32-决策支持在搜救中的应用——系统文献综述

评审决策支持在搜救中的应用：一个系统的文献综述瓦希哈纳萨尔1，*，里卡多达席尔瓦托雷斯e1,2e古怪的埃里克 ·甘德森3和湮灭T。卡尔森1<img src="/media/202408//1724838603.202178.png" />123信息技术与电气工程学院信息通信技术与自然科学系，NTNU-挪威科技大学，挪威大学8900号瓦赫宁根数据能力中心和农场技术集团，瓦赫宁根大学和研究中心，6708 PB，瓦赫宁根，荷兰 NTNU-挪威科技大学信息技术和电气工程系计算机科学系，挪威特隆赫姆，7034号通信： wajeeha。nasar@ntnu.不*<img src="/media/202408//1724838603.215841.png" />引文：纳萨尔，W.；达席尔瓦托雷斯， R。 ； 冈德森，O。E. ; 卡尔森。T.在决 策支持的使用<img src="/media/202408//1724838603.257513.png" />搜索与救援：一个系统的文献综述 。ISPRS国际。J.Geo-Inf.2023,12, 182.https://doi.org/10.3390/ijgi12050182学术编辑：沃尔夫冈 ·坎茨收稿日期：2023年1月21日修订日期：2023年4月17日接受日期：2023年4月19日出版：2023年4月25日<img src="/media/202408//1724838603.2783182.jpeg" />摘要：每当自然灾害和人为灾害发生时，有关当局的适当反应往往依赖于搜救服务。搜索和救援服务是复 杂的多学科过程，涉及多个程度的相互依赖的任务。为了处理这种复杂性，决策支持系统被用于搜索和救 援行动中的计划的决策和执行。数据管理解决方案和人工智能技术的进步为做出更有效和更有效的决策提 供了更好的机会，从而导致改进的搜索和救援行动。本文提供了来自a文献计量学制图和系统文献综述： (1)确定使用决策支持系统、数据管理解决方案和人工智能技术的现有 搜索和救援过程； (2)对现有解决方案的研究贡献进行全面分析； (3)调查知识的潜力在应用程序区域之间的传输。本综述的主要发现是关于非常规的 数据管理解决方案通常用于陆地救援行动，地理信息系统已经与各种土地救援的机器学习方法相结合。然 而，现有的海上搜救决策支持研究存在差距，这可以激励这一特定应用领域的未来研究。关键词：人工智能、数据管理、决策支持、灾害管理、地理信息系统、搜索救援行动、空间分析；系统审 查1.介绍自然灾害和人为灾害，包括飓风、洪水、森林火灾、雪崩、干旱、流行病或大流行病，以 及恐怖主义袭击，对人类、社会、经济和环境产生了巨大的影响。根据国际红十字会和红新月 会联合会（IFRC）的《2020年世界灾难报告》， 由气候变化造成的灾害在过去十年中激增了35% 。<s>共有40万人死于这些灾难</s>，<s>其中17亿人受到了[1]的影响</s>。<s>根据联合国大学环境与人类安全研</s> 究所（UNU-EHS）互联灾害报告2020/2021，世界见证了几个破纪录的灾难在2020年，包括COVID -19大流行，德州寒潮，亚马逊野火，越南暴雨，和非洲气旋在印度-孟加拉国边境[2]。这些全 球灾难影响或造成数百人，造成数十亿美元的损失。这种情况促进了人们对旨在支持搜索和救 援（SAR）过程的系统的开发越来越感兴趣。版权所有： 由作者提供的©2023。被许可 方MDPI， 巴塞尔，瑞士。本文是一个在条 款和条件下发布的开放获取的文章知识共享的条件归属（CC BY）许可证。 org/licenses/by/4.0/).<img src="/media/202408//1724838603.401134.png" />ISPRS国际。J.Geo-Inf.2023, 12, 182.https://doi.org/10.3390/ijgi12050182 https://www.mdpi.com/journal/ijgi每当灾难发生时，负责处理紧急情况的特区服务机构就必须作出反应。搜救服务是指当局 计划在没有专门机构处理或根据[3]具体措施处理的严重灾害下挽救人员伤亡的程序。特区程序 建立了来自不同组织的代表之间的协调，如警察、消防部门、医疗当局、港口当局、武装部队 、通信公司、空中交通服务、民防和志愿组织[4]。跨组织的协作使得SAR过程非常复杂，并且 通常包括一组相互依赖的详细任务[5]。通常，SAR过程分为以下四个阶段，如图1所示：缓解、准备、反应和恢复。减灾是一个持 续的过程， 旨在减少或消除风险。通过空间规划、技术措施、公众意识和教育进行风险识别、分析、评估和缓解风险，都是缓解[6]的一部分。准备工作是决定如何应对灾难的过程。应急规 划和培训，以及监测、预测和早期预警系统的安装和操作，都包括在这个阶段。在发生灾害时 , 应急反应包括特别救援行动和满足受影响人口的基本人道主义要求的措施。最后，修复灾区 生活条件的过程被称为应急恢复。这需要及时进行损害评估、康复和重建。<img src="/media/202408//1724838603.4306371.jpeg" /><table><tr><td></td></tr></table>图1。灾害管理系统，灵感来自于[7]。为了处理这种复杂程度，有必要利用高效和有效的决策支持。dss、数据管理解决方案和 人工智能已被广泛用于帮助减少灾害的影响。近年来，这些技术受到了相当大的关注，并正被 许多不同的部门所采用，包括商业、医疗保健、银行、电信、政府和SAR，以获得具有竞争优势 的[8]。在SAR的背景下，这些技术可以通过向灾害管理专家提供有价值的见解和支持来优化时间 和成本。这可以帮助他们作出更明智的决定，并更迅速和更有效地应对紧急情况。数据管理解 决方案，如信息系统（ISs）和地理信息系统（GISs），可用于收集、存储和分析来自各种来源 的大量数据，如传感器网络、社交媒体和卫星图像。这些信息可用于更好地了解情况，并确定 有助于为决策提供信息的模式和趋势。另一方面，人工智能可以用来分析数据，并预测潜在的 危险或风险。例如，机器学习算法可以用来分析卫星图像，以识别潜力洪水或野火危害。类似地， 自然语言处理（NLP）也可以用来分析社交媒体数据，以确定人们 需要帮助的领域。开发合适的双边技术需要利用和集成几种最先进的技术，如信息和通信技术（ICT）和电 信，以支持搜救行动。参与SAR过程的政府当局、研究人员和从业人员一直在努力，通过考虑来 自计算机科学、信息技术、控制论、环境科学和决策科学等研究领域的新想法，来加强这些概 念。其目标是改进SAR过程的数据收集、管理、处理和可视化阶段，以便及时和精确的决策。基于这些概念在SAR领域的重要性，在这篇综述中，我们旨在将关于DSSs、数据管理解决 方案和SAI在SAR过程中使用的现有知识系统化。我们制定了我们的总体研究问题如下：SAR过程如何使用dss、数据管理解决方案和人工智 能？为了解决这个问题，我们进行了文献计量学绘图和系统的文献综述。更具体地说，我们调 查了文献以确定研究模式，如第4.3节中详细描述。我们研究的目的是确定用于SAR操作的现有 解决方案，并为从业人员提供对SAR应用领域内的知识转移可能性的见解。我们使用Web of科学（WoS）进行文献计量学制图和系统的文献综述。文献计量学映射探 索了从数据源中检索到的数据样本， 目的是通过显示该领域的新兴领域[9]的证据来表征该研究 领域的进化动态。反过来，一个系统的文献综述分析数据，同时总结关于一个首要的研究问题 的现有证据。本研究的结果可以有利于SAR领域的实践人员和研究人员，为他们提供在SAR操作 中使用DSSs、数据管理解决方案和人工智能的技术现状的全面概述。此外，它还可以帮助确定 知识转移的可能性，并指导该领域的未来研究。本文的其余部分组织如下。第2节讨论了多年来由不同的作者在这个领域提出的相关作品 。第3节定义并描述了本研究中使用的概念，特别是SAR过程、dss、数据管理解决方案和人工智 能技术。研究方法见第4节。此外，还详细解释了协议开发、纳入和排除标准、数据集准备、研 究问题和文献计量学映射。在第5节中，我们综合了文献计量学分析和系统的综述。第6节使用 前一节中提供的综合来解决研究问题，并讨论了未来潜在的工作。最后，在第7节中提出了本研 究的结论和局限性。2.相关工作据我们所知， [7,10-17]的论文之前已经使用各种方法回顾了与SAR过程相关的文献。Zaki等人。 [7]通过分析基于情绪分析和面向系统的体系结构的结合，对现有的洪水灾害 管理系统进行了研究。此外，他们还对与洪水灾害灾害管理框架相关的研究进行了比较分析。 Kaur等人。 [10]对信息和通信技术在灾害管理中的使用进行了科学计量学分析。在他们的研究 中，作者调查了2009年至2019年的研究活动。在科学计量学分析中，作者利用Scopus数据库来 研究了出版物的年增量、对几个领域的贡献以及不同国家和作者的合作。Kaur等人认为。 [10] , 分析显示，洪水和地震等自然灾害一直处于最前沿，研究文章数量最多，美国、 日本、中国 和印度与其他国家的合作最为显著。努勒瓦斯和古德温 · [11]提供了一份系统的文献综述了2009-2019年人工智能、机器学习（ML）和深度学习（DL）在灾害管理中的应用。他们的 工作依靠Scopus数据库来确定相关的文章。在他们的综述中，作者将灾害分为自然灾害或人为 灾害，以便分析在上述类别中用于预测和分类的技术类型。根据作者[11]的说法，用于自然灾 害最常用的算法是支持向量机（SVM）、朴素贝叶斯（NB）、卷积神经网络（CNNs）、 自然语言 处理（NLP）、人工神经网络（ANNs）、强化学习（RL）、随机森林（RF）、决策树（DT）、逻 辑回归（LR）、潜在狄利克雷分配（LDA）和k-最近邻（KNN）。此外，他们还指出，最常用于 人为灾害的技术是RF、DT、CNN、NLP、KNN、遗传算法（GA）和多层前馈网络（MLFFN）。雷等 人。 [12]展示了物联网（物联网） 中用于灾难管理的最先进的技术。他们的调查的重点是用于 为与灾害有关的数据分析提供早期预警或认识、通知和支持的方法。作者讨论了由物联网支持 的无线传感器网络协议，以及这些协议在不同操作系统上的部署。此外，他们还为灾难管理系 统提供了支持物联网的市场准备产品的研究。这些产品使用各种传感器和通信协议，提供有关 未来自然灾害的早期预警，如地震、海啸和山体滑坡。在另一篇文章中，Shah等人。 [13]对大数据分析（BDA）和物联网在灾难管理中的重要性 进行了专题分类。所设计的分类法对基于BDA和基于物联网的灾害管理的相关概念和基本参数进 行了分类。作者提出了一个基于BDA和物联网的灾难管理的概念性参考模型，作为未来现实应用 的路线图。米纳斯等人的另一篇文章。 [14]提出了一项调查， 目的是改进应急响应建模的理论 基础，并加强该领域的研究。作者采用无监督学习和引文网络分析方法进行了文献计量学分析 。通过文献计量学方法，他们将与应急响应操作管理相关的文献分类为不同的聚类，并指出了 用于应急响应的建模类型，包括分析模型、决策分析、随机模型和排队模型。他们的发现揭示 了应急反应模型的多样性之间的关系。普拉桑纳 · [15]讨论了对火灾紧急情况的紧急反应。在 他们的研究中，他们根据最终用户、系统架构师和设计人员之间的讨论，对之前的两项关于信 息和人机交互的初步研究的结果进行了调查。他们评估了在之前使用基于场景的行动研究中开 发的信息系统（ISs）架构的性能。基于他们的调查，作者提出了一个ISs架构，它具有在以前 的研究中缺少的特定关键元素；他们研究的总体目标是通过使用ISs架构，为消防员提供更好的 态势感知。Shahrah和Al-Mashari [16]之前进行了一项关于应急反应系统和相关挑战的研究。他们将所研究领域的研究方向分为设计原则和框架、标准化、基于代理的模拟、web技术、业务 流程管理、物联网、基于案例的推理和专家系统。对于每个研究方向，他们描述了2017年之前 的现有研究以及每个领域的缺点。阿洛泰比等人。 [17]利用基于代理的模拟对应急响应中的协 调工作进行了综述研究。作者将该研究领域分为三个不同的部分，以分析基于主体的模拟的作 用。他们的结论是，在基于主体的模拟方面，在协调多个组织在应急响应方面所进行的工作是 有限的。除了这些回顾的文章，Cumbane等人。 [18]解决了大数据源的潜力和数据分析技术的进步 , 以提取对快速和有效的灾害反应至关重要的地理空间信息。他们比较了处理框架，并建立了 大数据和关键的处理框架之间的联系在灾害管理响应阶段的任务。波米等人。 [19]研究了通过使用空间数据库和图像信息结合核电 站信息来提高韩国灾害管理效率的方法。杰辛等人。 [20]分析了无人机作为岛屿领土沿海监测 数据采集工具的使用情况，突出了可用的平台、传感器、软件和验证方法。他们专注于将弹性 概念作为一种风险管理技术， 目的是将分析数据与空间决策支持系统联系起来，并以法属波利 尼西亚群岛作为案例研究。此外，吉尔等人。 [21]提出了船舶事故预防的文献计量学分析和系统文献综述。作者从WoS数据库中选择了研究， 以增加对学术领域的结构和内容的理解。他们回顾了基于NASA提供的 系统的标准化技术准备水平（TRL）的顶级文章，展示了以前的研究人员如何在防止海上事故的 背景下对DSSs进行分类，例如，在避免碰撞、船舶机动和冰上导航方面。虽然这些综述为研究领域的研究人员提供了相关的结果，但我们观察到以下局限性。首先 , 现有的审查都没有专门关注“DSSs、搜救过程中的数据管理和人工智能的使用 ”。 [14 – 17] 的研究集中在“应急响应系统 ”，而其他研究如[7,10-13]集中在“灾害管理 ”。灾害管理系统 和应急响应系统的主要区别在于，前者针对大规模灾害，而应急响应系统主要针对小规模突发 事件。在我们的审查中，我们考虑了这两个术语，即灾害管理和应急反应系统，从而拓宽了我 们的视野。此外，我们还使用了同时描述自然灾害和人为灾害的术语。现有的审查特点是“使 用先进技术 ”，考虑到较少的维度。在我们的审查中，我们考虑了八个维度，其中包括人工智 能、数据管理解决方案、DSSs、灾害管理、应急响应、SAR操作和灾害类型。另一个不同之处在 于，之前的每一项研究都比较了使用不同的综述方法的文章，只有努纳瓦特和古德温 · [11]使 用更少的维度和更少的表格和图表进行了系统的文献综述。我们的综述提供了一个被调查领域 的文献计量学分析和一个系统的文献综述。我们相信，在我们对现有研究的比较中采用这些方 法，可以使我们能够确定该领域的研究模式和趋势，以及任何现有的差距。此外，我们认为在 涉及SAR过程的不同应用领域之间存在知识转移的机会。3.定义和背景我们的研究主要集中在SAR操作、SAR的DSSs、SAR的数据管理解决方案和SAR的人工智能技 术的概念上。这些概念的定义如下。3.1.搜救行动（SAR）根据Cooper [22]的《搜救基础》一书，“SAR ”一词多年来已经有了几个定义。这个术语 是首先被定义的 在1946年题为“搜演变：社论 ”的海上救援子弹中，它被定义为“从紧急情况 中找到幸存者并返回安全的行为 ” 事件[22]描述的另一个定义是《国际航空和海上搜救（IAMSA R）手册》（1999年），该手册分别定义了“搜索 ”和“救援 ”，搜索行动需要使用可用的人员 和设施 找到遇到困难的人和救援行动，包括找回遇险人员，满足他们的即时医疗或其他要求 , 并运送他们 到一个安全的地方。救援行动包括陆地（地面、山地和城市）、空中和海上的 救援行动。如第1节所述，SAR通常分为四个阶段：缓解、准备、响应和恢复[6]。每个阶段对于处理 灾难都有不同的责任，通常表示为一个灾难管理周期，如图1所示。例如，缓解阶段的重点是通 过确定即将到来的危机来减少灾难的风险，而准备工作涉及规划和培训特区专家。这两个阶段 主要与灾前活动有关，而反应和恢复阶段则被认为是灾后阶段。响应阶段包括在灾难发生时进 行搜救行动所采取的措施和行动。恢复阶段包括关于评估灾害造成的损害和结束在反应阶段进 行的搜救行动的活动。3.2.决策支持系统（DSS）DSS的概念描述了计算机在决策过程中的作用。 由于这个概念随着时间的普遍增长，对DSSs没有确切的定义。据Shim等人说。 [23]，DSSs是基于计算机的解决方案，可以用于决策和 解决问题。卡明斯和Bruni [24]提出了DSSs的一般概念，即通过提高人力和系统性能，即通过 减少工作负载[24]来支持决策过程。在我们的研究中，我们根据Keen [25]的定义来参考DSSs。 根据Keen的说法，dss的特点是一种“实现方法 ”，使计算机对管理者有帮助，以及响应性服务 和人性化的软件界面。最著名的dss类型是数据驱动、知识驱动、通信驱动、模型驱动和文档驱 动的[26]，如表1所示。表1。决策支持系统（DSSs）类型的描述。<table><tr><td>类型</td><td>描述</td></tr><tr><td>数据驱动的[26]</td><td>数据驱动的dss主要针对管理员、员工和产品/服务提供商。它们可以用于 查询数据库或数据仓库， 以寻找特定目的的特定答案。使用数据驱动的dss 做出的决策可能会受到与数据无关的因素的影响；因此，需要充分考虑数 据是如何被结构化和显示为系统体系结构的一部分的。</td></tr><tr><td>通信-驱动[26]</td><td>通信驱动的dss强调在与协作和通信相关的决策方面的网络和通信技术。通 信技术是这些系统的主要架构组成部分。</td></tr><tr><td>文档驱动的[26]</td><td>文档驱动的dss利用计算机存储和处理技术提供了文档检索和分析等设施。 它们可以包括扫描的文档、图像、音频和视频。</td></tr><tr><td>知识驱动的[26]</td><td>知识驱动的dss是一种通过建议行动来帮助解决问题的人机系统。这些建 议是基于对一个特定领域的知识，对该领域内的困难的理解，以及解决这 些问题的能力。</td></tr><tr><td>模型驱动的[27]</td><td>模型驱动的dss是一种有助于进行决策过程的复杂系统。它们被用来创建 当前事件的模型， 以预测未来事件的后果。这些模型可以包括许多决策者 可能没有意识到的状态或外部环境，并且它们能够在不伤害任何现实世界 的实体的情况下模拟场景。</td></tr></table>d系统在搜救过程中的作用是提供一个交互式计算机系统，帮助搜救人员做出决策，扩大 紧急情况下的态势感知，并帮助救援陷入困境的人员。随着先进技术和高效解决方案的出现， SAR流程正在配备多个支持性数据源，以及快速和经济有效的数据处理工具用于协助潜在的最终用户，如第一反应人员、受害者、志愿者、救援人员小组专家和救援救援 过程的所有阶段的研究人员。3.3.数据管理解决方案越来越多的数据已经成为许多组织和企业的主要资产，并可用于做出明智的决策，以改善 运营和降低成本。数据管理通常是指对组织[28]生成和收集的数据进行排序、插入、组织和管 理的过程。高效的数据管理是建立运行业务应用程序并提供分析数据的IT系统，以帮助管理人员、经 理和其他最终用户进行操作和战略决策的关键组成部分。一个整体的数据管理系统涵盖了许多 步骤，从数据处理和存储到操作和分析系统中的数据集成和使用。在我们的研究中，我们从[29,30]的角度看待“数据管理解决方案 ”的术语。各种可用的 数据管理工具和技术都可以作为此类解决方案的一部分来实现。其中，我们包括包含以下类别 和子类别之一的文章：数据挖掘和分析（子类别：数据仓库、数据湖、信息检索）；图形、网 络、半结构化数据（子类别： NoSQL）；分布式数据库系统；数据采集；数据分析和表示（子 类别：可视化、以用户为中心的设计和交互设计）；大数据系统（子类别：云计算和雾计算） ; 新颖的数据库架构（子类别：物联网（IoTs））；以及编程、数据结构和算法（子类别：算法、编程和数值方法） 。表2概述了我们在研究中发现的子类别的定义。 表2。数据管理解决方案的子类别的定义。<table><tr><td>子类别</td><td>定义</td></tr><tr><td>数据仓库[31]</td><td>用于决策的大量历史数据库，其中新数据定期更新，并已发展到需要特定的查询处理支持。 这些都与以数据为中心的主题的数据挖掘和分析领域有关。</td></tr><tr><td>数据湖[32]</td><td>一种存储存储库， 以其原始格式存储大量原始数据，直到分析应用程序需要它为止。它与数 据仓库合并在同一个类别中；但是，它与标准数据仓库的不同之处在于，它在平面体系结构 中存储数据，主要存储在文件或对象存储中，而不是在分层维度和表中。这为用户提供了对 数据管理、存储和使用的更多控制。</td></tr><tr><td>信息检索[33]</td><td>信息检索涉及到信息的表示、存储、组织和检索。信息元素的表示和组织方式应使用户能够 在有组织的数据库中找到相关信息。信息检索属于数据挖掘和分析的范畴。传统上，信息检 索系统是指文本数据检索，而现代的信息检索则涉及文本、音频、视频和图像数据。</td></tr><tr><td>NoSQL [34]</td><td>通用分布式数据库，优先考虑半结构化数据存储、高性能、可用性、数据复制和可扩展性， 而不是快速数据一致性、强查询语言和结构化数据存储。</td></tr><tr><td>分布式数据库[35]</td><td>一种数据库，其中网络计算机上的组件仅通过传输消息来进行通信和协调它们的操作。这些 数据库具有相互独立的属性，如组件并发性、缺少全局时钟和组件故障。</td></tr><tr><td>数据采集[36]</td><td>从世界各地以各种参数的形式提取数据， 以便在计算机上进行分析、显示和存储的一种过程。</td></tr></table>表2。续。<table><tr><td>子类别</td><td>定义</td></tr><tr><td>信息系统（ISs） [37]</td><td>一个由相互关联的组件组成的网络，它们共同努力， 以收集、分析、存储和传播数据， 以协 助决策、协调、控制、分析和可视化。</td></tr><tr><td>地理信息系统</td><td>一种基于计算机的系统，用于捕获、存储、检查、操作、分析，</td></tr><tr><td>(GISs) [38]</td><td>并显示地理参考数据。</td></tr><tr><td>系统系统[39]</td><td>通过将单独的系统集成到一个提供独特特性的更大的系统中而产生的系统的集合。</td></tr><tr><td>知识库[40]</td><td>一个系统地捕获、组织和分类基于知识的数据的在线数据库。</td></tr><tr><td>云计算[41]</td><td>一套支持网络的服务，提供按需和可扩展的qos保证的低成本计算基础设施；这些通常是个性 化的，可以以简单和无处不在的方式访问。云计算和雾计算都属于大数据系统的范畴。</td></tr><tr><td>雾计算[42]</td><td>一种分散的计算基础设施或过程，其中计算资源分布在数据源和云或其他数据中心之间。雾 计算是一种在网络边缘满足用户请求的计算范例。</td></tr><tr><td>物联网（物联网） [43]</td><td>一个开放和全面的智能对象网络，能够自动组织、共享信息、数据和资源，并对环境中的不 同情况和变化作出行动或反应。</td></tr></table>3.4.人工智能技术尽管近年来， 由于计算机硬件、计算机网络速度、大量数据的可用性和处理算法的发展，[8]对人工智能得到了广泛的关注，但对于它的含义和内容仍然存在相当多的模糊。因此，有必 要澄清人工智能的核心概念与如何考虑这些概念之间的区别。从表3中的定义可以清楚地看出，人工智能指的是具有类人能力的计算机，即能够执行通 常需要人类智能的活动的计算机。这包括了诸如理解、思考和解决问题等任务。可以说，人工 智能并不一定能取代人类作为复杂和时间敏感的活动[44]的补充。 表3。人工智能（AI）的定义。<table><tr><td>参考资料</td><td>定义</td></tr><tr><td>Enholm等人，（2021） [8]</td><td>人工智能是一门应用学科， 旨在使系统能够识别、解释、进 行推断，并从数据中学习， 以实现预先确定的组织和社会目 标。</td></tr><tr><td>努纳瓦斯和古德温，（2019）[11]</td><td>人工智能是对软件和机器的研究和开发，它们可以模仿类人 智能来捕获大数据中的高级抽象，为各种任务和过程提供显 著的改进，并在大量数据中发现模式。</td></tr><tr><td>米卡勒夫和古普塔，（2021年）[44]</td><td>人工智能是一种系统识别、解释、推断和从数据中学习的 能力，以实现预先确定的组织和社会目标。</td></tr><tr><td>Kolbjørnsrud等人，（2017）[45]</td><td>人工智能指的是感知、理解、行动和学习的IT系统。</td></tr></table>人工智能的定义可以根据两个不同的角度进行分组。一种观点将人工智能定义为一种能够 解决分配任务的工具，而另一种观点则将人工智能视为一个模仿人类智能来解释、做决策和学 习[44]的系统。在我们的研究中，我们采取的立场是，人工智能是一个可以模拟类人智能的系 统，来识别、解释、做出决策，并从数据中学习， 以实现预定的SAR球门人工智能的不同定义为这一概念提供了更广泛的图景。然而，我们关注的是下一个层次的 定义，其中包括用于捕捉人工智能本质的技术。我们对现有文献的回顾表明，这可以通过多种 方法来实现，其中大多数方法都集中在使用ML的场景上。机器学习和深度学习ML已经获得了世界各地的研究人员的相当多的关注，特别是随着数据可用性和先进的计算 能力的提高。ML被定义为人工智能的一个子集，包含复杂的统计方法，允许计算机在执行任务 [11]时随着时间的推移而进步。ML的目标是从数据中学习，做出假设和预测，并识别可以指导 这个过程的关联。它可以进一步细分为所研究文献中使用的以下类别：监督学习、无监督学习 和RL。监督学习方法被定义为一类系统，它使用标记的数据集来分类数据和预测结果的训练算 法[8]。在我们的研究中，研究人员主要在涉及无人机[38,46]的应用中使用监督学习。在无监 督学习中，算法使用未标记的数据集进行训练。该系统不是依赖于标签，而是识别以前未被注 意到的模式和信息[8]。反过来，RL方法没有在过去的数据集上进行训练；相反，他们在交互 式环境中通过自己行为和经验的反馈来学习。ML方法可以通过两种方式来实现，即使用浅结构或深结构。浅结构体系结构从预定义特征 描述的数据中学习，而深度结构体系结构具有从数据派生的多层结构。深度结构的架构，称为 DL，是ML的一个子集，它对神经网络的使用区别于更传统的ML方法。人工神经网络的目的是通 过模仿人类的神经元来模拟人类大脑的功能。DL技术非常复杂，不同类型的an网络用于解决特定的任务或数据集。例如，在我们的研究 中，我们发现一些研究人员使用cnn来解决与sar相关的问题。cnn被广泛应用于计算机视觉和图 像分类应用中，它们可以识别图像中的特征和模式，允许执行目标检测和识别等任务。除了cnn , 在回顾文献中使用了分布式DL；这指的是旨在提高性能，提高精度，并将SAR决策扩展到更大 的输入数据集[47]。表4提供了在回顾的文献中使用的其他技术的定义，例如 作为严肃的游戏，Petri网，多目标优化，和NLP。表4。其他技术的定义。<table><tr><td>参考资料</td><td>定义</td></tr><tr><td>严肃的游戏[48]Petri网[49]自然语言处理（NLP）[50]多目标优化[51]</td><td>严肃游戏的矛盾修饰法将思想的严肃性和需要它的问题与 积极游戏的实验和情感自由结合在一起。严肃游戏将科学 观点的分析和质疑的集中与想象力和艺术行为的直觉自由 和奖励相结合。Petri网是一种数学语言工具，用于分析发生在多组件系统 （分布式系统） 中的并发进程。NLP采用了一系列计算技术，使计算机能够访问人类语言， 特别是为了使计算机能够解释和生成人类语言。一个多目标优化问题是一个处理多个目标函数的问题。</td></tr></table>4.研究方法本节描述了本综述中用于识别和分析相关论文的研究方法。所使用的过程和典型方法如图 2所示。首先，采用系统和可重复的方法来收集和过滤数据样本。随后，对所选的数据样本应用 文献计量学映射。文献计量学方法提供了在全球层面上的SAR操作的概述。根据Donthu等人的研 究。 [9]，文献计量学分析是一种探索和分析大量科学数据的突出和全面的方法，能够发现特定 领域的进化复杂性。文献计量学分析的数据在本质上通常是大量和客观的，例如，被引用和出 版物的数量或关键词和主题的出现情况为[52]。最后，对所选的样本数据进行了文献回顾。在 选择过程中汇总的文章根据提出的研究问题进行分类，以解决调查领域。当分配一篇特定的论 文时，每个所提出的解决方案的目的(i。e., 我们考虑了它旨在支持的决策类型)。我们确定了 来自WoS的相关文章，如图3所示。这些文章描述了关于使用dss、数据管理解决方案和AI技术进 行SAR过程的研究。我们专注于2017年至2021年发表的研究。在对文章的资格和质量进行评估后 , 不相关的检索文章被排除在外。对其余的文章进行了分析和合成，并进行了讨论， 目的是理 解现有系统如何使用先进技术和管理数据。所包括的文章直接涉及所调查区域内的搜救过程。我们将人工智能技术分为ML和RL，DL作为ML的一个子类。如第3.3节所述，数据管理解决方案的 类别被感知的范围很广泛。<img src="/media/202408//1724838603.527072.jpeg" /><table><tr><td></td></tr></table>图2。在研究中进行的过程和方法。<img src="/media/202408//1724838603.57876.jpeg" /><table><tr><td></td></tr></table>图3。流程图概述了我们基于PRISMA [53]的系统文献综述中采用的四阶段程序。系统文献综述是基于[54]提出的软件工程系统文献综述指南(p。45)..1.4协议开发审查方案确定了用于对被调查领域进行系统审查的方法；一个预定义的方案可以帮助减少 研究偏倚[54]。在这项研究中，我们根据执行系统文献综述[54]的指南，开始了我们的系统综 述。主要的研究问题、搜索策略、纳入、排除和质量标准均根据方案指定。此外，还使用该方 案确定了合成过程。这篇综述是由总体的研究问题引起的，这是决定如何继续进行的基础。4.2.纳入和排除标准为了确定系统审查的范围，我们使用了一些纳入和排除标准。如果论文符合以下纳入标准 , 则纳入论文：（IC1）它提供了对被调查领域背景下的SAR过程的见解（IC2），它发表于2017年至 2021年（IC3）它涵盖了与第1节（IC4）中所述的总体研究问题相关的研究。该论文属于“计算机科 学（CS） ”研究领域在WoS数据库中，CS研究领域分为几个领域；我们只考虑了符合我们研究范围的类别，特 别是CS信息系统（ISs）、CS理论方法、CS AI、CS间学科应用、CS软件工程和CS控制论。另一方面，根据以下排除标准描述的论文被排 除在外：（EC1）这篇论文是用英语以外的语言写成的 （EC2）本论文的目标超出了我们的研究范围 （EC3）该论文仅以摘要的形式发表（EC4）该纸是一张海报纸或一张预印纸 （EC5）这篇论文无法在网上获得（EC6）本文提出了一种在电信、健康科学、或化学事件。4.3.回顾问题为了实现一个无偏见的选择过程，我们根据以下问题对所选的文章进行了回顾，以分析研 究结果并讨论未来的可能性[56]。Q1这些文献是在何时何地发表的？这个问题为研究人员提供了一个关于这个新的文献综述的广度和新颖性的看法。在这方面 , 我们采用性能分析和科学映射的方法对提取的原始数据集进行文献计量映射。此外，在 第5.2节中还提供了对最终数据样本的回顾。Q2在研究中考虑了哪些目标灾害？这个问题描述了所选研究中所涉及的危机事件。我们将灾害归类为自然灾害。g., 洪水、 森林火灾、地震、干旱、海啸和飓风)或人为灾害(e。g., 火灾紧急情况和今天的紧急情 况)。这个问题有助于那些打算根据紧急情况或灾害的类型完成搜救过程的新举措的研究 人员。Q3在本研究中使用的SAR过程的DSSs的主要目的是什么？本研究问题探讨了在SAR过程中呈现dss的主要目的。这个问题提出了研究人员的想法，可 能有助于发展SAR过程的所有阶段(i。e., 缓解、准备、反应和恢复)。Q4本研究在指定的空间维度上的范围是什么？这个问题调查了该研究中涉及的哪些国家(i。e., 人口位置)以及哪些类型的紧急区域 ( 陆地、海、空中）。这个问题可以帮助研究人员分析和比较所提出的案例研究，并根据地 理位置确定最常见的紧急情况。Q5SAR流程中采用的主要数据管理解决方案是什么在本研究中描述？这个问题与Q3有关，并询问在调查DSSs所涵盖的主题时，文献中的dss通常使用哪些数据 管理解决方案？这个问题的目的是描述在研究领域中最常见的以数据为中心的解决方案。Q6在考虑的SAR流程中管理什么类型的数据？这个问题与Q3和Q5有关， 旨在描述在不同研究中管理的数据类型。Q7中描述的SAR过程中使用的主要人工智能解决方案是什么这项研究？这个问题指的是文献中嵌入的人工智能解决方案。这个问题有助于理解人工智能技术(e。g., ML、DL和RL)采用于不同的研究。 Q8谁是所提出的方法的潜在最终用户？这个搜索问题将关注那些呈现这些方法的最终用户(e。g., 特区专家、第一反应人员、受 害者、政府官员和志愿者)。这个问题可以帮助研究人员确定该研究的作者的明确意图。4.4.数据集准备数据集的准备包括一个基于系统评审和元分析（PRISMA） [53]的首选报告项目的四个阶段 的程序。在初始阶段，定义了搜索策略，并确定了数据记录（阶段1） 。然后根据标题、摘要和 作者关键词对获得的样本进行筛选和过滤（阶段2） 。此外，我们根据纳入和排除标准（阶段3 ）筛选了这些文章。最后，使用全文分析（阶段4）纳入文章。整个数据示例确定过程如图3所 示。受基钦纳姆和宪章[54]的激励，基钦纳姆等人。 [55]和Gil等人。 [21]指出，WoS是一个著 名的多个数据库平台，提供了对著名的和重要的科学文章的引用和摘要的广泛访问，我们选择 它作为识别相关文章的来源。文献来自三个主要的核心收藏：科学引文在-dexed扩展（科学科学中心扩展）、社会科学引文索引（SSCI）和会议论文集科学引文索引（CP CI-S）。为了确保搜索字符串被正确地设计，并符合在搜索和救援领域中使用的词汇表，单词- 采用了IAMSAR手册[3]中使用的方法。搜索字符串被分为四个部分：dss、数据管理解决方案、AI和SAR，如表5所示。搜索于2021年11月10日在WoS数据库上进行，搜索字符串为 如下：（ “ DSS ”或“决策支持系统 ”）和“搜救行动 ”或“紧急救援 ”或“灾难管理 ”）或“数据库系统 ”或“数据管理 ”“或“信息系统 ”）和（搜救行动或“紧急救援 ”或“灾难管理 ”）或（ “人 工智能 ”或“智能算法 ”）和（搜救救援行动“ ”或“紧急救援 ”或“灾难管理 ”）或(“搜索 和救援行动或紧急救援或灾难管理 ”)。 表5。搜索字符串。<table><tr><td>搜索区域</td><td>搜索词</td></tr><tr><td>DSS</td><td>“DSS系统 ”或“决策支持系统* ”</td></tr><tr><td>数据管理解决方案</td><td>数据库系统或数据管理或信息系统</td></tr><tr><td>人工智能</td><td>“人工智能 ”或“人工智能 ”或“智能算法 ”</td></tr><tr><td>搜救部队（SAR）歌剧院-</td><td>“搜救行动 ”或“紧急救援 ”或</td></tr><tr><td>tions</td><td>“灾难管理 ”</td></tr><tr><td colspan="2">（“DSS ”或“决策支持系统* ”）和（ “搜索和救援行动* ”或“紧急救援 ”或“灾难管理 ”））或 （“数据库系统 ”或“数据管理 ”“或“信息系统* ”）和“搜索和救援行动*“或“紧急救援 ”或“ 灾难管理 ”））或（ “人工智能 ”或“智能管理 ”）和（ “搜索和救援行动 ”或“紧急救援 ”“或“ 灾难管理*“ ））)</td></tr></table>通配符被用来考虑各种形式的变化。在我们的例子中，我们使用*符号作为单词根处的通 配符来提取最大的数据样本。执行搜索字符串后的初始数据样本包含了来自WoS的29,145个文档 。在数据样本制备方面，对WoS检索到的所有文章进行标题、摘要、作者关键词以及上述纳入和 排除标准进行调查。在将标题、摘要和作者关键词应用到数据源中后，有24,606个文档被标记 为不合格文档。通过应用IC2和IC4，删除了1078个文件。通过筛选阶段的文章被归类为符合后 续程序的资格（134篇文章） 。这些文章被包含在一个新的数据集中，该数据集在过滤步骤中进 行了分析，这就得到了一个包含56篇文章的最终数据样本。在数据集准备的最后阶段，所有的 文章都被检查，以验证它们是否满足所需的标准。如果他们这样做，文章被分配适当的主题类 别。第5节描述了旨在解决所提出的审查问题的一般目的。4.5.书目测绘文献计量学研究映射是一个科学领域，涉及对书籍、期刊、文章和其他形式的书面文献 [57]的定量分析。文献计量学映射在文献计量学领域具有重要意义。文献计量学映射的目标是 提供各种感兴趣的单位之间的关系的视觉表示。感兴趣的单位可以是文档、作者或关键字，它 们之间的联系可以基于引用、共同引用、共同作者或关键字共存。Donthu等。 [9]使用性能分析和科学制图两种技术，即说明文献计量制图。绩效分析包括 与出版物相关的度量指标。e., 发表论文的总数、描述作者的数量、发表论文的活跃年限)、与 引文相关的指标（总引文和平均引用次数），以及与引文和发表相关的指标（协作索引、被引 论文的数量、每次被引用论文的引用次数）。另一方面，科学映射包括引文分析、共引文分析 、书目耦合、关键词共现和合著分析。在我们的研究中，我们使用这两种技术进行了文献计量 学分析。绩效分析侧重于识别文章总数、描述作者的数量和被调查领域的活跃年数，而科学映 射则涉及引文分析、文献计量耦合和关键词共现。5.文献计量学分析的综合与文献综述在本节中，我们将讨论在第1节中定义的首要问题。为此，我们解决了从第一季度到第四 季度的所有审查问题，然后以表格和图表的形式呈现研究结果。5.1.文献计量学分析的综合研究文献计量学分析从绩效分析和科学制图两个方面进行了分析。本部分研究的数据处理采用 VOSviewer [58]进行。5.1.1.性能分析文献计量学映射的性能分析包括检查研究人员对研究领域的贡献。在本研究中，所调查的 文献计量学的性能分析包括出版物的总数、描述作者的数量和出版物的活跃年数。根据第4.4节中所述的数据集准备工作，有1212篇文章根据其标题、摘要和作者关键词标 准被确定为相关文章，然后使用科学的映射方法进行处理。在这些文件中，508篇来自论文集 论文，675篇来自期刊文章，43篇来自30年来发表的综述文章，如图4a所示。图4b显示，从选 定的时间跨度开始，2019年的出版物数量最多。<img src="/media/202408//1724838603.766461.jpeg" /><table><tr><td></td></tr></table>图4。在整个研究期间，每个类别的文章(a)和(b)的文献分布。大约有3500名作者发表了关于使用决策支持系统、数据管理解决方案或人工智能技术的搜 索和救援过程的工作。在该领域发表论文最多的国家是中国和美国，如图5b所示。最活跃的研 究领域是计算机科学，1212篇论文中有206篇，约占论文总数的517%，如图5a所示。在该领域发 表论文最多的作者是曾QT、Li J和Liu C，如图6所示。<img src="/media/202408//1724838604.0099819.jpeg" /><table><tr><td></td></tr></table>图5。出版物(a)在不同领域的分布和(b)在不同国家的分布。5.1.2.科学测绘在文献计量学分析中，科学映射探索了研究人员之间的关系，包括引文分析、书目耦合和 关键词共现。引文分析假设引文反映了出版物[9]之间的智力联系。在这篇综述中，我们执行了 映射来检查被引用文章之间的关系， 以便更好地理解在被研究领域中最初思想的发展。图7显示 了文献中发表来源之间的联系。出版来源之间的这种联系说明了所调查领域随时间推移的发展。<img src="/media/202408//1724838604.36391.jpeg" /><table><tr><td></td></tr></table>图6。在研究期间，最相关的作者（至少发表了4篇论文）。<img src="/media/202408//1724838604.618952.jpeg" /><table><tr><td></td></tr></table>图7。资料来源之间的协作关系：引文分析。引文分析侧重于出版物，而关键词共现分析则侧重于出版物本身的内容。最频繁出现的词 表示被调查研究的主题覆盖范围，如图8所示。这一分析告诉我们在调查领域中现有的主题关联 ; 在我们的审查中，绝大多数确定的主题都与灾害管理有关。我们去掉了主要的关键词，即灾 害管理和应急响应，以便更好地可视化其他关键词之间的链接。此外，最相关的关键词是dSs、 ds、ISs、信息管理、知识管理、人工智能技术、ML、uAV、无人机、人工计算、物联网和大数 据，表明研究人员对SAR过程的兴趣。5.2.系统文献综述的综合研究在本研究中，我们描述了根据第4节中描述的指南进行的系统文献综述。初始数据样本是 使用图3所示的程序进行识别和获得的；最初收集的论文中有42%（134篇中的56篇）被纳入了 审查。本文献综述的目的是系统地调查研究的目标领域，以回答所制定的问题（Q1-Q8）。.2.1.5.该研究是在何时何地发表的？ (Q1)图4显示，对使用dss、数据管理解决方案或人工智能技术的SAR过程的研究相当活跃，从 2017年到2021年发表了大量的论文。会议和期刊之间的论文分布大致相等，分别如表6和表7所 示。最终的数据样本仅占初始数据的42%。表8和图4显示了多年来发表的论文的分布情况。在 最终的数据样本方面，2017年的文章数量高于其他年份，IEEE的访问量仍然是这些文章最具影 响力的出版物来源[12,13,59-62]。关于会议记录，灾害管理信息和通信技术国际会议有最多的文章[11,63,64]。<img src="/media/202408//1724838604.714457.jpeg" /><table><tr><td></td></tr></table>图8。单词分析的同时出现。表6。来自最终数据样本的会议地点列表。会议 参考资料<s>	Int</s>。<s>关于智能软件方法</s>、<s>工具和[7]技术的新趋势的会议 </s> Int。关于灾难[11 63 64]管理的信息和通信技术的会议<s>	, , </s>Int。物联网、数据和云计算[16]会议Int。计算机应用和信息安全会议[17] IEEE Int。 电子信息技术会议[38] IEEE Int。移动云计算、服务和工程会议[42] IEEE Int。高级计算会议[65] Int。计算机和信息科学会议[66]国际会议。计算、通信和信息学进展会议[67] IEEE Int。网络，物理和社会计算会议[68] Int。新兴技术会议[69] Int。数字政府研究会议[70] IEEE国际会议。人道主义技术会议[71] Int。人为因素和系统会议[72] IEEE全球通信会议[73] Int。信息管理会议， [74] IEEE国际会议。工业工程和应用会议[75] IEEE东南会议会议[76]欧洲免费和开源地理空间技术会议[77] IEEE Int。关于物联网和情报系统的会议， [78]表6。续。<table><tr><td>会议</td><td>参考资料</td></tr><tr><td>IEEE国际。 自动化和计算会议</td><td>[79]</td></tr><tr><td>实验Int。研讨会</td><td>[80]</td></tr><tr><td>Int。网络研究会议</td><td>[81]</td></tr><tr><td>IEEE国际。移动数据管理会议</td><td>[82]</td></tr></table>表7。来自最终数据样本的期刊列表。<table><tr><td>期刊</td><td>参考资料</td></tr><tr><td>地球科学信息学</td><td>[10]</td></tr><tr><td>IEEE访问</td><td>[12,13,59 –62]</td></tr><tr><td>计算机与操作研究</td><td>[14]</td></tr><tr><td>企业信息管理杂志</td><td>[15]</td></tr><tr><td>Int。特别计算和普适计算杂志</td><td>[36]</td></tr><tr><td>IEEE系统杂志</td><td>[39]</td></tr><tr><td>信息系统（ISs）前沿</td><td>[40]</td></tr><tr><td>ISPRS国际。地理信息杂志</td><td>[46,83]</td></tr><tr><td>计算机和信息科学中的通信</td><td>[84]</td></tr><tr><td>IEEE系统、人和控制论系统学报</td><td>[85,86]</td></tr><tr><td>工业中的计算机</td><td>[87]</td></tr><tr><td>IEEE物联网杂志</td><td>[88]</td></tr><tr><td>关于和分布式并行系统的IEEE交易</td><td>[89]</td></tr><tr><td>计算机与工业工程学公司</td><td>[90]</td></tr><tr><td>计算机通信</td><td>[91,92]</td></tr><tr><td>多媒体工具和应用程序</td><td>[93]</td></tr><tr><td>神经计算</td><td>[94]</td></tr><tr><td>计算机材料和大陆</td><td>[95]</td></tr><tr><td>决策支持系统</td><td>[96]</td></tr><tr><td>信息系统协会杂志（ISs）</td><td>[97]</td></tr><tr><td>软件和系统建模</td><td>[98]</td></tr></table>表8。最终数据样本的分布。<table><tr><td>年</td><td>每年的出版物</td><td></td></tr><tr><td>2017</td><td></td><td>15</td></tr><tr><td>2018</td><td></td><td>12</td></tr><tr><td>2019</td><td></td><td>13</td></tr><tr><td>2020</td><td></td><td>13</td></tr><tr><td>2021</td><td></td><td>3</td></tr><tr><td>出版物总数</td><td></td><td>56</td></tr></table>.2.2.5.本研究中考虑了哪些目标灾害？ (Q2)灾害通常分为两种类： 自然灾害，包括洪水、飓风、地震、火山、雪崩和丛林火灾，以及 人为灾害，包括日常紧急情况（交通事故和工业事故）和火灾紧急情况。<img src="/media/202408//1724838604.9952.png" />图9显示，41%的研 究集中于这两种类型的灾害，32%集中于人为灾害，25%集中于自然灾害。<img src="/media/202408//1724838605.145128.png" />~图10显示了论文中 分析的自然灾害类别。表9给出了每种类型的详细描述，包括对文章的参考文献。此外，Xu等人 。 [68]没有描述作者所考虑的灾难类型。<img src="/media/202408//1724838605.2076669.jpeg" /><table><tr><td></td></tr></table>图9。本研究中所讨论的灾害类别的分布情况。<img src="/media/202408//1724838605.343391.jpeg" /><table><tr><td></td></tr></table>图10。研究中讨论的自然灾害的分布情况。5.2.3.DSSs用于SAR过程的主要目的是什么这项研究？ (Q3)灾害管理系统是减少灾害影响的一个关键因素。它们被分为四个阶段：缓解、应急准备、 应急响应和紧急恢复。关于灾害管理系统及其阶段的文章分布情况见表10，如图11所示。此外 , 还有一些文章的目的是提出两个阶段的解决方案，特别是应急计划和恢复（3%）和应急响应 和恢复（2%）。我们观察到，大多数被调查的文献都集中在日常紧急情况的应急响应阶段上， 如图12所示。5.2.4.在指定的空间维度方面的研究范围是什么？ (Q4)图13显示，大多数文章关注于所调查的问题，而不是定义任何人口统计位置。在指定了人 口统计位置的文章中，作者更感兴趣的是解决与特定领域相关的问题。美国在所有国家中排名 最多（7篇文章），其次是中国（6篇文章） 。据观察，大多数文章都涉及与土地有关的灾害，如图14所示。<img src="/media/202408//1724838605.3847208.jpeg" /><table><tr><td></td></tr></table>图11。本研究中灾害管理系统阶段在不同类型灾害中的分布情况。<img src="/media/202408//1724838605.463729.jpeg" /><table><tr><td></td></tr></table>图12。研究中日常紧急情况的分布情况。<img src="/media/202408//1724838605.4908218.jpeg" /><table><tr><td></td></tr></table>图13。 国家之间的分布。<img src="/media/202408//1724838605.579621.jpeg" /><table><tr><td></td></tr></table>图14。基于应用程序的研究范围。 表9。灾害类别的描述。<table><tr><td>灾害</td><td>描述</td></tr><tr><td>自然灾害[7、39、40、59、60、69、71、75-78、82、87、88、96]</td><td>类别包括自然灾害的文章。e.g., 洪水、飓风、地震、 雪崩和森林大火。</td></tr><tr><td>由人为造成的灾难， [15,38,46,61,62,65 –67,69,70,74,85,86,93 –95,97]</td><td>灾难的类别涉及到人类造成的灾难的文章。例如，火灾 紧急情况，如建筑物火灾或城市火灾紧急情况， 日常交 通事故，交通事故和工业事故。</td></tr><tr><td>自然灾害和人为灾害[10-14,17,36,42,63,64,72,73,80,81,83,84、89-92、98 、99]</td><td>作者思考这两种灾难的文章。这意味着这些文章中提出 的解决方案在这两种类型的灾难中都有效。</td></tr></table>表10。SAR过程类别的描述。<table><tr><td>SAR过程的类别</td><td>覆盖</td><td>描述</td></tr><tr><td>灾害管理系统</td><td>27%</td><td>一个包含行政决策、组织、能力和技能的管理系统， 以制定政策、计划和 适应社会或个人， 以减轻自然灾害和人为灾害的影响。</td></tr><tr><td>应急响应计划</td><td>21%</td><td>应急响应计划是准备阶段的一部分，特区小组和人员制定处理灾害的计划</td></tr><tr><td>应急响应</td><td>32%</td><td>。它可以被视为灾害管理系统的第三阶段，包括特别行动并为受害者提供必 需品。</td></tr><tr><td>操作</td><td>11%</td><td>它是应急反应的一部分，但只包括特区活动。</td></tr><tr><td>紧急恢复</td><td>4%</td><td>这是整个过程的最后阶段。</td></tr></table>. 2 . 5 . 5在SAR过程中使用的主要数据管理解决方案是什么在研究中描述？ (Q 5)我们观察到，那些描述涉及关系数据库的研究的文章主要集中于灾后管理和恢复，而那些 基于NoSQL的文章则涉及到紧急情况下的态势感知的解决方案，如图15所示。这些文章大多集中 在陆地灾害上，大多数作者提出了基于无人机和数据的SAR过程的解决方案。例如，Ni等人。[59]，Widagdo等人。 [78]和Sarma等人。 [87]提出了使用各种关系数据库来重新分配资源和评 估损失的灾后解决方案。SimoesMarkes等人。 [72]使用UCD方法来使用数据仓库作为灾难管理支 持系统。同样，弗莱舒尔等人。 [77]利用了开放的街道地图和GIS有一个用于灾难管理的数据湖。苏莱曼等人。 [38]和阿尔穆雷克hi等人。 [66]提出了借助无人 机信息检索和安卓应用程序的解决方案，以管理小型紧急情况，如建筑[38]中的火灾紧急情况 或交通事故[66]。洛佩兹等人。 [60]和Li等人。 [89]提出了分布式数据库，用于训练决策代理 和情境理解，使用一个观点不变的CNN模型。努纳瓦斯和Prinz [65]，Kabir等人。 [82]和Toujani等人。 [84]的所有程序都使用NoSQL处理火灾紧急情况。Kumar等人。 [36]和Zhang等人 。 [46]提出了基于无人机的应急响应和恢复的数据采集方法。可以注意到，大多数相关的文章都提出了基于数据分析和表示技术的解决方案。Lwin等。 [64]，Puspita等人。 [75]，Gokaraju等人。 [76]，Fontes等。 [80]和Peng等人。 [83]设计的GISs可以帮助提高各种情况下应急响应的效率和决策能力。前惰性动物等。 [63]，Ahmed等人。 [71]，Valecha等人。 [97]，HoseinDoost等人。 [98]和Agrawal等人。 [99]开发了用于各种场景 下的应急响应的国际空间站，主要集中于陆地SAR。Ghasemi等。 [81]，Mouradian等人。 [88]和 Ejaz等人。 [91]专注于物联网灾难管理应用及其特点。另一方面，Inan等人。 [40]为灾难管理 提供了一个知识存储库，以便在涉众之间进行更好的沟通。Fan和莫斯塔法维[39]解决了系统和 利益相关者之间缺乏异构性的问题，并提出了一个灾害管理系统系统。此外，许多作者还提出了在大数据系统和编程、数据结构和算法类别方面的研究，以解决 他们所定义的问题。顾等人。 [74]，Bai等。 [92]和Lv等人。 [93]提出了一个基于物联网和云计 算[74]、移动云计算[92]、云计算和GIS [93]的灾难管理平台。Horita等。 [96]解决了使用大 数据应用程序的灾难管理系统决策对齐的挑战。马哈尔詹等人。 [42]和Dar等人。 [69,79]在灾 难管理系统中使用了雾计算，以传播态势感知[42]，降低成本[69]，并通过移动应用程序[79] 提供日常生活事故的通知。萨姆博莱克和Ivasic-Kos [61]，Kumar等人。 [67]，Xu等。 [68]，Fragskos等。 [73]，穆罕默德等人。 [94]和Gong等人。 [95]提出了利用DL和各种算法的SAR阶段 的解决方案。 曾等人。 [85]，Duan等。 [86]，Li和Cao [90]开发和设计了使用具有时间和资源 因素[85]的Petri网的SAR流程，使用分层建模[86]的具有时间、资源和消息信息因素的工作流 网，以及灾害管理[90]的多属性风险决策分析。5.2.6.在考虑的SAR过程中管理哪些类型的数据？ (Q6)根据一篇特定文章中提供的解决方案，在研究中使用了不同类型的数据。图16显示了不同 研究中数据类型的分布情况。据观察，在被调查的文章中，最常用的数据是地理数据（16/47 ) 和文本数据（11/47），后者包括报道和社交媒体。对于历史数据、时间序列数据、图像和 所有数据覆盖的分类，各有4/47篇文章，而2/47篇文章集中于地图。.2 . 7 . 5在SAR过程中使用的主要人工智能技术是什么研究？ (Q7)在本研究中，我们研究了使用AI技术的解决方案，观察到所研究的文章分别考虑AI、ML和 DL技术，而不是将ML作为AI的子集或DL作为ML的子集，如[11]中所述。基于这一观察结果，我 们将技术分为以下类别： AI、ML、DL和杂项。<img src="/media/202408//1724838605.7739022.jpeg" /><table><tr><td></td></tr></table>图16。各研究中不同类型数据的分布情况。我们观察到有几篇文章描述或提出了使用AI技术[11,17,40,42,98]的解决方案。然而，很 少有研究专门使用ML和DL技术。因此，我们注意到，大多数所选的文章都属于杂项类别，如表4 所述。例如，努勒瓦斯和Prinz [65]提出了基于严肃游戏的解决方案来可视化和分析从智能眼 镜和相机收集的数据，而曾等人。 [85]，Duan等。 [86]和Li等人。 [90]使用Petri网模型对火灾 紧急情况下的应急响应进行建模。Sarma等。 [87]利用多目标优化模型提出了紧急情况下受影响 地区间资源再分配的概念，Ni等人。 [59]提出了基于NLP的文本应急响应方案。图17展示了研究中所呈现的ML技术的类型，特别是有监督学习、无监督学习、RL和其他ML 技术。 [36,38,46]的研究采用监督学习，而[67]的研究使用无监督学习。 [60,66,73]的文章提 出了基于RL的解决方案来解决应急响应过程，而[71,76,84,91,92,99]的文章则采用了其他的ML 技术。艾哈迈德等人。 [71]使用ML进行多元回归分析，以可视化应急响应和医疗保健的准备工 作。Gokaraju等。 [76]采用统计方法实现了ML，以收集传感器数据，并提高了在山体滑坡和龙 卷风等情况下的应急准备和灾害管理的性能效率。Toujani等。 [84]在微软Power BI中使用ML来 分析数据，以解决火灾紧急情况下的态势感知问题。Ejaz等人。 [91]实现了一种无人机节能任 务调度的ML算法，以寻找能耗最低的最优路径。 白等人。 [92]利用ML开发了一个灾难后安全疏 散的动态跟踪数学模型。阿格拉瓦尔等人。 [99]使用ML解决火灾紧急情况下的态势感知，并部署基于场景的参与式设计过程。[61,68,79,82,89,94]提出的研究将DL技术用于SAR过程。<img src="/media/202408//1724838605.903845.jpeg" /><table><tr><td></td></tr></table>图17。机器学习（ML）技术在研究中的分布情况。5.2.8.谁是所提出的方法的潜在最终用户？ (Q8)图18显示了研究中提出的方法的潜在最终用户的分布情况；50%的文章专注于为特区专家 提供解决方案，而20%的文章是针对其他专家参与者，如研究人员、急救人员、受害者或志愿者 。<img src="/media/202408//1724838605.957376.png" />许多文章都提出了针对多个最终用户组的解决方案。<img src="/media/202408//1724838605.9873228.jpeg" /><table><tr><td></td></tr></table>图18。潜在的最终用户。6.讨论及未来的工作本节提供了我们的主要研究问题，即i的答案。e., SAR流程如何使用dss、数据管理解决 方案和AI。我们的讨论是基于第5节中提供的综合，其中包括一个潜在的未来工作领域的列表。 讨论的目的是识别和分析决策支持在SAR中的使用。这包括确定在文献或需要进一步研究的领域 中的任何空白。这些结果提供了深入了解这些技术在特区行动中使用这些技术的当前技术水平 , 以及未来可以提高其在决策和应急响应方面的有效性的潜在工作。6.1.讨论在我们的研究中，我们确定了这一领域的现有研究，并通过比较现有的研究回答了8个问 题（Q1-Q8）。Q1旨在了解在SAR过程中使用DSSs、数据管理解决方案和人工智能的有效性。第二季度和 第三季度呈现了最常见的灾难事件和事件根据所选文章提出的解决方案。我们观察到，大多数选定的论文都同时关注自然灾害和人为灾 害。我们研究了dss、数据管理解决方案和AI在SAR过程中的使用，发现被审查的文章更倾向于 关注计划，而不是执行计划。Q4从指定的空间维度两方面探讨了研究的范围。我们的观察表明 , 研究主要涉及发生在美国或中国的灾害。调查文章中提出的大部分解决方案是针对陆地特别救援行动（火灾紧急情况、山区特别救 援、城市特别救援和小型河流特别救援）。比较现有的解决方案，我们发现针对海上SAR的DSSs 的研究很少，这可能激发了在这一特定应用领域的进一步研究。关于后者，我们观察到很少有 关注海上SAR的文章使用人工智能技术进行数据分析和展示来处理灾难。此外，以数据为中心的 领域，如新的数据库架构和数据分析和表示，构成了所调查文章的重要组成部分。上述类别集 中于整体的灾害管理系统，其中大部分涉及到无人机的使用。这些观察结果围绕着Q5展开，它 探索了研究中提供的数据管理解决方案。Q6强调了在被评审的文章中所管理的数据的类型。根据我们的发现，回顾的文章主要集中 在地理数据上，很少关注历史数据。Q7讨论了使用了哪些人工智能技术。我们观察到，非常小 部分文章集成了AI技术和数据管理解决方案。此外，我们注意到，人工智能技术被用于数据分 析和演示（ISs），并为应急响应规划阶段提供解决方案。另一方面，大多数ML技术都用于在 紧急情况中提供态势感知的半结构化数据库。DL技术被用于半结构化数据库和编程、数据结构 和算法，用于训练无人机模型在陆地上进行SAR操作。此外，其他技术，如NLP、严肃游戏、Petri网和多目标优化，被发现用于不同的以数据为 中心的领域类别来处理SAR过程。例如，Ni等人。 [59]使用NLP技术开发了一个应急响应存储库 来构建文本应急响应计划。此外，在跨组织应急响应建模的背景下，提出了宠物网和工作流网 , 以更好地沟通和资源分配[62,85,90]。最后，Q8确定了被调查文章中提供的解决方案的潜在 最终用户。我们注意到，SAR专家主要是被研究文章中的目标用户。我们发现了文献中提出的陆地SAR过程的解决方案，也可以用于海上SASDSSs；例如，Petri网和工作流网已被用于模拟陆地[62,85,90]上SAR过程的DSSs。此外，Fan和莫斯塔法avi[39]利用系统系统的方法开发了一个能够识别和分析SAR过程的异质性和复杂性的系统，并 制定相应的计划。大数据系统，如云计算和雾计算，已被用于SAR操作，以帮助灾害管理[42,69,74,79,92,93]。上述所有技术都可能适用于海上搜救作业。利用这些技术的可能性很可 能取决于问题的描述，即SAR过程的哪个阶段是重点。6.2.未来工作文献中观察到的研究模式在6.1节中讨论。许多研究人员提供了增强和改变；简而言之，所有的研究目标都需要不同的技术来实现预期的结果。然而，对每个问题的解决方案都不能局 限于一种单一的技术。我们相信，随着解决方案设计过程的不断增长，我们有可能在SAR过程 的应用领域之间转移知识。例如，如第6.1节所述，只有非常少的文章集中于海上特别特区的决策。在未来，提供的 解决方案将用于上陆地SAR也可用于海上SAR过程。此外，迄今为止仅以特定方式使用的技术可以适用于各种其他 问题。7.结论在SAR的背景下，dss、数据管理解决方案和人工智能都被用于通过为灾难管理团队提供有 价值的见解和支持来优化时间和成本。这可以帮助他们作出更明智的决定，并更迅速和更有效 地应对紧急情况。我们研究的主要目的是识别和比较在SAR过程领域中使用dss、数据管理解决 方案和人工智能的现有系统。为了实现这一点，我们使用了两种不同的研究方法，即文献计量 学制图和一个系统的文献综述。文献计量学映射用于生成数据样本，而系统的文献综述用于回 答总体上的研究问题。分析了本研究的范围与研究目标和总体研究问题的关系。确定了研究中所考虑的SAR类型 , 并在此基础上描述了不同研究对SAR过程的研究贡献。确定了DSSs、数据管理解决方案和人工 智能技术在SAR过程中的使用情况，并确定了所提出的解决方案的潜在最终用户。这篇综述的研究结果包括确定所调查领域的研究差距，包括缺乏关于海上搜救作业的文章 。此外，我们讨论了应用领域之间的知识转移的可能性，认识到通过实现先进的dss，数据管 理解决方案，和人工智能技术有可能为SAR组织做出更好的决定，他们需要投入更多的努力和 改善通信为了充分利用他们的资源的潜力。目前审查有一些常见的限制文献计量映射和系统评论[21,54]，如年范围，只包括文章从 2017年1月1日到2021年11月10日，和只使用哇（附录）作为平台识别文章基于预定义的搜索字 符串。总之，我们的研究强调，利用dss、数据管理解决方案和人工智能技术改进SAR过程已经做 出了重大努力。但是，还有改进的空间；例如，用于SAR操作的决策解决方案可以被扩展，知识 可以进一步在SAR过程的应用领域之间转移。作者贡献： Wajeeha Nasar：概念化，方法论，验证，写作-原稿，形式分析，可视化。托雷斯：概念化 , 方法论，验证，写作-审查和编辑，监督。奇怪：概念化，方法论，验证，写作-审查和编辑，监督。安 妮肯T。卡尔森：概念化、方法论、验证、写作、审查和编辑、监督、项目管理。所有作者均已阅读并同 意了该手稿的出版版本。资助来源：本研究未获得外部资助。利益冲突：作者声明没有利益冲突。缩写本文中使用了以下缩写：AISAR CNN ANN DSS DLGIS 小时人工智能搜索和救援卷积神经网络 人工神经网络决策支持系统 深度学习地理信息系统 百分之百<table><tr><td>是</td><td>信息系统</td></tr><tr><td>干扰素受体- 21</td><td>国际红十字会和红新月会联合会</td></tr><tr><td>物联网</td><td>物联网</td></tr><tr><td>黄疸</td><td>信息和通信技术</td></tr><tr><td>ml</td><td>机器学习</td></tr><tr><td>神经语言程 序员</td><td>自然语言处理</td></tr><tr><td>rl</td><td>强化学习</td></tr><tr><td>结构化查询 语言</td><td>结构化查询语言</td></tr><tr><td>UNU-EHS</td><td>联合国大学----------环境与人类安全研究所</td></tr><tr><td>无用度</td><td>无人驾驶飞行器</td></tr><tr><td>WoS</td><td>科学网</td></tr></table>附录A在WoS数据库中的搜索字符串：TI=（（ “DSS ”或“决策支持系统* ”）和（ “搜救操作* ”或“紧急救援* ”或“灾难管理 ”）或（ “数据库系统* ”或“数据管理 ”“或“信息系统 ”）和（ “搜救操作* ”或“紧急救 援 ”或“灾难管理 ”））或（ “人工智能 ”或“人工智能 ”或“智能算法 ”）和“搜索和救援人 员 ”或“灾难管理 ”)或“搜索和救援人员 ”或“灾难管理 ”))和AB=（（ “DSS ”或“决策支持 系统 ”）和（ “搜救人员 ”或“紧急救援 ”或“灾难管理 ”））或((“数据库系统*“或“数据 管理 ”或“信息系统 ”)和（ “搜救救援行动* ”或“紧急救援 ”或“灾难管理 ”）)或（ “人工 智能 ”或“人工智能 ”或“智能 ”或“智能算法 ”）和“搜救行动*“ ”或“灾难管理 ”))或（ “搜救行动 ”或“紧急救援 ”或“灾难管理 ”）)和AK=(((“DSS ”或“决策支持系统* ”)和（ “ 搜救行动** ”或“紧急救援* ”或“灾难管理 ”）)或（ “数据库系统* ”或“数据管理*“或“信 息系统* ”）和“搜救行动*“或“紧急救援 ”或“灾难管理 ”))或（ “人工智能 ”或“人工智能 ”或“智能算法 ”）和（ “搜救行动* ”或“灾难管理 ”）)或（ “搜索救援行动*“或“紧急救 援 ”或“灾难管理*“ ）)除了应用（EC1）、（EC2）、（EC4）和WoS Core收集标准外，还使用了上述搜索字符串。参考文献1. 自由贝恩；哈贡，K.；Turmine，V.；Pizzini，G.；辛格，R。2020年世界灾害报告：无论是高温还是高潮； 国际红十字会和红新月会联 合会（IFRC）：瑞士日内瓦，2020年。2.奥康纳，J.；埃伯勒， C. ; 科蒂尔市， D. ; 哈根洛彻，M.；哈塞尔，J。相互关联的灾害风险：2020/2021年。2021.在线可用： <a href="https://reliefweb.int/report/world/interconnected-disaster-risks-20202021">https://reliefweb.int/report/world/interconnected-disaster-risks-20202021</a>（已于2021年1月11日访问）。3.IAMSAR.IAMSAR经理-任务协调。Int。气动标志。2016年，II，31-40。 4.Dørum, O.E.挪威搜救服务；司法和公共服务省：东京， 日本，2003年。5. 日本铁道修筑公司SAR合作计划。Resreport, Hovedredningsentralen (HRS).2022.可在线获得： https://www。hovedredningssentralen.no/wp-content/uploads/2019/08/SAR-Cooperation-Plan_2019.pdf（已于2022年3月7日访问）。6.Poser，k；Dransch，D。灾害管理的志愿地理信息。Geomatica 2010, 64, 89 –98.7. 头发Zaki，U。H.；易 卜拉欣，R.；Abd Halim，S.；横井，T。基于情绪分析的洪水灾害管理框架中面向服务的架构方法综述：马来西亚 背景。第16届智能软件方法、工具和技术新趋势（SoMeT） 国际会议记录， 日本北九州市，2017年9月26-28日；pp。362 –377.CrossRef8.恩霍尔姆，我。M.；爸爸，E.；Mikalef，p；克罗格斯蒂，J。人工智能与商业价值：一篇文献综述。影响西斯特。前面2021, 24, 1709 – 1734.CrossRef9.Donthu，N。；库马尔，S.；慕克吉，D.；Pandey，N.；林，W。如何进行文献计量学分析：一个概述和指南。 J.公共汽车。物品2021, 133, 285 –296.CrossRef10.考尔，A.；SoodS。K.十年的灾害管理和信息和通信技术的使用：一个科学计量学分析。地球科学。通知。2020, 13, 1 –27.CrossRef1 1 . 努纳瓦斯，V.；古德温，M。人工智能在灾害管理中的应用-一个系统的文献综述。第6届灾害管理信息通信技术国际会议（ICT-DM）， 2019年，灾害管理信息通信技术国际会议，法国巴黎，2019年12月18-20日；页。1 –8.12.射线，P。P.；慕克吉，M.；舒，l。面向灾难管理的物联网：最先进的技术和前景展望。IEEEAccess2017,5,18818-18835。CrossRef 13.Shah。A. ; 塞克 D.Z.；Hameed，S.；德拉海姆，D。大数据分析和物联网在灾害管理中的作用：最新进展、分类和前景。IEEE访问2019,7,54595-54614。CrossRef14.米纳斯，J。P.；辛普森，N。C. ; Tacheva, Z.Y.应急响应操作的建模：一个理论建设的调查。压缩。奥珀。物品2020, 119, 104921.CrossRef15 . Prasanna，R。杨，L。L.；金，M.；哈金斯，T。J.用于火灾应急响应的信息系统架构。J.娱乐。影响马纳格。2017, 30, 605 – 624.CrossRef16.沙拉，A.；Al-Mashari，M。应急响应系统：研究方向和当前的挑战。发表在第二届物联网、数据和云计算国际会议的会议记录上，英国 剑桥，2017年3月22-23日；页。1 – 6.17.Alotaibi, M.F. ; 易 卜拉欣，D。M.基于代理的协调应急响应模拟：一个综述研究。第一届计算机应用和信息安全国际会议（ICCAIS）会 议，沙特阿拉伯利雅得，2018年4月4-6日；页。1 – 5.18.Cumbane, S.P. ; Gidofalvi, G.回顾一下救灾应用程序中的大数据和处理框架。ISPRS国际。J.Geo-Inf.2019, 8, 387.CrossRef19.避风处 B. ; 康先生， A. ; 火腿，S。利用空间数据库信息提高有效灾害管理的措施（以核电站事故为重点） 。ISPRS国际。J.Geo-Inf.2022, 11, 438.CrossRef2 0 . Jessin, J. ; Heinzlef, C. ; 长，，雷， D.岛屿海岸环境和风险监测用无人机的系统回顾：走向弹性评估。无人机2023、7、206。CrossRef2 1 . 吉尔，M.；Wrobel，K.；Montewka，J.；戈尔兰特，F。船舶事故预防决策支持系统的文献计量学分析和系统回顾。Saf。科学。2020, 128, 925 –7535.CrossRef22.库珀，D。搜救基础；琼斯和巴特利特学习：伯灵顿，马萨诸塞州，美国，2005年；页。1 –6.23.ShimJ.；沃肯丁；考特尼J；权力， D. ; Sharda，R.；卡尔森， C.决策支持技术的过去、现在和未来。决定。支持系统。2002, 33, 111– 126.CrossRef24.卡明斯，M。；布鲁尼，S。协同式的人工自动化决策制定。在施普林格自动化手册中；Nolf，S。N., Ed.；施普林格手册；施普林格： 柏林/海德堡，德国，2009年；页。437 – 447.CrossRef25 . 敏锐，P。决策支持系统：一个研究的视角。《决策支持系统论文集： 问题和挑战：国际特别工作组会议论文集》，美国马萨诸塞州剑桥市，1980年6月23-25日；页。11 –44.26.功率，D.J。决策支持系统：一个历史上的概述。在决策支持系统手册1：基本主题中；施普林格：柏林/海德堡，德国，2008年；页。121– 140.CrossRef27 . S.HongG.K.；艾哈迈德，阿兹曼；M。灾害管理决策支持系统的探讨。在2020年第8届信息技术和多媒体国际会议（ICIMU）的会议记录上 , 马来西亚雪兰莪州，2020年8月24-26日；IEEE：皮斯卡塔韦，美国新泽西州，美国，2020年；页。390 –394.2 8 . 斯特德曼，C。沃恩，J。什么是数据管理，为什么它很重要？技术报告，技术目标。2022.在线可用： https://www。techtarget.com/searchdatamanagement/definition/data-management（已于2022年3月29日访问）。29.Bonnent, P. ; Tozun, P.相关主题和主题。2021年8月16日至20日，丹麦哥本哈根，第47届非常大型数据库国际会议的会议记录。在线可 用： https://vldb。or g/202 1/? 呼吁研究轨道（已于2022年4月1日访问）。30 . 丹尼鲁克，A.；莱迪格，P。本科数据科学课程的计算能力。20 2 1 . 在线可用： https : //www。acm.org/binaries/content/assets/education/curricula-recommendations/dstf_ccdsc2021.pdf（已于2022年4月1日访问）。 31.赫勒斯坦，J.；石制的人，M.；汉密尔顿，J。一个数据库系统的架构。建立趋势数据库2007,1,141-259。CrossRef32 . 斯特德曼的变体 C. ; Lutkevich, B.数据湖。技术报告，技术目标。2022 .在线可用： https://www。techtarget.搜索数据管理/定义/数据湖（已于2022年5月6日访问）。33.贝扎耶茨，R.； 内托，B。现代信息检索；ACM出版社：纽约，纽约，美国，1999年；第463卷，第一章。 34.Elmasri, R. ; Navathe, S.B.数据库系统基础；施普林格：美国纽约，纽约，2000年；页。883 –885.35 . 库卢里斯，G。F. ; 杜利莫尔，J.；金德堡，T。分布式系统：概念与设计；皮尔森教育：哈洛，英国，2005年；页。1 –33.3 6 . 库马尔，J.；库马尔，S.；Choksi，M.；Zaveri，M。利用基于无人机的物联网云进行灾后管理和监控相关任务的协同数据采集和处理 。Int。J.特设无处不在的组合。2020, 34, 216 –232.CrossRef37.Jessup，L.M。 ; Valacich, J.S.今天的信息系统：管理数字世界；皮尔森普伦蒂斯大厅：上马鞍河，美国新泽西州，2008年；卷3。38. 苏莱曼，M。刘，H。X. ; Binalhaj, M. ; Liou, W.W. ; Abudayyeh, O.基于g is的配备摄像机的无人机火灾应急响应的自动飞行规划。发 表在IEEE电子信息技术国际会议（EIT）上，芝加哥，IL，美国，2020年7月31日-8月1日；页。139 – 144.39. 迷 C. ; 莫斯塔法维 A.系统中的灾害管理系统性能分析的元网络框架。IEEE系统。J.2020, 14, 1265 – 1276.CrossRef40. Inan, D.I.；贝登，G.；啤酒，S。灾害管理中基于代理的知识分析框架。影响西斯特。前面2018, 20, 783 –802.CrossRef41.王，L.；冯 ·拉谢夫斯基，G.；年轻的， A. ; 他，x。；Kunze，M.；陶，J.；傅， C.云计算：一个视角研究。新的基因。压缩。2010,28, 137 – 146.CrossRef42 .Maharjan，B.；李，J.；Alian，S.； 白，Y。 以人为中心的云和雾辅助物联网平台。在第七届IEEE移动云计算、服务和工程（移动云） 国际会议上，纽瓦克，美国，2019年4月4-9日；pp。8 – 15.CrossRef43.Madakam，美国；拉马斯瓦米，R.；特里帕西，S。物联网（IoT） ：一篇文献综述。J.压缩。通勤。2015, 3, 164.CrossRef44 . 帕特里克，M。曼朱尔，G。人工智能能力：概念化、测量校准的组织创造力和企业绩效的实证研究。影响马纳格。2021, 58, 103434.CrossRef45.Kolbjørnsrud，诉；阿米科，R.；托马斯，R。J.与人工智能合作：组织如何赢得持怀疑态度的经理。战略领导。2017, 45, 37 – 43.CrossRef46.张，X.；陈，Y。X. ；L。J.；王，W。S.；吴， 问。Y.城市应急响应的三维建模与室内定位。Isprs Int.J.Geo-Inf.2017, 6, 214.CrossRef47.Galakatos, A. ; 克罗蒂盖尔语姓氏的英语形式 A. ; Kraska, T.分布式机器学习。在数据库系统百科全书中；刘，L.，Ozsu，M。T., Eds.; 施普林格：纽约，纽约，美国，2018年；页。1196 – 1201.CrossRef 48.Abt, C.C.严肃的游戏；美国大学出版社：纽约，纽约，美国，1987年。49.Reisig，W。Petri网和代数规范。西奥尔。压缩。科学。1991, 80, 1 –34.CrossRef50.托雷格罗萨，J.；他，G.；马丁内斯-卡马拉，e.；Ser，J。D. ; 卡马乔 D.关于使用自然语言处理的极端主义分析的调查：定义、文献 综述、趋势和挑战。J.周围的知识胡曼。压缩。2022, 12, 1 – 37.CrossRef5 1 .Deb, K. ; Deb, K.多目标优化。在搜索方法中；伯克，e。K.G., 教育版。；施普林格：美国马萨诸塞州波士顿，2014年；页。1 – 6..CrossRef52 . 罗德里格斯，M.；梅尔加；科，A.；马尔克斯，J。无人机（uav）在建筑和城市主义中的应用的评论：科学计量学和文献计量学分析。 应用程序。科学。2021, 11, 9966.CrossRef53 . 哈里斯，D.；威尔逊，M.；塞缪尔，J。V.商业认知训练设备的系统回顾：在运动中应用的影响。前面精神科。2018, 9, 709.CrossRef 54.基钦纳姆，B.；宪章，s。在软件工程中执行系统文献综述的指南。技术报告。20 0 7 . 在线可用： https://www。爱思唯尔。com/ data/promis_misc/525444systematicreviewsguide.pdf（已于2021年8月11日访问）。5 5 . Kitchenham, B. ; 珀尔 ·布雷尔顿；Budgen， D. ; 特纳，M.；贝利，J.；林克曼，S。在软件工程中的一个系统的文献综述-一个系统的 文献综述。影响软。技术。2009, 51, 7 – 15.CrossRef56.Kitchenham, B. ; 普里托里乌斯；布， D. ; 珍珠布雷列顿；特纳；Niazi，M.；林克曼，S。在软件工程中的系统文献综述-一个三级研 究。影响软。技术。2010, 52, 792 –805.CrossRef5 7 . 赫尔斯明克；Hoven，J.；范埃克，N。J.；伯格，J。计算机和信息伦理学的文献计量学制图。道德Inf。技术。2011, 13, 241 – 249.CrossRef58.Van Eck，N.；沃尔特曼，L。软件调查： VOSviewer，一个文献计量制图的计算机程序。科学计量学，2010,84,523-538。CrossRef 59.Ni, W.J.；刘，T.；陈的，年代。Y.快速生成针对非常规紧急情况的应急响应计划。IEEE访问2020,8,181036-181048。CrossRef60 . 洛佩兹，C。马蒂，J。R. ; Sarkaria, S.应急响应仿真中的分布式强化学习。IEEEAccess2018,6,67261-67276。CrossRef61.Sambolek, S. ; Ivasic-Kos, M.使用深度CNN探测器在搜索和救援行动中自动检测人。IEEE访问2021,9,37905-37922。CrossRef62.段H.；刘C.； 曾，问。T.；周，M。C.一种在隐私保护下的跨组织应急响应过程建模和分析的一揽子简化方法。IEEEAccess2018,6,55573 -55585。CrossRef63.Preinerstorfer, A. ; Egly，M.；Gojmerac，我；霍克沃特， C. ; 舒斯特 C. ; 沙德， B. ; 伦贝斯，H.；拉德纳，S.；施韦格霍夫，E。 奥地利国家危机与灾难管理中IT系统之间的互操作性。《第五届灾害管理信息和通信技术国际会议记录》（ICT-DM）， 日本仙台，2018 年12月4-7日；页。1 –8.64.Lwin，K。K.；关本，Y.；武内，W.；Zettsu，K。城市地理空间仪表板：为灾害管理中的地理空间解决方案提供商提供的物联网和大数 据分析。第六届灾害管理信息和通信技术国际会议（ICT-DM）会议集，法国巴黎，2019年12月18-20日；页。1 –4.6 5 . 努纳瓦斯，V.；Prinz，A。动态网络交换信息的可视化：火灾应急搜救行动的案例研究。第七届IEEE国际高级计算会议（IACC），在海 得拉巴，印度，2017年1月5-7日；页。281 –286.CrossRef66.Almuraykhi, K.M.；阿克拉克，M。STLS：针对应急响应车辆的智能交通信号灯系统。《计算机和信息科学国际会议（ICCIS）论文集》, 沙特阿拉伯萨卡卡，2019年4月3-4日；页。476 – 481.67.库马尔。S.；马尼库蒂，G.； 巴瓦尼，R。R.；库西罗，M。S.使用机器人达尔文粒子群优化的搜索和救援行动。参见《计算、通信和信息 学进展国际会议会议记录》（ICACCI），印度乌杜皮，2017年9月13-16日；页。1839 – 1843.6 8 . 徐，J。W. ; Ota, K.R.；董，M。X.基于机载视觉的轻型无人机导航。在IEEE网络网络/12（CPSCom）/15IEEE绿色计算和通信（绿色网 ) /12IEEE物联网 (ῠ) /5IEEE智能数据，亚特兰大，美国，2019年7月14-17日；页。315 –322.CrossRef6 9 . 达尔，B。K.；沙姆。A. ; 沙希德，H.；Fizzah，F.；Amjad，Z。一个雾计算架构支持应急响应和灾害管理系统（ERDMS） 。第24届IEEE 自动化和计算国际会议（ICAC）-通过自动化和计算提高生产力，纽卡斯尔，2018年9月6-7日。376 –381.70. 阿夫扎尔公司， A. ; 沙菲克， B. ; Shamail, S. ; Elahraf, A. ; Vaidya，J.；亚当，N。应急响应计划建议和组成系统（ERPRCS） 。第 19届数字政府研究国际年会（Dgo）-数据时代的治理，荷兰代尔夫特，2018年5月30日至6月1日；页。356 –365.CrossRef7 1 . 艾哈迈德，M。S.；生田，H。达卡的地震灾害管理分析。第三届IEEE-加拿大国际人道主义技术会议（IHTC）会议，加拿大多伦多，2017 年7月21-22日；页。46 – 50.72 . Simoes-Markues，m.； 门登卡，P.；菲格雷多，D.；努涅斯，我。L.基于UX测试的灾难管理支持系统原型设计演进。第十届应用人为因 素与人体工程学国际会议（AHFE）/人为因素与系统交互国际会议，美国华盛顿特区，2019年7月24-28日；第959卷，页。374 –385.CrossRef73.Fragkos, G. ; Tsiropoulou, E.E. ; Papavassiliou, S.公共安全系统中的灾害管理和信息传输决策。IEEE全球通信会议（全球），怀科 洛亚，美国，美国，2019年12月9-13日；页。1 –6.74.顾，T。J.；杨，W。N.； 比利亚雷亚尔，D。S.制定一个以网络为中心的灾害行动的应急反应概念框架。第三届信息管理国际会议（ICIM ) 会议，成都，中国，2017年4月21-23日；页。252 –257.75 .普斯皮塔，我。A. ; Soesanto, R.P.；穆罕默德，F。利用群众智慧设计面向灾害管理的移动地理信息系统。第六届IEEE工业工程与应用 国际会议（ICIEA）会议， 日本东京，2019年4月12-15日；页。496 –500.7 6 . Gokaraju，B.；诺布雷加，R。A.A. ; 睡床 D.A. ; Turlapaty, A.C. ; Tesiero, R.C.多源卫星数据集的数据融合用于成本效益的灾难管 理研究。2017年3月30日至2017年4月2日，IEEE东南会议会议记录；页。1 –5.7 7 . 弗莱舍，S.；贝尔，F。J. ; Rawiel, P.在灾害管理中即时提供地理数据的体系结构的概念和实现。《欧洲自由和开源地理空间技术会议 记录》（FOSS4G-Europe） ，法国马恩，法国，2017年6月18-22日；第42-44卷，页。73 –78.CrossRef78.Widagdo，J.；普特拉，D。D. ; Syihabuddin, B. ; Juhana，T.；Mulyana，E.；穆尼尔， A.基于android的灾难管理系统的灾后快速移 动评估应用程序。在IEEE物联网和情报系统国际会议（IoTaIS），印度尼西亚BALI，2021年1月27-28日；页。201 –204.CrossRef79.达尔，B。K.；沙姆。A. ; Shahid，H.；Naseem， A.基于雾计算的安卓智能手机自动事故检测和应急响应系统。214届新兴技术国际会议 （ICET）， 巴基斯坦伊斯兰堡，2018年11月21-22日；页。1 –6.80 . 方特斯 D. ; 字体， C. ; 卡多苏 A.一个基于g is的网络平台，协助当局利用VGI和传感器数据进行应急响应。在第四届国际会议的实验会 议记录上。2017年6月6-8日，葡萄牙法罗市；页。125 – 126.8 1 . Ghasemi，P.；卡里米安，N。物联网在灾害管理中应用的各个方面的定性研究。第六届国际网络研究会议（ICWR）会议，伊朗德黑兰， 2020年4月22-23日；页。77 –83.82.卡比尔，M。Y.；Gruzdev，S.；Madria，S。刺激：一个针对灾难的实时信息获取和学习系统 经营在法国凡尔赛宫第21届IEEE移动数据管理国际会议（MDM）上，2020年6月30日至7月3日；pp。186 – 193.CrossRef83.彭，G。Q.；YueS。S. ；李 。T.；歌曲，Z。Y.；温，Y。N.一种用于灾害和应急响应的交互式地图符号的程序性构造方法。Isprs Int.J.Geo-Inf.2017, 6, 95.CrossRef84. 图贾尼，R.；查巴尼，Y.；Dhouioui，Z.；Bouali，H。下一代灾害管理和救灾规划：基于沉浸式分析的方法。通勤。压缩。影响科学。 2018, 840, 80 –93.CrossRef85 . 曾， 问。T.；刘，C.；段，H.；周，M。C.跨组织应急响应过程的资源冲突检查和解决控制器设计。IEEE跨。西斯特。人Cybern.-Syst。 2020, 50, 3685 –3700..CrossRef8 6 . 段H.；刘C.； 曾，问。T.；周，M。C.基于细化的交叉组织协同应急响应过程的层次建模和正确性验证。IEEE跨。西斯特。人网络系统。. -2020, 50, 2845 –2859.CrossRef87.萨尔玛公司， D. ; Das， A. ; 贝拉大学。K.；Hezam，我。M.在梯形中性数不确定性下灾害管理中成本最小化的再分配。压缩。指示 2019, 109, 226 –238.CrossRef88.Mouradian，C。；贾罗米，N。T. ; Glitho, R.H.基于NFV和SDN的分布式物联网网关。IEEE互联网东西J。2018, 5, 4119 –4131.CrossRef89.李，L。Z.；哦，K.；董，M。X.；波吉金，W。黑暗中的眼睛：对灾难管理的分布式场景的理解。Ieee跨。平行分布。西斯特。2017, 28, 3458 –3471.CrossRef90.李，M。Y.；曹，P。P.应急响应中多属性风险决策问题的扩展TODIM方法。压缩。指示雕刻2019, 135, 1286 – 1293.CrossRef9 1 . Ejaz，W。；艾哈迈德， A. ; 穆什斯塔克， A. ; Ibnkahla, M.利用无人机辅助网络在灾害管理中的节能任务调度和生理评估。压缩。通勤。2020, 155, 150 – 157.CrossRef92 . 白B.；曹，Y.；李，X。Z.DTMM：面向疏散的灾害管理优化调度模型。压缩。通勤。2020, 150, 661 –671.CrossRef93.Lv，Z。H. ； 李 ， X 。M.；Choo，K。K.R.用于灾害管理的电子政务多媒体大数据平台。多段时间。工具应用程序。2018, 77, 10077 – 10089.CrossRef94.穆罕默德，K.；艾哈迈德，J.；拜克，S。W.在监测期间使用卷积神经网络进行早期火灾探测， 以实现有效的灾害管理。Neurocomputing 2018, 288, 30 –42.CrossRef9 5 . 公，P。F. ; 王， 问；朱，J。J.中国城市地区致命交通事故应急反应的分类。Cmc-Comput.母亲康廷。2021, 68, 1389 – 1408.CrossRef 96.霍里塔，F。E.A. ; 德阿尔伯克基J。P. ; Marchezini, V. ; Mendiondo, E.M.弥合决策和新兴的大数据源之间的差距：一个基于模型的框架在巴西的灾害管理中的应用。决定。支持系统。2017, 97, 12 –22.CrossRef97 .Valecha，R.；饶，H。R.；乌帕迪亚亚，S。J.；沙曼，R。一种基于调度调节的应急响应建模的活动理论方法。J.使发生联系影响西斯 特。2019, 20, 33 –57.CrossRef98 .HoseinDoost, S. ; Adamzadeh, T. ; Zamani, B. ; 法特米公司， A.一个用于在应急响应环境中开发多智能体系统的模型驱动的框架。软。西斯特。模型2019, 18, 1985 –2012.CrossRef99.阿格拉瓦尔；亚伯拉罕，S。J.；汉堡机， B. ; 克里斯廷 C. ; 弗雷泽，L.；Hoeksema，J。M.；黄，年代；Travnik，E.；库马尔，美国 ; 谢勒，W.；等人。下一代人类-无人机合作伙伴关系：共同设计一个应急响应系统。在计算系统中的人为因素CHI会议会议记录上（CH I） 。Assoc计算机机械公司，檀香山，HI，美国，2020年4月25-30日；页。1 – 13.CrossRef免责声明/出版商注：所有出版物中所包含的声明、意见和数据仅为个人作者和贡献者的声明，而不是MDPI和/或编辑)的声明。MDPI和/或编 辑器对内容中提及的任何想法、方法、说明或产品对人员或财产造成的任何伤害不承担责任。