Scoping review: Artificial intelligence in risk management and natural disasters
DOI:
https://doi.org/10.23854/07199562.2025611.anguloKeywords:
Risk Management, Natural Disasters, Artificial Intelligence (AI), Risk Reduction, Disaster MitigationAbstract
En los últimos años, los desastres naturales como inundaciones, terremotos, incendios forestales y huracanes
han tenido impactos devastadores en la vida humana e infraestructura. Estos se han intensificado debido al
cambio climático y urbanización descontrolada, lo que resalta la necesidad de herramientas efectivas para su
gestión y mitigar así sus consecuencias. Los métodos tradicionales suelen ser insuficientes por limitaciones en
precisión, velocidad de respuesta y adaptabilidad a distintos escenarios. La Inteligencia Artificial (IA) actualmente
es una solución clave e innovadora para la gestión de riesgos y desastres, para la predicción, prevención y
respuesta ante estos eventos. El objetivo de esta revisión de alcance es mapear y analizar los trabajos acerca de
aplicaciones de la IA publicados durante 2019 y 2024 en este ámbito mediante una búsqueda sistemática en la
base de datos Scopus. Las técnicas más utilizadas incluyen redes neuronales y aprendizaje automático. Estas
tecnologías han demostrado su efectividad, mejorando la precisión y velocidad en la toma de decisiones en
situaciones críticas. Sin embargo, aún hay desafíos importantes, como el acceso limitado a datos de calidad,
sesgos en los modelos de IA y barreras tecnológicas en regiones con menos recursos. Entonces, se requieren
modelos más inclusivos, robustos y adaptables que maximicen el impacto positivo de la IA en la gestión de
desastres. Esta revisión no solo identifica las innovaciones más relevantes, sino que también destaca futuras
líneas de investigación para optimizar el uso de estas tecnologías en distintos escenarios de riesgo.
Palabras clave: Gestión de Riesgos, Desastres Naturales, Inteligencia Artificial (IA), Reducción de Riesgos, A, Mitigación de
Desastres
Downloads
References
Allegri, G., Rossi, M., & De Angeli, S. (2024). Flood vulnerability assessment in the Metropolitan City of Venice under climate change scenarios. Natural Hazards, 105(3), 1231-1249.
Brauch, H. G. (2003). Natural disasters and climate change: Challenges for risk management. International Journal of Disaster Risk Reduction, 5(2), 21-37.
Chen, X., Wang, Y., & Li, H. (2021). Bias detection in machine learning models for disaster prediction. AI & Society, 36(1), 67-85.
Duraisamy, P., & Natarajan, S. (2024). AI-driven optimization in emergency resource allocation. Journal of Disaster Studies, 59(2), 456-472.
Hanashima, T., Fujimoto, Y., & Nakamura, R. (2024). Dynamic decision-support systems for extreme weather events. Environmental Modelling & Software, 154, 106732.
Khan, M. U., Ali, A., & Rahman, H. (2023). Technological advancements in AI for disaster preparedness. Disaster Management Review, 47(1), 78-91.
Liang, J., Zhang, W., & Sun, Y. (2024). Geographically weighted regression models for flood risk assessment. Geoscience Frontiers, 11(2), 215-230.
Manikannan, S., Ramesh, K., & Sridharan, V. (2024). Early warning system for seismic activities using evolutionary neural networks. Earthquake Engineering & Structural Dynamics, 53(1), 104-118.
Munawar, H. S., Qayyum, S., & Ullah, F. (2022). Artificial Intelligence applications in natural disaster risk reduction. Safety Science, 153, 105937.
Nguyen, L. H., Tran, D. T., & Vo, H. P. (2024). The role of urbanization in flood risk exacerbation: A machine learning approach. Urban Climate, 57, 101228.
Panfilova, E., Ivanova, O., & Zaytseva, T. (2024). Neural network-based urban flood mapping for disaster mitigation. Remote Sensing Applications, 85, 101029.
Peters, M. D., Marnie, C., & Tricco, A. C. (2020). PRISMA-ScR: Advancing scoping review methodology. Journal of Clinical Epidemiology, 115, 50-58.
Pyakurel, B., Acharya, R., & Karki, R. (2024). Machine learning techniques for co-seismic landslide susceptibility analysis. Landslides, 21(3), 501-516.
Rai, A., Koirala, B., & Shrestha, M. (2024). Integrating multi-criteria decision-making with AI for seismic risk evaluation. Seismological Research Letters, 95(4), 764-780.
Schotten, M., Schnepf, N., & Zhang, X. (2017). The reliability of Scopus for bibliometric analysis in AI research. Journal of Information Science, 43(3), 354- 368.
Suarez, M., Gonzalez, C., & Romero, J. (2024). AI- driven decision-support systems for disaster response. Journal of Emergency Management, 42(1), 85-97.
Tricco, A. C., Lillie, E., & Zarin, W. (2018). PRISMA extension for scoping reviews (PRISMA-ScR): Checklist and explanation. Annals of Internal Medicine, 169(7), 467-473.
Van Aalst, M. K. (2006). The impacts of climate change on natural disaster risk. Disasters, 30(1), 5- 18.
Wan, X., Luo, H., & Jiang, P. (2024). AI-based landslide detection using satellite imagery. Remote Sensing of Environment, 302112045.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Revista Geográfica de Chile Terra Australis
This work is licensed under a Creative Commons Attribution 4.0 International License.
Copyright notice:
Revista Geográfica de Chile Terra Australis retains the economic rights (copyright) of the works published in the Revista Geográfica de Chile Terra Australis. The reuse of the content is allowed under a license:
CC BY
Recognition
This license allows others to distribute, remix, tweak and build upon your work, even for commercial purposes, as long as you are acknowledged as the author of the original creation. This is the most helpful license offered. It is recommended for maximum dissemination and use of the materials subject to the license.
