当危机发生时，掌握受影响地区的精确实时信息重要。尽管卫星图像是一种宝贵的工具，但产生的数据往往难以利用。
目前的分析方法依赖于人类专家的工作，他们花费数天来注释数据。在世界的某些地区，这些数据根本不存在。
与人工分析相比
工智能有助于在更短的时间内以更低的成本完成分析。例如，UNOSAT 和 Global Pulse 正在开发 助分析人员统计和分类难民营中的建筑。
它还可以弥补地图上缺失的世界各地区地理信息的不足。Missing Maps 由美国红十字会、英国红十字会、无国界医生组织 手机号码数据 和人道主义 OpenStreetMap 团队于 2014 年推出，旨在“绘制发展中国家最脆弱地区的地图”。
为实现这一目标，这个开放
协作、人道主义的地图制作项目依靠数万名志愿者的贡献，为 OpenStreetMap 添加信息。
为了加快这一进程，英特尔最近与美国红十字会联手，提供人工智能技术，以便从卫 别建筑物。2019 年全年，其数据科 印度尼西亚数据 学家建立了一个计算机视觉模型，该模型经过训练可以识别桥梁、道路和水道。该模型识别了乌干达南部 70 座桥梁，这些桥梁在 OpenStreetMap 或乌干达统计局的官方地图上没有标注。
计算机视觉还可以改善自然灾害后的建筑物损坏评估。这是美国国防创新部 发起的xView2 项目的主题。
该组织由五角大楼成立，旨在加速军队采用尖端民用技术，并向国际人工智能界发起挑战，要求创 使用这些 B2B 内容营销指标来跟踪和改善结果 建模型来实现这一过程的自动化。
作为训练数据，它发布了最大的高分辨率公共卫星数据集之一，其中标注了建筑物的位置以及自然灾害前后的损坏评分。