機器學習可以幫助決策者回答諸如“何時？”、“有多糟糕？”、“有多少人處于危險之中？”等諸多問題。

颶風多里安在巴哈馬造成了嚴重破壞亞馬遜森林大火肆虐。今年夏天，美國加州南部發生了7.1級地震和余震。印度喀拉拉邦遭受了近一個世紀以來最大的洪水

很明顯，世界各地的自然災害正在造成越來越多的破壞，而且未來可能還會發生更多的破壞性事件。但是，我們如何保護自己免受不可避免的災難呢？

答案在于我們要有能力更好地預測、規劃和應對自然災害能夠分析大量數據的新技術是非常有前途的工具，可以幫助社區領導人和應急管理人員做出更明智的決策。這些技術是從機器學習領域發展起來的，可以補充和加強現有的災害應對計劃。

機器學習技術可以幫助決策者更準確地回答緊急問題，比如：災難什么時候發生？它的破壞性有多大？哪些地區將受到最嚴重的打擊，有多少人在這些地區生活和工作？哪些建筑最容易受到攻擊？會不會停電？如果會，在哪里停電？需要什么設備和資源，需要多長時間？救災工作將花費多少？等等。

簡而言之，機器學習讓計算機模仿人類學習分析過去災難的大量數據，從而對當前和未來的類似事件產生新的見解。訓練計算機去“思考”、處理信息并發展出遠超人腦計算能力的洞察力。

機器學習可以利用過去災難的大量數據。事實上，它已經被用于改善災害應對。例如，一些公用事業公司正在使用俄亥俄州立大學的史蒂文·奎林（Steven Quiring）開發的機器學習工具，來預測颶風和其他惡劣天氣事件造成的電力中斷。公用事業公司報告說，機器學習提供了關鍵信息，幫助他們改善了決策

在另一個例子中，一家初創公司開發了一個交叉災害平臺，使用基于工程和機器學習的模型，向社區領導人和應急管理人員提供信息，以增強長期抗災能力和短期災害響應能力。另一家非營利初創公司正在使用數據分析和地圖技術，將災難受害者與急救人員和志愿者組織聯系起來。

此外，機器學習技術也有局限性。他們只能處理和分析輸入電腦的信息。例如，如果一個特大災難的數據不是數據集的一部分，那么機器學習技術很可能無法對未來的類似事件做出準確的預測。機器學習的預測伴隨著不確定性，決策者很難完全理解這種不確定性。

必須強調，機器學習絕不能取代人類的決策，它只是補充了專家判斷和傳統的災害應對方法。這與機器學習在其他領域（如自動駕駛汽車）的應用有著關鍵的區別，在自動駕駛汽車領域，該技術尋求至少在一定程度上取代人類決策。機器學習不能也不應該取代傳統的災難應對方法。鑒于情況的復雜性和嚴重性，人類專家的判斷是絕對關鍵的。

很多人對機器學習持懷疑態度。他們擔心這門未經證實的科學，沒有足夠的數據來預測未來的事件。但這些只是謬見。機器學習如果使用正確，并基于與未來情況相關的可靠數據，在許多行業中都得到了證明。即使在自然災害領域，也有大量的數據可以用于不同的事件和情況。

隨著洪水、地震和野火在未來造成越來越多的破壞，機器學習應該成為災害應對計劃的重要組成部分。如果不使用它，我們就剝奪了應急管理人員在關鍵時刻改善決策的重要工具。