机器学习可以帮助决策者回答诸如“何时？”、“有多糟糕？”、“有多少人处于危险之中？”等诸多问题。

飓风多里安在巴哈马造成了严重破坏。亚马逊森林大火肆虐。今年夏天，美国加州南部发生了7.1级地震和余震。印度喀拉拉邦遭受了近一个世纪以来最大的洪水。

很明显，世界各地的自然灾害正在造成越来越多的破坏，而且未来可能还会发生更多的破坏性事件。但是，我们如何保护自己免受不可避免的灾难呢？

答案在于我们要有能力更好地预测、规划和应对自然灾害。能够分析大量数据的新技术是非常有前途的工具，可以帮助社区领导人和应急管理人员做出更明智的决策。这些技术是从机器学习领域发展起来的，可以补充和加强现有的灾害应对计划。

机器学习技术可以帮助决策者更准确地回答紧急问题，比如：灾难什么时候发生？它的破坏性有多大？哪些地区将受到最严重的打击，有多少人在这些地区生活和工作？哪些建筑最容易受到攻击？会不会停电？如果会，在哪里停电？需要什么设备和资源，需要多长时间？救灾工作将花费多少？等等。

简而言之，机器学习让计算机模仿人类学习分析过去灾难的大量数据，从而对当前和未来的类似事件产生新的见解。训练计算机去“思考”、处理信息并发展出远超人脑计算能力的洞察力。

机器学习可以利用过去灾难的大量数据。事实上，它已经被用于改善灾害应对。例如，一些公用事业公司正在使用俄亥俄州立大学的史蒂文·奎林(Steven Quiring)开发的机器学习工具，来预测飓风和其他恶劣天气事件造成的电力中断。公用事业公司报告说，机器学习提供了关键信息，帮助他们改善了决策。

在另一个例子中，一家初创公司开发了一个交叉灾害平台，使用基于工程和机器学习的模型，向社区领导人和应急管理人员提供信息，以增强长期抗灾能力和短期灾害响应能力。另一家非营利初创公司正在使用数据分析和地图技术，将灾难受害者与急救人员和志愿者组织联系起来。

此外，机器学习技术也有局限性。他们只能处理和分析输入电脑的信息。例如，如果一个特大灾难的数据不是数据集的一部分，那么机器学习技术很可能无法对未来的类似事件做出准确的预测。机器学习的预测伴随着不确定性，决策者很难完全理解这种不确定性。

必须强调，机器学习绝不能取代人类的决策，它只是补充了专家判断和传统的灾害应对方法。这与机器学习在其他领域(如自动驾驶汽车)的应用有着关键的区别，在自动驾驶汽车领域，该技术寻求至少在一定程度上取代人类决策。机器学习不能也不应该取代传统的灾难应对方法。鉴于情况的复杂性和严重性，人类专家的判断是绝对关键的。

很多人对机器学习持怀疑态度。他们担心这门未经证实的科学，没有足够的数据来预测未来的事件。但这些只是谬见。机器学习如果使用正确，并基于与未来情况相关的可靠数据，在许多行业中都得到了证明。即使在自然灾害领域，也有大量的数据可以用于不同的事件和情况。

随着洪水、地震和野火在未来造成越来越多的破坏，机器学习应该成为灾害应对计划的重要组成部分。如果不使用它，我们就剥夺了应急管理人员在关键时刻改善决策的重要工具。