АПАТТАРДЫ БАСҚАРУ ЖҮЙЕСІНІҢ ЖҮЙЕЛІК АРХИТЕКТУРАСЫ

Климаттың өзгеруінің жеделдеуі және қала халқының өсуі жағдайында табиғи апаттардың жиілігі мен ауырлығы айтарлықтай артып, инфрақұрылымға, экономикалық тұрақтылыққа және адам өміріне елеулі қауіп төндіруде. Жер сілкіністері, су тасқындары және дауылдар сияқты табиғи апаттар көбінесе құрылымдық зақымдануларға әкеледі, бұл төтенше жағдайларды жоюға және ресурстарды тиімді бөлуге жедел әрі дәл бағалаудың қажеттілігін арттырады. Осы сын-қатерлерге жауап ретінде бұл зерттеуде жасанды интеллект пен IoT технологияларын біріктіретін гибридті архитектураға негізделген ғимараттардың зақымдануын бағалау моделі ұсынылады. Зерттеу смарт-интеллект жүйелерінде автоматтандыруды, ашықтықты және тұрақтылықты арттыру үшін заттар интернеті мен жасанды интеллекттің кешенді интеграциясын пайдаланады. Ұсынылған жүйе апатқа дейінгі және апаттан кейінгі аэрофототүсірілімдерді жинап, талдау арқылы ғимараттардың зақымдану деңгейін «зақымданбаған» күйден бастап «толық қираған» деңгейге дейінгі санаттарға жіктейді. Сонымен қатар, модель кеңейтілген апаттарды басқару жүйесіне біріктіріліп, геокеңістіктік интерфейсте зақымдану көрсеткіштерін көрнекі түрде ұсынады. Бұл шешім қабылдаушыларға зардап шеккен аймақтарды тиімді бағалауға, басым бағыттарды айқындауға және апатқа қарсы іс-қимылдарды оңтайландыруға мүмкіндік береді. Ұсынылып отырған жүйе мемлекеттік органдарға, үкіметтік емес ұйымдарға және алғашқы көмек көрсетушілерге апаттан кейінгі жағдайларда жедел, дәлелді және уақтылы шешім қабылдауды қолдауға бағытталған.

1. Our World in Data. (n.d.). Decadal average: Death rates from natural disasters*. Our World in Data (access: August 24, 2025). URL: https://ourworldindata.org/grapher/decadal-average-death-rates-fromnatural-disasters.

2. Our World in Data. (n.d.). Decadal average: Economic damages from disasters as a share of GDP. Our World in Data (access: August 24, 2025). URL: https://ourworldindata.org/grapher/decadal-economicdisasters-type.

3. Koshy, M., & Smith, D. Community resilience implications for institutional response under uncertainty: Cases of the floods in Wayanad, India and the earthquake in Port- au- Prince, Haiti. Sustainable Development, 32(2), 1412–1427 (2024).

4. Murayama, Y., Scholl, H. J., & Velev, D. Information technology in disaster risk reduction. Information Systems Frontiers, 23(5), 1077–1081 (2021).

5. Nasar, W., Da Silva Torres, R., Gundersen, O. E., & Karlsen, A. T. The use of decision support in search and rescue: A systematic literature review. ISPRS International Journal of Geo-Information, 12(5), 182 (2023).

6. Kamal Paul, S., & Bhaumik, P. Disaster management through integrative ai. In Proceedings of the 23rd International Conference on Distributed Computing and Networking (2022, January), pp. 290–293.

7. Benssam, A., Nouali-Taboudjemat, N., Nouali, O., & Kabou, A. A middleware platform for decision support in disaster management. In 2017 4th International Conference on Information and Communication Technologies for Disaster Management (ICT-DM). IEEE (2017, December), pp. 1–8.

8. Pillai, A.S., Chandraprasad, G.S., Khwaja, A.S., & Anpalagan, A. A service oriented IoT architecture for disaster preparedness and forecasting system. Internet of Things, 14, 100076 (2021).

9. Aghayari, S., Hadavand, A., Mohamadnezhad Niazi, S., & Omidalizarandi, M. Building detection from aerial imagery using inception resnet unet and unet architectures. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 10, 9–17 (2023).

10. Alsabhan, W., Alotaiby, T., Dudin, B. Detecting buildings and nonbuildings from satellite images using U-Net. Comput. Intell. Neurosci (2022). https://doi.org/10.1155/2022/4831223.

11. Alsabhan, W., & Alotaiby, T. Automatic building extraction on satellite images using Unet and ResNet50. Computational Intelligence and Neuroscience, 2022(1), 5008854 (2022).

12. Erdem, F., & Avdan, U. Comparison of different U-net models for building extraction from highresolution aerial imagery. International Journal of Environment and Geoinformatics, 7(3), 221–227 (2020).

13. Vasavi, S., Somagani, H. S., & Sai, Y. Classification of buildings from VHR satellite images using ensemble of U-Net and ResNet. The Egyptian Journal of Remote Sensing and Space Sciences, 26(4), 937–953 (2023).

14. Van Etten, A., Lindenbaum, D., & Bacastow, T.M. SpaceNet: A Remote Sensing Dataset and Challenge Series. ArXiv, abs/1807.01232 (2018).

15. Mohammad, A., Gullapalli, O. S., Vasavi, S., Jayanthi, S., Updating of GIS maps with Change Detection of Buildings using Deep Learning techniques, 2022 International Conference on Futuristic Technologies (INCOFT), Belgaum, India, 2022, pp. 1–6. https://doi.org/10.1109/INCOFT55651.2022.10094545.

16. Kaku, K. Satellite remote sensing for disaster management support: A holistic and staged approach based on case studies in Sentinel Asia. International Journal of Disaster Risk Reduction, 33, 417–432 (2019).

17. Razzaque, M.A., Milojevic-Jevric, M., Palade, A., & Clarke, S. Middleware for internet of things: a survey. IEEE Internet of things journal, 3(1), 70–95 (2015).

18. Sun, W., Bocchini, P., & Davison, B. D. Applications of artificial intelligence for disaster management. Natural Hazards, 103(3), 2631–2689 (2020).

19. Khan, S.M., Shafi, I., Butt, W.H., Diez, I.D.L.T., Flores, M.A.L., Galán, J.C., & Ashraf, I. A systematic review of disaster management systems: approaches, challenges, and future directions. Land, 12(8), 1514 (2023).

20. Raj, A., Arora, L., Girija, S.S., Kapoor, S., Pradhan, D., & Shetgaonkar, A. AI and Generative AI Transforming Disaster Management: A Survey of Damage Assessment and Response Techniques. arXiv preprint arXiv:2505.08202 (2025).

21. Pu, F., Li, Z., Wu, Y., Ma, C., & Zhao, R. Recent Advances in Disaster Emergency Response Planning: Integrating Optimization, Machine Learning, and Simulation. arXiv preprint arXiv:2505.03979 (2025).