Natural disasters result in devastating losses in human life, environmental assets, and personal-, regional-, and national economies. The availability of different big data such as satellite images, Global Positioning System (GPS)traces, mobile Call Detail Records (CDR), social media posts, etc., in conjunction with advances in data analytic techniques (e.g., data mining and big data processing, machine learning and deep learning) can facilitate the extraction of geospatial information that is critical for rapid and effective disaster response. However, disaster response system development usually requires the integration of data from different sources (streaming data sources and data sources at rest) with different characteristics and types, which consequently have different processing needs. Deciding which processing framework to use for specific big data to perform a given task is usually a challenge for researchers from the disaster management field. While many things can be accomplished with population and movement data, for disaster management key, and arguably most important task is to analyze the displacement of the population during and after a disaster. Therefore, in this Licentiate, the knowledge and framework resulting from a literature review were used to select tools, and processing strategies to perform population displacement analysis after a disaster. This is a use case of the framework as well as an illustration of the value and challenges (e.g., gaps in data due to power outages) of using CDR data analysis to support disaster management.

Using CDR data, the displaced population was inferred by analyzing the variation of home cell-tower for each anonymized mobile phone subscriber before and after a disaster. The effectiveness of the proposed method is evaluated using remote sensing-based building damage assessment data and Displacement Tracking Matrix (DTM) from individuals’ survey responses at shelters after a severe cyclone in Beira city, central Mozambique, in March 2019.

The results show an encouraging correlation coefficient (over 70%) between the number of arrivals in each neighborhood estimated using CDR data and from DTM. In addition to this, CDR-based analysis derives the spatial distribution of displaced populations with high coverage of people, i.e., including not only people in shelters but everyone who used a mobile phone before and after a disaster. Moreover, results suggest that if CDR data are available after a disaster, population displacement can be estimated and this information can be used for response activities and for example to contribute to reducing waterborne diseases (e.g., diarrheal disease) and diseases associated with crowding (e.g., acute respiratory infections) in shelters and host communities.

Naturkatastrofer leder till förödande förluster i människoliv, miljötillgångaroch personliga, regionala och nationella ekonomier. Tillgången till olika stordatasåsom satellitbilder, GPS-spår (Global Positioning System), mobila Call DetailRecords (CDR), inlägg på sociala medier, etc., i samband med framsteg inom data-analysteknik (t.ex. datautvinning och big data bearbetning, maskininlärningoch djupinlärning) kan underlätta utvinningen av geospatial information somär avgörande för snabba och effektiva katastrofhantering. Utveckling av katas-trofberedskapssystem kräver dock vanligtvis integrering av data från olika källor(strömmande datakällor och datakällor i vila) med olika egenskaper och typer, somföljaktligen har olika behandlingsbehov. Att bestämma vilket ramverk för bearbet-ning som ska användas för en specifik big data för att utföra en given uppgift är van-ligtvis en utmaning för forskare från katastrofhanteringsområdet. Även om mångasaker kan åstadkommas med befolknings- och rörelsedata, för katastrofhantering ären nyckel- och utan tvekan viktigaste uppgift att analysera befolkningens förflyt-tning under och efter en katastrof. Därför, i denna licentiatuppsats, användes kun-skapen och ramverket från en litteraturgenomgång för att välja verktyg och bear-betningsstrategier för att utföra analys av befolkningsförflyttning efter en katastrof.Detta är ett användningsfall av ramverket samt en illustration av värdet och ut-maningarna (t.ex. luckor i data på grund av strömavbrott) med att användaCDR-dataanalys för att stödja katastrofhantering.Med hjälp av CDR-data kunde man sluta sig till den förflyttna befolkningengenom att analysera variationen av hemcellstorn för varje anonymiserad mobiltele-fonabonnent före och efter en katastrof. Effektiviteten av den föreslagna metodenutvärderas med hjälp av fjärranalysbaserade byggnadsskadebedömningsdata ochDisplacement Tracking Matrix (DTM) från individers enkätsvar vid skyddslokalerefter en svår cyklon i staden Beira, centrala Mozambique, i mars 2019.Resultaten visar en uppmuntrande korrelationskoefficient (över 70 %) mellanantalet ankomster i varje område uppskattat med hjälp av CDR-data och frånDTM. Utöver detta härleder CDR-baserad analys den rumsliga fördelningen avförflyttna befolkningen med hög täckning av människor, det vill säga inklusiveinte bara människor i skyddslokaler utan alla som använde mobiltelefon före ochefter katastrof. Dessutom tyder resultaten på att om CDR-data finns tillgängligaefter en katastrof kan befolkningsförflyttning uppskattas och denna informationkan användas för responsaktiviteter och till exempel för att bidra till att minskavattenburna sjukdomar (t.ex. diarrésjukdomar) och sjukdomar associerade medträngsel (t.ex. akuta luftvägsinfektioner) i skyddslokaler och värdsamhällen