Compound climate-related events: exploring tools in order to collect/integrate data

Compound climate-related events are increasing in terms of frequency and intensity, which creates different challenges for disaster management techniques and risk mitigation strategies. These kinds of events result from the interaction of multiple hazards, such as extreme precipitation, droughts, earthquakes, or floods, that can amplify their overall impact on natural ecosystems and also human communities. Gathering information about these events is vital for developing a better early warning system and enhancing climate resilience. This study focuses on new methodologies for collecting and integrating data in this regard. It also explores the role of web data mining, computational tools, artificial intelligence (AI), and web scraping in advancing hazard assessment. The research presents two main approaches for collecting data: unconditioned search and conditioned search. The unconditioned search method uses automated web scraping and text mining in order to extract information about past natural events, from news articles and scientific papers. Meanwhile, the conditioned search approach focuses on completing existing disaster databases, such as EM-DAT, by recognition of gaps in the records and filling them with correct information gathered from AI tools and validation techniques. The goal of this study is to build a more reliable and complete dataset for hazard analysis and risk assessment. Findings reveal that web data extraction significantly enhances the ability to detect, classify, and analyze compound events in real-time. Nevertheless, challenges like remaining missing data, inconsistencies, and discrepancies in online sources prove that further refinement is needed. This research helps to broaden the field of risk assessment by introducing a structured data collection and data integration framework that supports hazard monitoring and policy planning. Ultimately, it provides a valuable tool for improving decision-making in post-disaster situations.

Gli eventi climatici composti stanno aumentando in termini di frequenza e intensità, creando diverse sfide per le tecniche di gestione dei disastri e le strategie di mitigazione del rischio. Questi tipi di eventi derivano dall'interazione di molteplici pericoli, come precipitazioni estreme, siccità, terremoti o inondazioni, che possono amplificare il loro impatto complessivo sugli ecosistemi naturali e sulle comunità umane. Raccogliere informazioni su questi eventi è fondamentale per sviluppare un sistema di allerta precoce più efficace e migliorare la resilienza climatica. Questo studio si concentra su nuove metodologie per la raccolta e l'integrazione dei dati a questo proposito. Esplora inoltre il ruolo del data mining sul web, degli strumenti computazionali, dell'intelligenza artificiale (AI) e del web scraping nel progresso della valutazione dei rischi. La ricerca presenta due principali approcci per la raccolta dei dati: la ricerca incondizionata e la ricerca condizionata. Il metodo della ricerca incondizionata utilizza il web scraping automatizzato e il text mining per estrarre informazioni su eventi naturali passati da articoli di notizie e pubblicazioni scientifiche. Nel frattempo, l'approccio della ricerca condizionata si concentra sul completamento dei database esistenti sui disastri, come EM-DAT, attraverso il riconoscimento delle lacune nei dati e il loro riempimento con informazioni corrette raccolte tramite strumenti di AI e tecniche di validazione. L'obiettivo di questo studio è costruire un dataset più affidabile e completo per l'analisi dei pericoli e la valutazione dei rischi. I risultati rivelano che l'estrazione di dati dal web migliora significativamente la capacità di rilevare, classificare e analizzare gli eventi composti in tempo reale. Tuttavia, sfide come dati mancanti, incoerenze e discrepanze nelle fonti online dimostrano che sono necessari ulteriori perfezionamenti. Questa ricerca contribuisce ad ampliare il campo della valutazione del rischio introducendo un quadro strutturato per la raccolta e l'integrazione dei dati, a supporto del monitoraggio dei pericoli e della pianificazione delle politiche. Infine, fornisce uno strumento prezioso per migliorare il processo decisionale nelle situazioni post-disastro.