Арктика 2035: актуальные вопросы, проблемы, решения. 2025, №2.

науч. рук. П. В. Р од и он ов // Э кология и б езо­ п асн ость в техносфере: со вр е м е н н ы е п р о ­ блемы и пути реш ения: сб. тр. Всероссийской науч.-практ. конф. м оло д ы х учены х, а сп и р а н ­ тов и студентов, г. Юрга, 22-24 нояб. 2018 г. — Томск: Изд-во ТПУ, 2018. — С. 405-407. — URL: http://earchive.tpu.ru/handle/11683/52089 (дата об ращ ения: 05.05.2025). 8. М ак си м о в А. В., М атвеев А. В. П ер сп екти ­ вы п р и м е н е н и я искусственного интеллекта в ан али зе б о л ьш и х д а н н ы х со ц и а л ь н ы х сетей при в озн и к н о в е н и и ч р е зв ы ч а й н ы х ситуаций // С ервис безоп асн ости в России: опыт, п р о ­ блемы , п ерспективы . С ов р е м е н н ы е м етоды и технологи и пред упр еж д ени я и проф илактики в о з н и к н о в ен и я ч р е зв ы ч а й н ы х ситуаций: м а те­ риалы XI Всерос. науч.-практ. конф. СПб.: С.-Пе- терб. ун-т ГПС М Ч С России, 2019. — С. 284-286. 9. Bari M., Khan M. N., Rahm an A. et al. Potential Use o f Artificial Intelligence (AI) in Disaster Risk and Em ergency Health M anagem ent: A Critical A ppraisal // H ealthcare. 2023. — Vol. 11, Issue 9. — URL: https://www .m dpi.com /2227- 9032/11/9/1349 (дата обращ ения: 05.05.2025). 10. Hickling M., Farag M., M arcotte R., M ahboubi H. Deep Reinforcem ent Learning based A u ton om ou s Decision-Making fo r Cooperative UAVs: A Search and Rescue Real W orld Application // arXiv.org. 2025. arXiv:2403.10321. — URL: https://arxiv.org/ abs/2403.10321 (дата обращ ения: 05.05.2025). 11. K um ar P., Rao K. V. S., Radhakrishna M. W ildfire and Sm oke Early Detection fo r Drone Applications: A Light-W eight Deep Learning A pp roach // arXiv.org. 2024. arXiv:2404.04291. — URL: https://arxiv.org/abs/2404.04291 (дата об ращ ения: 05.05.2025). 12. Papyan V., Fridovich-Keil S., Yosinski J. AI- based Drone Assisted H um an Rescue in Disaster Environm ents: C h allenges and O pp ortu n ities // arXiv.org. 2024. arXiv:2403.16411. — URL: https:// arxiv.org/abs/2403.16411 (дата обращ ения: 05.05.2025). 13. R a h n em oo nfa r M., H ashem i-B eni L., A lizadeh ash rafi B. et al. RescueNet: A High Resolution UAV Sem antic S egm entation Dataset fo r N atural D isaster D am age A ssessm en t // arXiv. org. 2024. arXiv:2403.12437. — URL: https:// arxiv.org/abs/2403.12437 (дата обращ ения: 05.05.2025). 14. Alfaro D., Torres L., A cevedo J., Saravia G. Structural D am age Detection Using an U nm an n ed Aerial V ehicle-Based 3D M odel and Deep Learning // Rem ote Sensing. — 2024. Vol. 16, Issue 4. — URL: https://www .m dpi.com /2072- 4292/16/4/736 (дата обращ ения: 05.05.2025). 15. H ew aw iththi S., Zhang D., Ma S. Dam age A ssessm en t after N atural Disasters w ith UAVs: Sem antic Feature Extraction of the M in istry of Em ergency Situations of Russia fo r the prevention and elim ination o f em ergency situations / A.V. Dudarev; scientific supervisor P. V. Rodionov // Ecology and safety in the technosphere: m odern p rob le m s and solutions: collection o f p roceed in gs of the All-Russian Scientific and Practical C onference o f Young Scientists, postg radu ates and Students, Yurga, N ovem ber 22-24, 2018. — Tom sk: TPU Publishing House, 2018. — Рp. 405-407. — URL: http:// earchive.tpu.ru/handle/11683/52089 (date of request: 05.05.2025). 8. M aksim ov A. V., M atveev A. V. Prospects fo r the use of artificial intelligence in the analysis of big data of social n etw orks in em erg en cy situations // Security service in Russia: experience, problem s, prospects. M o dern m eth ods and tech n olog ies fo r the prevention and prevention o f em ergency situations: m aterials of the XI All-Russian Scientific and Practical Conference. — St. Petersburg: St. Petersburg State U niversity of the M in istry o f Em ergency Situations o f Russia, 2019. — Рр. 284-286. 9. Bari M., Khan M. N., Rahm an A. et al. Potential use of artificial intelligence (AI) in disaster risk m an a gem en t and em erg en cy m edical care: a critical assessm en t // Healthcare. 2023. Vol. 11, Issue 9. — URL: https://www .m dpi.com /2227- 9032/11/9/1349 (date of request: 05.05.2025). 10. Hickling M., Farag M., M arcotte R., M ahboobi H. A u to n o m o u s decision-m aking based on deep learning w ith rein forcem en t fo r collaborative drones: A real-w orld search and rescue application // arXiv.org.2025. arXiv:2403.10321. — URL: https://arxiv.org/abs/2403.10321 (accessed 05.05.2025). 11. K um ar P., Rao K. V. S., Radhakrishna M. Early detection of forest fires and sm oke for u nm an ned aerial vehicles: an easy app roach to deep learning // arXiv.org. 2024. arXiv:2404.04291. — URL: https://arxiv.org/abs/2404.04291 (date of request: 05.05.2025). 12. Papyan V., Fridovich-Kale S., Josinski J. An artificial intelligence-based drone that helps rescue people in natural disasters: ch allenges and op p ortu n ities // arXiv.org. 2024. arXiv:2403.16411. — URL: https://arxiv.org/ abs/2403.16411 (date of access: 05.05.2025). 13. R ah n em u n fa r M., H ashem i-Beni L., Alizadeh Hashrafi B. et al. RescueNet: A set o f high- resolution UAV sem antic segm en tation data for disaster dam age assessm en t // arXiv.org. 2024. arXiv:2403.12437. — URL: https://arxiv.org/ abs/2403.12437 (date of request: 05.05.2025). 14. A lfaro D., Torres L., Acevedo H., Saravia G. Detection of structural dam age using a 3D m odel o f an u nm an ned aerial vehicle and deep learning // Rem ote sensing. — 2024. Vol. 16, Issue 4. — URL: https://www .m dpi.com /2072- 4292/16/4/736 (date o f access: 05.05.2025). 15. H ew awithi S., Zhang D., Ma S. Dam age assessm en t after natural disasters using u nm an ned aerial vehicles: sem antic feature extraction. Технологии |