1 值优于现有的最先进模型和多语言 BERT 基线。

Mar, 2022

该论文主要研究社交媒体在灾难和紧急情况下作为信息来源的潜力和挑战，并提出了一种基于文本分类的框架来处理 Twitter 噪声数据，通过使用多个 transformers 模型最终达到了 F1-score 0.87 的高分数。

Jan, 2023

提出了一种自然语言处理框架，通过文本分类和主题建模的方法，自动收集并分析社交媒体中与水相关的帖子，以便进行数据驱动决策。

Apr, 2024

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

该研究对实时洪水检测和管理这一关键问题进行了研究。它创新地将先进的深度学习模型与大型语言模型（LLM）相结合，提高了洪水监测和响应能力。该方法通过提供更准确、多功能、用户友好和易于访问的解决方案，克服了当前方法的局限性。将 UNet、RDN 和 ViT 模型与自然语言处理相结合，显著提高了在各种环境（包括利用航空和卫星图像）中的洪水区域检测。实验评估证明了这些模型在准确识别和绘制洪水区域方面的有效性，展示了该项目在环境监测和灾害管理领域的潜力。

Jan, 2024

本研究旨在通过使用社交媒体的数据作为及时反馈，探究社交媒体作为水质监测的潜在价值，同时提出了一个使用多个神经网络结构的框架来分析与检索与水质相关的社交媒体帖子，其中最高的 F1-score 值为 0.81，而总体融合结果最高的 F1-score 值为 0.852。

Feb, 2022

在这篇论文中，我们提出了一个三步解决方案，旨在充分利用社交媒体内容和自然语言处理技术，实现灾害信息学中的相关分类、地点提取和主题建模，以应对社交媒体内容中的挑战。

May, 2024

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

随着气候变化加剧，准确的全球规模灾害预测变得迫切。本研究提出了一种新颖的多模态灾害预测框架，结合了天气统计数据、卫星图像和文本洞察。我们特别关注 “洪水” 和 “滑坡” 的预测，因为它们与气象和地形因素相关。该模型基于现有数据精心设计，并实施策略来解决类别不平衡问题。虽然我们的研究结果表明，整合多种数据来源可以提升模型性能，但增强程度因每种灾害的特性和其独特的根本原因而有所不同。

Sep, 2023