СИСТЕМНАЯ АРХИТЕКТУРА ДЛЯ СИСТЕМЫ УПРАВЛЕНИЯ СТИХИЙНЫМИ БЕДСТВИЯМИ

В эпоху ускоряющегося изменения климата и роста городского населения частота и интенсивность стихийных бедствий значительно возросли, представляя серьезную угрозу инфраструктуре, экономической стабильности и жизни людей. Такие стихийные бедствия, как землетрясения, наводнения и ураганы, часто приводят к обширным разрушениям зданий, требуя быстрой и точной оценки для экстренного реагирования и распределения ресурсов. В ответ на эти вызовы в данной работе представлена модель оценки ущерба зданиям на основе глубокого обучения, использующая гибридную архитектуру, сочетающую искусственный интеллект и интернет вещей. Данное исследование объединяет интернет вещей и искусственный интеллект для повышения автоматизации, прозрачности и устойчивости интеллектуальных систем. Система предназначена для сбора и анализа аэрофотоснимков до и после стихийных бедствий для классификации зданий по категориям ущерба – от неповрежденных до разрушенных. Кроме того, мы интегрируем модель в более широкую систему управления стихийными бедствиями, которая визуализирует оценки ущерба в геопространственном интерфейсе, позволяя лицам, принимающим решения, определять приоритетность пострадавших районов и оптимизировать меры реагирования на стихийные бедствия. Эта система призвана помочь государственным учреждениям, неправительственным организациям и службам быстрого реагирования принимать обоснованные и своевременные решения в ситуациях после стихийных бедствий.

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).