Agent-based coordination for first responders in disaster management leveraging AI and semantic web technologies

Abstract

Natural disasters impose significant human, economic, and environmental burdens, disrupting communities and overwhelming critical infrastructure. In recent years, their growing frequency and intensity have placed unprecedented demands on disaster risk management (DRM), requiring rapid coordination among multiple stakeholders and effective allocation of limited resources. Within this context, the response phase of DRM is especially critical, as decisions must be made under time pressure, incomplete information, and high uncertainty. Information and communication technologies (ICT) have played an important role in this direction by improving the collection and exchange of disaster-related information. However, current systems continue to face difficulties in integrating heterogeneous data into a consistent semantic representation. This limitation reduces their ability to interpret data, infer new knowledge, or adapt past cases to current operational needs. To overcome this challenge, systems should combine semantic integration with adaptive reasoning to deliver recommendations responsive to evolving disaster conditions. This thesis introduces the First Responders System (FiReS), a framework that combines Semantic Web technologies with agent-driven Case-Based Reasoning (CBR) to support decision-making in post-disaster scenarios. FiReS is organized into two layers. The Design Layer establishes the semantic foundation through the FiReS ontology, which defines disaster-related entities, integrates heterogeneous data, and applies SWRL rules for reasoning. The Execution Layer builds on this foundation to generate recommendations. The FiReS agent manages the CBR cycle by retrieving past cases from the RDF repository, comparing them through multi-dimensional similarity assessment, and applying Bayesian reasoning to address uncertainty. Adapted cases are validated through SWRL-based reasoning to ensure logical consistency and then stored back into the RDF repository, supporting iterative supporting iterative learning within the system. FiReS was validated in two stages. The Design Layer was evaluated as the semantic foundation of the system. The FiReS ontology provided a consistent representation of heterogeneous disaster data and was applied in predictive modeling, classification, and time-series forecasting. In addition, the use of SWRL rules confirmed that domain-specific logic could be applied reliably within the semantic framework. The Execution Layer was validated to examine whether it could retrieve, adapt, and refine past cases aligned with the needs of new disaster scenarios. Its performance was measured with two metrics: efficiency scores and matching rates. The results showed that the Execution layer maintained high efficiency while also covering a broad range of attributes, indicating that the FiReS agent can provide recommendations that remain both reliable and adaptable under varying conditions. In conclusion, this thesis demonstrates that effective disaster response requires systems capable of adaptive reasoning under uncertainty and time-critical constraints. FiReS addresses this challenge by integrating Semantic Web technologies with agent-based reasoning into a unified framework that delivers semantically consistent recommendations that align with the operational needs. Future research will focus on testing the system in real-time disaster operations and explore how it can be extended to support other phases of disaster management.

Οι φυσικές καταστροφές επιφέρουν σοβαρές ανθρωπιστικές, οικονομικές και περιβαλλοντικές συνέπειες, διαταράσσοντας τις τοπικές κοινωνίες και ασκώντας μεγάλη πίεση στις κρίσιμες υποδομές. Η αυξανόμενη συχνότητα και έντασή τους τα τελευταία χρόνια έχουν δημιουργήσει πρωτοφανείς απαιτήσεις στη διαχείριση κινδύνων καταστροφών (Disaster Risk Management – DRM), καθώς απαιτείται ταχεία συνεργασία μεταξύ πολλών φορέων και αποτελεσματική αξιοποίηση περιορισμένων πόρων. Ειδικότερα, η φάση της απόκρισης είναι ιδιαίτερα κρίσιμη, αφού οι αποφάσεις πρέπει να λαμβάνονται σε συνθήκες χρονικής πίεσης, αβεβαιότητας και ελλιπών πληροφοριών. Οι τεχνολογίες πληροφορικής και επικοινωνιών (ICT) έχουν συμβάλει σημαντικά στη διαχείριση των απαιτήσεων που προκύπτουν, ωστόσο, τα υφιστάμενα πληροφοριακά συστήματα εξακολουθούν να παρουσιάζουν περιορισμούς στην ενσωμάτωση ετερογενών δεδομένων σε ένα ενιαίο σημασιολογικό πλαίσιο. Η έλλειψη αυτής της σημασιολογικής διαλειτουργικότητας περιορίζει την ερμηνεία των δεδομένων, την εξαγωγή νέας γνώσης και την αξιοποίηση προηγούμενων περιστατικών σε πραγματικές επιχειρησιακές συνθήκες. Ως εκ τούτου, απαιτούνται συστήματα που μπορούν να συνδυάσουν τη σημασιολογική ολοκλήρωση με την προσαρμοστική συλλογιστική, ώστε να παρέχουν συστάσεις προσαρμοσμένες στις μεταβαλλόμενες συνθήκες μιας καταστροφής. Σε αυτό το πλαίσιο, η παρούσα διατριβή παρουσιάζει το First Responders System (FiReS), ένα σύστημα που συνδυάζει τεχνολογίες Σημασιολογικού Ιστού με συλλογιστική βάσει περιπτώσεων (Case-Based Reasoning – CBR), καθοδηγούμενη από ευφυή πράκτορα, για την υποστήριξη της λήψης αποφάσεων στις τρέχουσες επιχειρησιακές ανάγκες μετά από καταστροφές. Το σύστημα οργανώνεται σε δύο επίπεδα. Το Επίπεδο Σχεδίασης (Design layer) παρέχει τη σημασιολογική βάση μέσω της οντολογίας FiReS, η οποία ορίζει οντότητες και σχέσεις που σχετίζονται με καταστροφές, ενοποιεί ετερογενή δεδομένα και ενσωματώνει κανόνες SWRL για σημασιολογική συλλογιστική. Το Επίπεδο Εκτέλεσης (Execution layer) παρέχει συστάσεις απόκρισης μέσω του πράκτορα FiReS, ο οποίος υλοποιεί τον κύκλο CBR: ανακτά προηγούμενες περιπτώσεις από το αποθετήριο, τις προσαρμόζει με πολυδιάστατη ομοιότητα και Bayesian συλλογιστική, και τις υποβάλλει σε έλεγχο συνέπειας μέσω κανόνων SWRL πριν αποθηκευτούν εκ νέου στη βάση γνώσης. Η αξιολόγηση του Design layer επικεντρώθηκε στην ικανότητα της οντολογίας FiReS να προσφέρει συνεπή σημασιολογική αναπαράσταση ετερογενών δεδομένων, αναδεικνύοντας ότι η οντολογία μπορεί να χρησιμοποιηθεί για πρόβλεψη, ταξινόμηση και ανάλυση χρονοσειρών. Το Execution layer αξιολογήθηκε ως προς την ικανότητά του να ανακτά, να προσαρμόζει και να βελτιώνει παλαιότερες περιπτώσεις καταστροφών για την αντιμετώπιση της υφιστάμενης φυσικής καταστροφής. Tα αποτελέσματα ανέδειξαν ότι το FiReS σύστημα διατήρησε υψηλή αποδοτικότητα, εστιάζοντας στα κρίσιμα χαρακτηριστικά των περιστατικών καταστροφής, ενώ παράλληλα εξασφάλισε ευρεία κάλυψη λαμβάνοντας και δευτερεύουσα χαρακτηριστικά που επηρεάζουν την απόκριση. Συνολικά, η διατριβή καταδεικνύει ότι η αποτελεσματική απόκριση σε καταστροφές δεν μπορεί να βασίζεται μόνο στη συλλογή δεδομένων, αλλά απαιτεί συστήματα που υποστηρίζουν προσαρμοστική συλλογιστική υπό συνθήκες αβεβαιότητας και χρονικών περιορισμών. Το FiReS εισάγει ένα ολοκληρωμένο πλαίσιο που συνδυάζει τη σημασιολογική ενοποίηση των δεδομένων, βασισμένη στη FiReS οντολογία, με συλλογιστική που καθοδηγείται από ευφυή πράκτορα, διασφαλίζοντας σημασιολογική συνέπεια και προσαρμοστικότητα στις συστάσεις κατά τη διάρκεια της απόκρισης σε φυσικές καταστροφές. Μελλοντική έρευνα θα επικεντρωθεί στην εφαρμογή του σε πραγματικές συνθήκες απόκρισης και στη διερεύνηση της συμβολής του στις υπόλοιπες φάσεις της διαχείρισης καταστροφών, όπως η προετοιμασία, η μετρίαση και η ανάκαμψη.