当危机发生时，掌握受影响地区的精确实时信息对于快速有效地做出响应至关重要。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 正在开发一种深 尼日利亚区号 度学习算法，帮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，以便从卫星图像 这一比例正在增加 中识别建筑物。2019 年全年，其数据科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门 欧洲比特币数据库 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。