澳大利亚悉尼城市灾害多维监测数据集2018-2024-datasetengineer
数据来源：互联网公开数据
标签：灾害管理, 澳大利亚, 悉尼, 灾害响应, 深度学习, 遥感, drone, EM-DAT, 环境监测, 城市, 应急管理
数据概述：
DisasterScope数据集是一个多维度数据集，专为人工智能驱动的灾害响应而设计。该数据集源自EM-DAT（国际灾害数据库），并结合了来自澳大利亚悉尼城市和郊区地区的高分辨率无人机观测数据。悉尼以其先进的危机应对基础设施和多样的地理特征而闻名。
数据集的时间跨度为2018年至2024年，包含每小时的记录，反映了多种灾害情景下动态的环境、结构和以人为中心的情况。它整合了关键变量，这些变量对于训练机器学习模型至关重要，用于评估灾害严重程度、识别受影响区域并确定即时响应需求。
该数据集提供了人工智能在灾害管理中的独特应用机会，这得益于其对灾害情景的全面覆盖、高粒度和多模态结构。
关键特征：
该数据集包括16个关键特征：
温度：灾区环境温度读数（°C）。
湿度：受影响区域的相对湿度水平（%）。
风速：灾害期间的风速（km/h）。
空气质量指数（AQI）：表明空气质量和危险水平的污染水平。
水位：易发生洪涝地区的水位测量（米）。
建筑物损坏程度：结构损坏严重程度的分类评估。
道路状况：道路的可达性和阻塞状态。
基础设施状态：关键基础设施的运行状态（例如，电力、医院）。
植被覆盖：灾害造成的植被破坏程度。
人员检测：灾区内个人的估计人数。
热特征：表明人员存在的热信号。
危险材料检测：该区域是否存在危险材料的二元指示符。
灾害严重程度：灾害影响严重程度的分类（低、中、高）。
受影响区域类型：灾害影响类型的分类标签（例如，淹没、火灾损坏）。
需要立即采取行动：表明需要紧急干预的二元标志。
幸存者存在可能性：该地区有幸存者的概率。
数据是在计划的评估和紧急部署期间收集的，提供了受影响和未受影响区域的平衡表示。
关键特征包括：
时间跨度：2018年至2024年。
粒度：每小时记录，捕捉动态的环境和结构状况。
捕获的变量：环境因素、人员存在、基础设施稳定性和情境安全指标。
该数据集支持：
用于灾害响应的实时决策。
用于识别灾害严重程度和受影响区域类型的多标签分类。
救援和恢复工作的优先排序。
通过将基于无人机的技术与来自EM-DAT的数据相结合，DisasterScope为训练人工智能模型提供了无与伦比的资源，提供了时间丰富性和特征多样性，以增强对灾害演变和响应策略的研究。
