台风命名由世界气象组织管理，14个成员国提供140个名字，按顺序循环使用。命名原则包括易发音和无不良含义。造成重大灾害的台风名称将被永久除名。最初使用人名，后转为男女交替，各国名字体现文化特色，如中国的“悟空”和日本的星座名。

本研究解决了多模态建筑损伤评估数据集缺乏的问题，提出了BRIGHT数据集，结合光学和SAR影像，实现全天候、昼夜灾害响应。研究表明，BRIGHT是第一个专为支持AI灾害响应而创建的开放访问的全球分布事件多样化数据集，能够提供详细建筑信息，有助于提高灾后响应的效率。

本文探讨了无人机与深度学习技术在灾害监测和应急响应中的应用，提出了多个数据集和模型，如AIDER、FloodNet和LADI v2，以提高灾害图像的分类和损伤评估效率。通过优化算法和轻量级网络，提升了处理速度和准确性，为灾后管理提供了有效工具。

RescueNet模型通过局部相关的二进制交叉熵损失函数，实现了建筑物分割和破坏评估，表现优于现有方法。结合遥感技术和深度学习，自动化评估建筑损坏，并利用无人机提升救援物资运送的安全性。此外，研究探讨了可解释人工智能在遥感中的应用，并提出了新数据集RS-GPT4V，以增强模型的泛化性和推理能力。

本文介绍了一种基于神经网络的社交媒体危机信息分类方法，强调无需特征工程，并在缺乏标记数据时表现优越。研究提出了I-AID和CrisisMatch等多种算法，利用无监督学习和半监督学习有效分类灾害相关推文，提高信息识别的准确性和效率。

本文介绍了一种基于卷积神经网络的新方法，用于社交媒体图像中灾害损失的定位与量化。研究开发了基准数据集，利用卫星图像进行变化检测，并提出了新的灾害影响指数（DII）。通过xBD数据集，优化了建筑损伤评估的效率。新型多模态方法MMST在飓风后建筑损害分类中表现出92.67%的准确率，显示出其在灾后评估中的应用潜力。

该研究利用机器学习和遥感技术评估47个国家的灾害风险，重点分析纳米比亚的环境变化。通过历史航空照片，识别关键对象并评估水坑和大树的变化，反映经济和环境影响。同时，探讨了土壤侵蚀模型及其应用，强调遥感技术在环境管理中的重要性。

此研究首次定量研究了小型无人机地理空间图像与先验建筑多边形之间的对齐错误，发现对齐错误是非均匀和不规则的。研究还介绍了一组可供公众使用的图像、建筑多边形和人工生成的、筹划调整的数据集，可用于评估将建筑多边形与小型无人机图像对齐的现有策略。

本文比较了机器学习模型与数值天气预报模型在高影响天气事件模拟中的表现，指出机器学习模型在捕捉气旋宏观结构方面表现良好，但在细节结构上较为复杂。研究探讨了人工智能天气预报模型的演变，提出了“三大规则”，强调人工智能与传统模型的融合将提升天气预报的准确性和可靠性。

本研究探讨了自动化网络攻击防御、人工智能与人类协作以及复杂环境中的决策优化。通过模型和多智能体系统，提高了在危险环境中的反应效率，并提出了改进人机界面的方法，以实现更高效的任务协作与决策支持。

人工智能在灾难响应中发挥重要作用，通过预测分析、资源优化和实时数据分析提供支持。然而，数据隐私和所有权、数据共享和互操作性以及人们对人工智能的信任和接受是挑战。未来，机器学习、深度学习、可解释的人工智能和模拟工具的应用将改善灾难响应的效率和准备工作。国际合作和标准化的指南也将促进人工智能的采用和整合。