《Progress in Disaster Science》：Artificial intelligence for urban emergency management: A systematic review of urban data foundations and methodological pathways
编辑推荐：
本研究采用系统文献综述（systematic literature review, SLR）方法，对人工智能（artificial intelligence, AI）赋能城市应急管理领域的机器学习（machine learning, ML）与深度学习（deep
本研究采用系统文献综述（systematic literature review, SLR）方法，对人工智能（artificial intelligence, AI）赋能城市应急管理领域的机器学习（machine learning, ML）与深度学习（deep learning, DL）研究进行了全面梳理与整合分析。研究人员基于Web of Science核心合集检索2015年至2025年9月间的相关文献，经系统筛选后共纳入678篇出版物。研究提出了一种面向任务的城市数据分类框架，将多源城市数据划分为灾害感知与预警数据、暴露度与脆弱性数据、可达性与疏散支持数据、影响评估与恢复数据、公众情绪与行为数据五类；同时构建了涵盖风险预测与分类建模、时空表征与序列建模、生成式与情景模拟建模、决策与优化建模的四范式方法论框架。通过文献计量分析（bibliometric analysis）与内容分析（content analysis），研究揭示了该领域的演化轨迹、核心研究热点与国际合作网络，识别出当前研究存在的五大关键缺口，包括城市数据基础碎片化与互操作性不足、跨城市-跨灾害-跨应急阶段的迁移能力有限、机制感知建模与可解释性欠缺、统一基准与跨任务评估协议缺失、从离线建模向闭环运行决策支持过渡不足，并据此提出六项未来研究方向。本综述建立了一个贯通数据输入、方法选择、模型评估与应用场景的集成分析框架，为构建更集成、可解释且面向决策的城市应急管理智能系统提供了系统的理论依据与方法论基础。
# 人工智能赋能城市应急管理研究：数据基础、方法路径与未来议程的系统综述解读
## 一、研究背景与问题提出
城市日益成为各类突发事件孕育、交互并产生深远影响的核心空间。随着人口、基础设施、经济活动与社会功能的高度集聚，城市面临洪水、地震、流行病、交通事故、野火及极端天气等多类型扰动事件的威胁。与传统环境中的突发事件不同，城市突发事件往往在高度互联的系统中展开，扰动可迅速跨越物理基础设施、人口流动、公共服务和社会经济活动等维度传播，不仅放大灾害的直接冲击，更产生难以预见和管理的级联破坏。在这一背景下，城市应急管理不再仅仅是事后干预，而是涉及灾害萌生、风险传播、影响评估与响应决策支持的复杂分析与运行过程。
近年来，机器学习和深度学习的快速发展显著拓展了城市应急管理的分析能力，多源城市数据的扩张也使得更全面的数据驱动灾害分析成为可能。然而，该领域的快速演进同时带来了显著的碎片化问题。现有研究与综述往往围绕特定灾害类型、数据来源或算法方法展开，例如聚焦城市韧性概念、城市水系统或特定灾害建模，而缺乏对机器学习和深度学习方法在整个城市应急管理领域应用的系统综合。这种碎片化使得人们难以理解不同城市数据源如何转化为模型可用的表征、方法论选择如何对应应急管理的不同阶段，以及领域如何从描述性预测向更集成、可解释和面向响应的智能系统演进。
针对上述问题，本研究开展了一项系统综述，采用将多源城市数据基础及其处理路径与相应方法论演化相连接的集成视角，致力于回答三个核心研究问题：机器学习与深度学习研究如何演变以支持城市应急管理？近年来哪些城市数据基础与方法路径被最广泛采用？现有研究存在哪些方法论局限与研究缺口，未来研究方向应如何构建？研究旨在建立从数据到决策的集成知识框架，重构支撑当代应急分析的多源城市数据基础，通过结构化方法论视角重组现有研究，并识别关键缺口以勾勒未来发展方向。
## 二、研究设计与技术方法
研究人员采用系统文献综述方法，以Web of Science核心合集为主要数据源，检索2015年至2025年9月6日间的英文文献，文献类型涵盖期刊论文、综述论文和会议论文。经标题-摘要初筛和全文审查后，最终纳入678篇符合标准的出版物。研究综合运用了三种关键技术方法：其一，文献计量分析，使用CiteSpace 6.4.R1软件进行共被引网络分析、聚类分析、关键词共现分析与突现检测，以追踪领域演化轨迹、识别核心学术共同体与知识结构；其二，内容分析，通过结构化人工编码对纳入文献进行系统性解读，根据数据来源、模型架构、分析目标与预期输出对每项研究进行分类，以识别研究挑战与共性问题；其三，集成框架构建，在文献计量与内容分析基础上，开发了覆盖数据输入、模型选择、评估方法与应用场景的整体研究框架，用于呈现当前研究的知识结构与内在逻辑。
## 三、研究结果
### 3.1 文献计量结果：出版趋势、合作网络与研究热点
从出版规模看，该领域年发文量从2015年的2篇增长至2024年的189篇，经历了三个演进阶段：2015—2017年为技术驱动的早期阶段，以静态特征工程和结构化数据为主；2018—2021年为深度学习和算力驱动的快速增长阶段，研究从单模态静态建模转向多模态整合与时空建模；2022年以来进入技术整合与方法创新阶段，Transformer架构、生成模型、自监督学习和强化学习等推动了研究范式的多元化发展。从合作网络看，中国（234篇）和美国（140篇）在发文量和合作强度上占据核心位置，两国双边合作是全球知识与信息交流的主要渠道。关键词共现分析显示，机器学习（256次）和深度学习（149次）处于中心位置，随机森林（82次）、逻辑回归（82次）和支持向量机（58次）等成熟监督学习方法仍被广泛使用；社交媒体（67次）和遥感（63次）的频繁出现反映了多源城市数据依赖性的增强。
### 3.2 数据基础：五类面向任务的城市数据
研究采用面向任务的分类框架将城市应急数据组织为五类：灾害感知与预警数据，以卫星遥感影像和气象观测为核心，支持灾害监测、快速制图和预警；暴露度与脆弱性数据，涵盖兴趣点（point of interest, POI）、人口与社会经济统计、环境与地形数据，用于识别风险承载体并刻画潜在影响；可达性与疏散支持数据，包括交通流、路网结构与个体轨迹数据，反映灾害条件下的交通效率与疏散可达性；影响评估与恢复数据，整合避难场所、关键设施、灾害与人口分布信息，支持灾后影响评估与恢复优先级排序；公众情绪与行为数据，通过社交媒本文本和多媒体数据捕捉公众响应、信息扩散与危机沟通动态。研究还系统梳理了涵盖数据清洗、数据集成和数据转换的处理流程，并指出在极端灾害条件下，数据退化通常具有模态特异性，不同模态的数据需要差异化的处理策略。
### 3.3 方法路径：四范式建模框架
**风险预测与分类模型**：这一范式主要依赖监督学习方法，通过结构化特征向量编码气象、地形、土地利用、排水和社会经济等多源信息，输出风险概率或风险等级。在特征组织上，研究比较了加法融合、乘法融合、特征拼接和特征交互建模等策略：加权加法适用于指标累加贡献的复合风险评分，逐元素乘法适用于物理耦合致灾因子（如坡度×降雨量），特征拼接则更适合保留异质变量独立语义的高维脆弱性向量。基于XGBoost和随机森林的研究进一步表明，交互效应对洪水风险、交通事故风险和避难所分布具有重要影响，SHAP等可解释技术被用于识别主导风险因子。
**时空表征模型**：该范式分为空间结构驱动、时间动态驱动和时空联合表征三类。空间结构驱动表征通过卷积神经网络（convolutional neural network, CNN）捕捉灾害影响的空间连续性与结构依赖，并通过图神经网络（graph neural network, GNN）扩展至跨区域的结构约束传播建模；时间动态驱动表征聚焦风险状态随时间演化，长短时记忆网络（long short-term memory, LSTM）及其变体被用于捕捉多尺度时间记忆、识别预警阈值和关键干预期；时空联合表征（spatio-temporal joint representation, STJR）在同一推断循环内联合建模结构传播与状态演化，图卷积网络、扩散卷积循环网络和Transformer架构分别从显式图结构和可学习时空注意力两个方向推动了该范式的发展。研究表明，Transformer-based STJR通过可学习的时空注意力替代邻接驱动的消息传递，更适应应急场景中时变重组与跨尺度传播的特征。
**生成式与情景模拟模型**：这一范式针对样本稀缺/类别不平衡和高保真物理模拟计算成本高两大瓶颈，包含三条技术路径：生成式数据增强通过学习灾害事件的分布并合成少数类或极端样本，扩展稀疏数据集以覆盖关键情景；情景生成与代理模拟通过生成模型学习从情景条件到响应结果的映射，以低成本近实时替代高成本数值模拟，应用于地震宽带地震动生成、传染病数字孪生模拟和灾后快速制图等场景；聚类划分与情景降维通过K-Means等方法将高维风险表征或连续情景输出压缩为有限风险分区和层级，提升决策可解释性，如洪水风险分区制图、建筑损伤类别压缩和疫情风险分级。
**决策与优化模型**：该范式将应急管理问题形式化为序贯决策过程，通过强化学习（reinforcement learning, RL）和深度强化学习（deep reinforcement learning, DRL）学习动态环境中的自适应策略。研究识别出三类互补的安全保障机制：物理与运行约束定义可行动作集、安全探索通过模型滚动或安全过滤器防止智能体进入不安全状态、约束或信任域策略更新限制期望约束违反和策略间突变。应用覆盖实时控制优化（如排水系统闸门控制、交通信息发布策略）、资源分配与响应调度（如边境筛查、防疫物资调度、道路清理规划）以及韧性导向的决策优化（如震后恢复、抗震加固组合优化、电力配电网恢复），表明该范式已从单一设施控制向协同与韧性导向运行演进。
## 四、研究讨论与结论
基于文献计量分析与内容分析的综合发现，当前研究存在五大关键缺口：一是城市数据基础碎片化与互操作性不足，空间尺度、时间粒度、字段定义、标签质量和数据共享实践的差异阻碍了跨源对齐与跨城市复用；二是跨城市、跨灾害、跨应急阶段的迁移能力有限，多数模型针对特定城市、特定灾害或狭义任务开发，存在强情景依赖性；三是机制感知建模、可解释性与因果推理不足，模型复杂度增长快于可解释性发展，灾害知识、基础设施运行规则和行为约束未能充分嵌入模型设计；四是缺乏统一基准和跨任务评估协议，数据集构建、训练-测试划分、评估指标和验证策略的不一致使直接比较困难；五是从离线建模到闭环运行决策支持的过渡有限，多数方法集中于离线建模和实验验证，尚未与实时感知、动态更新、滚动情景分析和命令反馈交互等真实运行流程有效连接。
针对上述缺口，研究提出六项未来方向：构建可互操作且不确定性感知的城市应急数据基础，发展跨城市、跨灾害、跨应急阶段的迁移模型，推进机制感知、可解释和因果知情的人工智能，建立统一基准与跨任务评估协议，推动从离线建模向闭环运行决策支持的转变，以及探索面向应急管理的基座模型（foundation models）。研究强调，未来系统应依托时空智能数字孪生基座，集成多层级感知、无人机应急监测与物流、动态城市网络表征和双向命令反馈的实时模拟，以实现级联灾害的持续更新与协同响应，推动人工智能从事后评估的分析工具转变为支持实时响应和长期韧性管理的运行框架。
综上所述，本研究通过建立城市数据基础与方法路径的集成知识框架，系统梳理了人工智能在城市应急管理中的应用现状、演化逻辑与未来方向，为构建更集成、可解释且面向决策的城市应急管理智能系统奠定了理论基础，也为该领域的后续研究提供了清晰的方法论指引。
