چکیده: این پژوهش به مسئله شناسایی خودکار پست‌های مرتبط با بلایا در جریان‌های داده‌ای شبکه اجتماعی X/Twitter می‌پردازد؛ جایی که حجم بالای داده، وجود نویز، ابهام زبانی، زبان غیررسمی، کوتاه‌بودن پیام‌ها و ناهمگونی محتوای چندرسانه‌ای، تشخیص اطلاعات مرتبط و اقدام‌پذیر را دشوار می‌سازد. هدف اصلی پژوهش، طراحی و ارزیابی چارچوبی محاسباتی برای تشخیص قابل اعتماد و کارآمد پست‌های مرتبط با بلایا است، به‌گونه‌ای که بتواند در شرایط حساس به زمان، برای پایش رویدادها و پشتیبانی از آگاهی موقعیتی مورد استفاده قرار گیرد. برای پاسخ به این مسئله، مجموعه‌ای از روش‌های کلاسیک و یادگیری عمیق شامل بازنمایی متنی مبتنی برTF-IDF، طبقه‌بندهای سنتی، رمزگذارهای متنی مبتنی بر ترنسفورمر مانند BERT وDistilBERT، رمزگذارهای تصویری مبتنی بر شبکه‌های عصبی کانولوشنی مانند MobileNetV2 و EfficientNet و راهبردهای همجوشی چندوجهی متن و تصویر بررسی و ارزیابی شدند. ارزیابی مدل‌ها با استفاده از معیارهایی مانند صحت، دقت، بازیابی و امتیاز F1 و در قالب چند سناریوی آزمایشی انجام شد. نتایج پژوهش نشان داد که چارچوب پیشنهادی در تشخیص پست‌های مرتبط با بلایا عملکرد بسیار موفقی داشته و در سناریوهای مختلف به صحت بالا و روند همگرایی سریع دست یافته است. همچنین یافته‌ها نشان می‌دهند که بهره‌گیری از روش‌های پیشرفته متنی و چندوجهی می‌تواند به بهبود قابلیت اعتماد سامانه‌های پایش بلایا و کاهش بار پردازش دستی اطلاعات در شرایط بحرانی کمک کند.