Техногенна катастрофа - це подія або серія подій, що виникають внаслідок діяльності людини та характеризуються значними негативними наслідками для навколишнього середовища, здоров'я людей, економічної і соціальної інфраструктури. Це поняття охоплює широкий спектр подій, які можуть включати промислові аварії, ядерні катастрофи, викиди шкідливих речовин, великомасштабні пожежі, технічні збої, вибухи та інші ситуації, спричинені технологічними процесами або збоями в них.
На відміну від природних катастроф, техногенні катастрофи часто виникають через помилки людини, несправність техніки або недоліки у технологічних процесах.
Існують різні методи виявлення антропогенних аварій і катастроф, такі як візуальне спостереження, використання датчиків і моніторів, аналіз даних зі сторонніх джерел та інші. Однак більшість цих методів обмежені в точності і швидкості реагування, тому виникає необхідність розробки нових і більш ефективних методів визначення рівня антропогенних катастроф. Оцінка стихійних лих на основі даних соціальних мереж є одним із нових напрямків у прогнозуванні ризиків та дослідженнях управління.
Однак такі методи також мають свої обмеження та ризики, у тому числі пов'язані з недостатньою точністю та достовірністю даних соціальних мереж, можливістю поширення неправдивої інформації та іншими. Тому необхідно ретельно аналізувати та перевіряти отриману інформацію, перш ніж приймати рішення щодо управління ризиками та стихійними лихами.
У таблиці 1 наводиться порівняльна оцінка основних аналогів виявлення надзвичайних ситуацій за допомогою аналізу даних із соціальних мереж.
Таблиця 1. Порівняльна оцінка методів виявлення надзвичайних ситуацій.
Незважаючи на наявність різноманітних інструментів для аналізу антропогенних катастроф та забезпечення автоматизованого реагування [4,5,6], прийняття ефективних рішень для запобігання потенційним гуманітарно-економічним катастрофам залишається проблемою. Більш того, в існуючих роботах недостатня увага приділяється оцінці наслідків цих катастроф і визначенню рівня небезпеки. Враховуючи ці недоліки, метою статті є розробка ефективної методики оцінки рівня антропогенних катастроф на основі інформації від свідків події. Для досягнення цієї мети ми сформували два ключові завдання:
Розробка інтелектуального методу класифікації для оцінки рівня антропогенних катастроф на основі підсилювальних ансамблевих методів машинного навчання.
Список літератури:
1. Bhoi, A., Pujari, S. P., & Balabantaray, R. C. (2020). A deep learning-based social media text analysis framework for disaster resource management. Social Network Analysis and Mining, 10, 1–14. https://doi.org/10.1007/s13278-020-00692-1
2. Madichetty, S., & Sridevi, M. (2021). A Neural-Based Approach for Detecting the Situational Information From Twitter During Disaster. IEEE Transactions on Computational Social Systems, 8, 870–880. https://doi.org/10.1109/tcss.2021.3064299
3. Kanojia, D., Kumar, V., & Ramamritham, K. (2016). Civique: Using Social Media to Detect Urban Emergencies. ArXiv, abs/1610.04377. https://doi.org/10.48550/arXiv.1610.04377
4. Avvenuti, M., Cimino, M. G. C. A., Cresci, S., Marchetti, A., & Tesconi, M. (2016). A framework for detecting unfolding emergencies using humans as sensors. SpringerPlus, 5, 43. https://doi.org/10.1186/s40064-016-1674-y
5. Zhang, X., & Ma, Y. (2023). An ALBERT-based TextCNN-Hatt hybrid model enhanced with topic knowledge for sentiment analysis of sudden-onset disasters. Engineering Applications of Artificial Intelligence, 123, 106136. https://doi.org/10.1016/j.engappai.2023.106136
6. Adel, H., Dahou, A., Mabrouk, A., Elaziz, M. A., Kayed, M., El-Henawy, I. M., Alshathri, S., & Ali, A. A. (2022). Improving Crisis Events Detection Using DistilBERT with Hunger Games Search Algorithm. Mathematics, 10, 447. https://doi.org/10.3390/math10030447
|
Голосування 
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter