Deciphering technological advancements for efficient disaster management and community resilience
Notice bibliographique
Résumé
Disaster management is typically conducted to prevent and respond to disasters. Technological innovations certainly contribute to both, but it remains unclear how. With the rapid technological advancements over the past decade, a comprehensive understanding of the latest technological advancements and their integrated applications in detecting and mitigating the destructive impacts of disasters has emerged as a critical concern for more effective disaster management. This systematic literature review focuses on three primary phases: pre-disaster, during the disaster, and post-disaster. It examines advanced monitoring technologies and sophisticated data analyses to facilitate immediate interventions. The comprehensive disaster management framework proposed in this study evaluates various regions based on their historical disaster occurrences and assigns a specific risk index to each region, thereby enabling the assessment of the preparedness of disaster response systems according to each region's potential. Furthermore, Big Data obtained through surveillance systems and the Internet of Things (IoT) communication sensors are processed using artificial intelligence (AI) and machine learning (ML) algorithms, enhancing computational awareness and sensitivity to changes in detection and notification patterns. By accurately delineating the input and output pathways, this framework aims to optimize supply chain management during emergencies, thereby contributing to achieving the United Nations (UN) Sustainable Development Goals (SDGs) by 2030. Through a systematic review of 135 journal articles, this study highlights the latest technological advancements for expedited disaster detection and response and proposes a structured framework to optimize disaster management and enhance societal resilience. • Risk-based zoning using historical data informs crisis planning and service delivery. • Cloud and 5G/6G tech enable data access and real-time crisis communication. • IoT sensors support early detection and proactive disaster intervention. • AI and ML enhance disaster prediction, prevention, and informed decision-making. • Stable supply chains for energy and food strengthen resilience during disasters.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,007 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,009 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».