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。

本文提出了一种新颖的实例分割方法DIS-Mine，旨在低光照的地下矿山环境中识别灾害影响区域，以提高救援效率。实验结果显示F1得分达到86.0%。

机器学习的计算机视觉模型在自然灾害后的应急管理中有潜力。空中照片用于情境感知和损伤评估，但筛选相关图像有挑战。LADI v2数据集包含2015至2023年约10,000张灾害图像，经过多标签分类注释。预训练基线分类器与先进图像-语言模型进行性能比较，数据和代码已公开支持研究。

远程传感图像智能理解模型正从学习域模型转向预训练通用基础模型的自适应域模型。旧数据集不再适用新任务，因此设计了RS-GPT4V数据集。该数据集具备泛化性和复杂场景理解能力，通过GPT-4V生成的问题答案对，增强推理能力。实验表明，微调后的模型能更好地描述细节。

社交媒体平台上的实时信息对于通知志愿者、应急管理人员和救援组织非常重要。为了解决监测灾害事件的挑战，研究人员提出了一种半监督少样本学习条件下的细粒度灾害推文分类模型。该模型利用少量标注数据和大量无标注数据，能够有效地将推文分类为感兴趣的细粒度类别。通过集成半监督学习方法和引入TextMixUp，该模型在两个灾害数据集上的性能提升了11.2%。研究人员还对标注数据数量和领域外结果的影响进行了分析。

本研究提出了CVDisaster框架，解决了自然灾害响应中的信息收集问题。该框架结合了街景图像和卫星图像，能够进行地理定位和灾害损害估计。实验证明CVDisaster在地理定位和损害感知估计上表现出色，推动了GeoAI研究的发展。

该研究使用历史航空照片分析纳米比亚的长期环境变化，通过训练深度语义分割模型识别了纳米比亚Oshikango周围的关键对象。结果显示水坑和大树的平均大小增加，而Omutis的平均大小减小。研究强调了历史航空照片在了解长期环境变化方面的潜力。

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。

该论文回顾了大型模型在天气预报中的应用，强调了它们在改善传统预报方法方面的作用。这些模型利用先进的神经网络架构处理气象数据，提高了预测准确性。论文还讨论了该领域的挑战，并探索了未来机会。它强调了人工智能与传统气象技术的整合，承诺提高天气预报准确性。

未来作战要求C2人员在复杂情况下快速决策。交互式机器学习可提高C2作战效率，重点研究智能算法、弹性AI与人类团队培养、算法和AI团队规模扩大。

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。