基于文本挖掘绘制全国自然灾害公众响应地图
曲正1,2，王卷乐1,3，赵杰1,2
1. 中国科学院地理科学与资源研究所 地理信息科学与技术全国重点实验室，北京 100101；
2. 山东理工大学 建筑工程与空间信息学院，淄博 255000；
3. 江苏省地理信息资源开发与利用协同创新中心，南京 210023
摘 要：针对灾害事件，人们越来越多地倾向于用社交媒体发文分享突发情况；利用自然语言处理等信息技术能够有效地获取灾害事件下公众社交媒体活动信息，但尚缺乏大尺度时空信息方面的挖掘。因此，本文基于文本挖掘绘制全国自然灾害公众响应地图。以地震、台风和寒潮三类灾害为研究对象，依据自然语言处理技术，提取微博文本中灾情信息；通过地名实体抽取方法，获取不同灾害影响地区的灾情词频，形成公众灾害响应空间分布，进而揭示不同灾害影响的空间差异性特征；并实现2018～2022年我国主要地震、台风和寒潮的微博公众响应灾害制图。结果表明：四川是地震灾害响应集中分布地区；台风影响占比较高的为广东、浙江、福建、山东等沿海省份，其中，广东台风影响占比最大；寒潮于每年1～3月在我国中部及南部地区占比较大，11～12月内蒙古及北京等北方地区较大。这与官方统计信息相符合，表明社交媒体数据在灾害大数据挖掘中具有实用性。
关键词：灾害响应；社交媒体；自然语言处理；地震；台风；寒潮
引用格式：曲正, 王卷乐, 赵杰. 2025. 基于文本挖掘绘制全国自然灾害公众响应地图. 时空信息学报, 32(2): 307-318
Qu Z, Wang J L, Zhao J. 2025. Mapping public response to natural disasters in China across text mining. Journal of Spatio- temporal Information, 32(2): 307-318, doi: 10.20117/j.jsti.202503001
1 引 言
随着全球经济快速发展，工业化、城市化进程不断推进，人口、资源和环境压力也逐渐加大，加之全球变暖导致极端天气事件的频繁增加，使得自然灾害发生的频率越来越多，对人民生活的影响不断上升。我国作为自然灾害频发且严重的国家之一，每年都经历多次重大自然灾害，如地震、台风、洪涝等，造成了巨大的人员伤亡和经济损失（向曦等，2024）。当前，社交媒体日益普及，当重大自然灾害发生时，已成为公众传播和分享信息的重要渠道。社交媒体的这些公众信息对于快速掌握灾害时空分布和公众需求、合理配置救助资源及开展灾害调查评估等，具有重要作用。
目前，许多研究开展了社交媒体中不同类型灾害信息的获取和舆情分析。在地震方面，孔珍（2020）提出了一套地名信息提取和聚合方法的地名实体抽取的方法，通过自然语言处理从微博数据中有效提取地震灾情地名信息；王晨雨等（2023）利用社交媒体数据构建一个主题信息提取流程框架，获取了大理漾濞6.4级地震事件主题信息；杨腾飞等（2020）针对2017年8月8日九寨沟地震事件，挖掘社交媒体中的时空信息，获取了地震灾情特征。在台风方面，梁春阳等（2018）收集了台风“莫兰蒂”期间27218条推文数据，通过词频分析展示了灾害话题的时空过程趋势；张岩等（2020）通过挖掘21个地级市台风“山竹”灾害期间的25798条微博数据，分析灾害事件对公众情感的影响程度；Scheele等（2021）提出了一种地理上下文感知的文本挖掘方法，将来自社交媒体和权威数据集的时空信息与文本信息相结合，提高灾情文本分类的准确性；李绍攀等（2022）收集了288184条微博数据，分析了广东省受台风“山竹”和台风“利奇马”影响的舆情演变，发现民众情感与经济损失间的关联关系。在洪水方面，Han和Wang（2019）利用自然语言处理技术分析了与山东寿光洪灾相关的28608条微博，划分为六个相关话题；Kankanamge等（2020）通过提取社交媒体数据中的洪水信息，识别了澳大利亚昆士兰严重受灾区域；Sattaru等（2021）通过提取和处理含洪水信息的社交媒体推文，识别了2015年印度洪涝高风险区域。在寒潮方面，殷鹏等（2023）基于微博用户评论数据，利用潜在狄利克雷分配（latent Dirichlet allocation，LDA）模型，分析了用户在寒潮灾害预警下的情感响应特征与时空分异；张晓涵（2023）基于Twitter社交媒体数据运用命名实体识别等方法，挖掘了灾情信息和舆情时空模式。虽然利用自然语言处理等信息技术能够有效获取灾害事件下的公众社交媒体活动信息，但上述研究较多关注对社交媒体话题中公众情感文本分类，较少顾及灾害空间位置和分布表达，尤其尚缺乏大尺度时空信息方面的挖掘，难以从全局角度对大尺度的不同灾害类型开展长时序灾害响应特征挖掘分析。
本文提出一种基于文本挖掘绘制全国自然灾害公众响应地图的方法。以地震、台风和寒潮三类灾害为研究对象，依据自然语言处理技术，提取微博文本中灾情信息；通过地名实体抽取方法，获取不同灾害影响地区的灾情词频，形成公众灾害响应空间分布，进而揭示不同灾害影响的空间差异性特征；并实现2018～2022年我国主要地震、台风和寒潮的微博公众响应灾害制图。
2 文本挖掘与地名实体抽取方法
通过调用微博的应用程序接口（application program interface，API）接口，利用jieba进行分词预处理，从微博中获取与地震、台风、寒潮三种自然灾害相关的海量文本记录数据。基于文本数据中蕴含的灾情信息，运用地名实体抽取方法，提取不同灾害影响地区的地名，对词频进行统计分析，并将灾害地名的统计分布以地图直观呈现。总体技术流程如图1所示。
2.1 微博文本分词
1）微博文本分词
通过调用新浪微博开放平台API，以3min为间隔，分别以暴雨、地震、寒潮为关键词搜索相关的微博数据。参考已有研究(王迪和左小清，2020)，获取的数据中包括用户信息、文本ID、文本内容和地理坐标等信息，将这些信息保存到数据库中。利用SQL代码对重复文本进行去重处理。利用Python中的中文分词库jieba（张红等，2023）处理微博数据，去除干扰信息，如http链接、标点符号，以及低质量、重复的文本，并对其中含有广告、追星等词汇的文本，进行人工查找剔除。
中文分词步骤主要包括：①构建用户词典，结合相关专业领域知识，补充相应类型的特征词汇，创建适用于地震、暴雨等灾害的分词词典；②添加停用词表，针对在预处理阶段需要过滤掉的一些字或词语，对多个已有停用词表集合后进行使用，包括数字、标点符号、汉字等多类形式，共计2700多个停用词；③中文分词，经过步骤①和步骤②的处理后，对文本进行最终的分词。
2）空间坐标转换
行政区划是国家为了进行分级管理而施行的区域划分。我国行政区划通常划分如下：一为省、自治区、直辖市；二为自治州、县、自治县、市；三为乡、民族乡、镇。CnOpenData推出的国家行政区划数据库，包含三张子表，分别为历年县以上的行政区划信息表、历年县以下的行政区划变更信息表、历年省市县乡镇街道及居委会行政区划。其中，历年县以上的行政区划信息表中涵盖年份、地区编码、省份、地级市、县（区）和县（区）级别等字段；历年县以下的行政区划变更信息表中除了上述基本信息外，还包括变更前后的乡镇名称和编码、变更原因、批文等字段。
参考已有研究（李杰等，2020），实验主要获取县（区）及以上的行政区划，以及部分涉及的乡镇区划。参考已有研究(吕蓓茹等，2021)，点位数据基于省份乡镇的名字，得到乡镇的百度地图坐标的经纬度。为了确保数据的空间一致性，利用坐标纠偏工具，将百度坐标转换为1984世界大地测量系统坐标（world geodetic system 1984，WGS-84），得到最终的分析数据。
2.2 地名抽取
1）地名抽取
实验采用Python语言中的Requests和Pandas包实现词表匹配。Requests是一个基于Apache2协议开源的PythonHTTP库。Pandas是一个开源的Python数据分析库，提供了高效且易于使用的数据结构和数据分析工具，是一个功能强大的数据处理和分析工具，广泛应用于数据科学、数据分析和机器学习等领域（齐爱琴等，2024）。实验读取文本文件并进行文本处理和词频统计，最终生成词频统计文件。
实现步骤为：①读取微博评论的文本文件，将其内容保存在变量Text中；②使用正则表达式去除文本中的所有换行符和空白符，将处理后的文本重新赋值给Text变量；③使用jieba导入特定的词库（中国行政区划地名），将文本进行分词，将分词结果保存并过滤，只保留特定词库中的词语；④统计每个词语的出现次数，如果某个词语不在词库中，则词频为0，以方便后续数据统计。
2）地图制作
对于地震数据，先进行归一化处理；将每个县（区）词频除以其总的词频数，计算出所占比值，而后将所有灾情数据下的县（区）比值相加，得到每个县（区）在五年地震灾情下的总比值，这样可准确地反映每个地级市在整体灾情中的受影响程度，且不受长文本局限；处理完成后采用核密度法分析地名空间分布特征。
对于台风数据，以地级市为最小数据元，进行归一化处理；由于全部词频数据遵循正态分布规律，利用克里金插值法进行空间分析；随后采用核密度法分析地名空间分布特征。同时，根据台风路径数据得到台风路径分布。
对于寒潮数据，利用克里金插值法对数据进行空间分析；采用标准差分类方法对词频数据进行分级，利用ArcMap计算标准差，使用与标准差成比例的等值范围创建分类间隔，取间隔为1倍的标准差；进而采用核密度法展示地名空间分布特征，以平均值为区分阈值。
3 实验结果与分析
3.1 数据源
实验以自然灾害中比较常见的地震、台风和寒潮三类为研究对象。所用数据来源：①地震数据来源于国家地震科学数据中心网站。时间为2018～2022年，5.0级地震以上且对我国大陆造成人员伤亡的地震数据微博评论。自地震发生时间起，收集震后4～5d数据，2018～2022年地震相关的微博评论见表1。②台风数据来源于中央气象台台风网网站。2018～2022年登陆我国大陆并形成灾害影响的台风微博评论。自台风登陆时间起，至中央气象台报道停止对其编号或减弱为热带低压时为止，2018～2022年台风相关的微博评论见表2。其中，台风路径数据来源于中国气象局热带气旋资料中心网站。③寒潮数据来源于新浪微博开放平台。由于寒潮周期较长，实验收集每年易发生寒潮季节的微博数据，即1～3月和11～12月，2018～2022年寒潮相关的微博评论见表3。④地名词表行政区划数据来源于CnOpenData数据库和国家统计局网站。CnOpenData是覆盖多个学科维度的综合性数据平台，现已上线46个专题数据库。⑤乡镇级别数据来源于国家统计局网站。实验参考2023年6月更新的全国乡镇（街道）行政区划的名字和代码。
3.2 地震涉灾区域地名提取
重点对地震发生后的县（区）级词频统计，基本研究单元为乡镇。2018～2022年影响范围较广的重大地震词频统计见表4。整体上，2018～2022年影响范围较广的重大地震包括2019年长宁地震、2022年泸定地震、2021年泸县地震等共计六次地震。
2018～2022年地震词频统计分布如图2所示。结合中国新闻网对地震伤亡情况的统计可知，空间分布上统计数值较高的地区大部分受到了地震影响，且伤亡越高相对应的词频数越大，即被关注度越高，从侧面验证了地名提取的有效性。整体分布以四川居首，为高核密度，反映了四川作为地震多发区的地理特性；其次是甘肃、云南和新疆等，为较高核密度，这也与中国新闻网对地震的官方统计数据的地震发生地区统计较吻合。因此，四川是发生地震次数最多的地区，其次为云南等。
3.3 台风涉灾区域地名提取
由于台风影响范围较大，因此对台风数据的统计以地级市为最小数据元，进行归一化处理。通过对地级市名称在微博文本中出现频率进行统计和归一化处理，得到台风词频权重统计结果。2018～2022年我国部分地级市台风词频权重统计结果见表5。上海显著高于其他城市，2018～2022年，上海在台风相关微博文本中被提及的频率极高，可能因其重要的经济地位及人口密集等，使得台风影响较受关注。深圳、广州、海口、福州等城市大多是沿海经济发达或台风登陆频繁地区，台风活动对当地影响大，公众关注度高，在微博上相关讨论也较多。舟山、厦门、杭州等城市或因自身地理位置易受台风影响，或因其在区域经济中的重要性，使得台风相关话题讨论较多。而成都、郑州等内陆城市词频权重较低，这些城市远离台风登陆区域，受台风直接影响小，所以在台风相关微博文本中提及较少。部分沿海城市词频权重也较低，如惠州、东莞等，可能是在研究时段内受台风直接影响次数相对较少，或者在台风影响程度上不如其他城市突出，因此在微博出现的频率低。总体上，沿海城市词频权重普遍高于内陆城市，体现出台风作为海洋灾害，对沿海地区影响更大，公众对沿海城市受台风影响情况更为关注，在微博上的讨论也更多。
2018～2022年台风词频统计及台风路径分布如图3所示。从台风路径看，广东和浙江是台风最常登陆的省份；从数值统计的空间分布看，上海、广西、广东、台湾、浙江等沿海省份均为数值较高的区域，其中，台风登陆点的颜色最深，说明此位置受台风影响程度越大。由图3（b）至（d）可看出，山东的青岛、潍坊、济南，浙江的舟山、杭州、台州，福建的福州、厦门、漳州，是各省份在微博评论中被提及次数较多的地级城市，反映在词频上表现为台风路径经过或靠近沿海部分地区时词频相对较高，相关区域对台风关注增加。
以台风“山竹”为例，图4（a）为根据台风期间台风路径走向、不同风速及从微博文本中提取的地名的整体分布情况，图4（b）为未登录时地名词频统计分布情况，图4（c）为登录广东期间地名词频的分布情况，图4（d）为登录广西期间地名词频的分布情况。地名词频的热度与台风路径的走向紧密相关，其中，城市化水平较高的地区，如广州、珠海和深圳，地名词频占比最大；随着台风的登录，南宁的占比变化也较为明显。因此，基于微博评论抽取的地名统计数据，能够对受台风影响的地区进行有效显示。
3.4 寒潮涉灾区域地名提取
基于寒潮影响范围尺度较大，对寒潮数据的分析以省级单元为最小数据元。2018～2022年寒潮词频统计结果如图5所示。不同地区在不同年份的寒潮词频有显著差异，反映了各地区在不同年份对特定话题的关注程度变化。其中，北京在2021年词频极高，远超过2000条；2022年也处于高位。究其原因，作为首都，一方面可能因气象监测体系完备、信息传播及时，对寒潮监测和报道更全面；另一方面，城市人口密集、经济活动集中，寒潮对交通、能源供应及民生等影响大，受关注度高。内蒙古在2021 年词频表现突出，几乎与北京当年同步，也超过2000条。因其地处我国北方，靠近寒潮源地，受冷空气影响频繁且强度大，寒潮天气出现概率高，所以词频高。同时，江苏、浙江等东部沿海省份在2021～2022年词频相对较高。这些地区经济发达、人口众多，寒潮带来的大风、降温、雨雪等天气，对农业、渔业、交通等产业影响大，相关报道和得到的关注较多。此外，西藏、海南、台湾等词频整体较低。究其原因，西藏海拔高，冷空气受地形阻挡，影响相对较弱；海南和台湾地处低纬度，受冷空气影响小，寒潮出现频率低。不排除可能由于人口结构、统计范畴侧重等因素，使得相关信息产出或传播量相对较少。
2018～2022年寒潮词频统计分布如图6所示。寒潮影响地区有连片分布的特点，其中，上半年寒潮发生的地区与下半年的存在明显不同。上半年寒潮多发生在中部和南部地区，如河南、江苏占比较大；下半年以北部地区较多，如北京、内蒙古词频占比较大。这与寒潮冷空气活动规律有关，下半年冷空气开始活跃并逐渐向南推进，首先影响北方地区；上半年随着冷空气势力减弱南压，中部和南部地区受影响概率增加。2018年1～3月，河南和安徽受影响最大；11～12月，北京、广东和广西成为新增受灾严重地区。2019年1～3月，河南、江苏和上海是受影响较大地区；11～12月，广东、黑龙江词频数占比增加。2020年1～3月，河南、湖北、安徽等地区受影响较大；11～12月，北京和内蒙古占比增加。2021年1～3月，河北、江苏和上海受影响较大；11～12月，内蒙古词频占比较大。2022年1～3月，云南和广东受影响较大；11～12月，新疆、浙江等占比增加。
4 结 论
在信息社会时代，灾害事件的公众响应在社交媒体中的传播广泛且快速。为及时高效地获取灾害事件下的公众响应信息，深入挖掘灾害信息的时空分布特征，本文探讨了一种利用社交媒体文本信息挖掘制作灾害公众响应地图的方法。以2018～2022年主要台风、地震和寒潮的微博文本数据为研究对象，借助自然语言处理技术和地名实体抽取统计不同灾害影响地区的灾情词频，挖掘不同尺度的公众舆情空间分布和动态变化过程。基于中文地名抽取精准定位了灾害舆情讨论中的地域信息，结合时间轴和地理空间的双重维度，系统揭示了台风、地震和寒潮不同灾害的公众响应时空特征。研究表明：寒潮灾害的影响时间最长，每年1～3月在我国中部及南部地区占比较大，11～12月则主要影响内蒙古及北京等北方地区，范围几乎覆盖全国，体现了寒潮灾害的广泛性和季节性特征；台风主要影响沿海地区，尤其是广东，这与台风路径和登陆点的分布紧密相关；地震的时间范围较短，影响相对集中，主要在四川居多，反映了四川作为地震多发区的地理特性。这反映了不同灾害类型的地理分布和时间特征，为灾害管理提供了有益的参考。
本文利用Python中的Requests和Pandas库，结合jieba分词技术，设计了一套高效全面的地名实体抽取方法。通过构建包含全国乡镇（街道）行政区划名称的词表，实现了对微博文本中地名信息的精准识别与提取，精准定位舆情讨论中的关键地域，从不同角度分析了地震、台风、寒潮的公众响应分布。尽管社交媒体数据存在数据分布有偏和数据质量不一的问题，但目前当灾害发生时，仍然是能够全覆盖、全时段反映公众响应的一种大数据手段。不仅涵盖了地震和寒潮等多种灾害类型，还通过综合分析和制图，更全面地揭示了不同灾害在时空维度上的影响特征和公众响应模式，为灾害预防、应急响应和减灾救援提供了更为丰富的信息支持和决策依据。
研究成果表明了社交媒体数据在灾害大数据挖掘中具备的潜力，未来研究可以进一步优化地名抽取算法，提高对模糊地名、别名等的识别准确率，以获取更精确的灾害影响区域信息。如利用大语言模型的海量文本理解能力，自动挖掘社交媒体中高频出现的非标准地名，构建动态更新的灾害领域别名库；加强对社交媒体文本中情感信息的深度挖掘，不仅局限于公众情绪的整体趋势，还可以深入分析不同群体、地区公众的情感差异及影响因素，为更精准的舆情引导和灾害救援提供支持。此外，在数据融合方面，可以探索将社交媒体数据与其他多源数据，如传感器实时数据、经济统计数据等，进行更深入的融合，以构建更全面的灾害大数据全景图，支持灾害评估模型。
参考文献（References）
孔珍. 2020. 微博地震灾情地名的提取与聚合方法研究. 硕士学位论文. 武汉: 武汉大学[Kong Z. 2020.Research on extraction and aggregation methods of earthquake disaster location names in microblog. Master Dissertation. Wuhan: Wuhan University (in Chinese)]
李杰, 陈思宇, 张静文, 徐培罡. 2020. 基于大数据的疫情地理传播与网络舆情时空关系研究. 地理信息世界, 27(3): 31-34, 41[Li J, Chen S Y, Zhang J W, Xu P G. 2020. On the spatiotemporal relationships between epidemic spread and Internet public opinion using big data. Geomatics World, 27(3): 31-34, 41 (in Chinese)]
李绍攀, 赵飞, 周义棋, 田向亮, 黄弘. 2022. 基于微博数据的台风灾害舆情分析与灾害损失估计. 清华大学学报(自然科学版), 62(1): 43-51[Li S P, Zhao F, Zhou Y Q, Tian X L, Huang H. 2022. Analysis of public opinion and disaster loss estimates from typhoons based on Microblog data. Journal of Tsinghua University (Science and Technology), 62(1): 43-51 (in Chinese)]
梁春阳, 林广发, 张明锋, 汪玮杨, 张文富, 林金煌, 邓超. 2018. 社交媒体数据对反映台风灾害时空分布的有效性研究. 地球信息科学学报, 20(6): 807-816[Liang C Y, Lin G F, Zhang M F, Wang W Y, Zhang W F, Lin J H, Deng C. 2018. Assessing the effectiveness of social media data in mapping the distribution of typhoon disasters. Journal of Geo-Information Science, 20(6): 807-816 (in Chinese)]
刘淑涵, 王艳东, 付小康. 2019. 利用卷积神经网络提取微博中的暴雨灾害信息. 地球信息科学学报, 21(7): 1009-1017[Liu S H, Wang Y D, Fu X K. 2019. Extracting rainstorm disaster information from microblogs using convolutional neural network. Journal of Geo-Information Science, 21(7): 1009-1017 (in Chinese)]
吕蓓茹, 彭玲, 陈嘉辉, 陈若男, 葛星彤. 2021. 基于社交媒体的森林火灾舆情信息脉动分析. 地理信息世界, 28(3): 61-66[Lv B R, Peng L, Chen J H, Chen R N, Ge X T. 2021. Analysis of public opinion information pulsation of forest fire on social media. Geomatics World, 28(3): 61-66 (in Chinese)]
齐爱琴,尹逊伟,王毅.2024. Python编程基础与数据分析. 北京：化学工业出版社[Qi A Q, Yin X W, Wang Y. 2024. Python Programming Fundamentals and Data Analysis. Beijing: Chemical Industry Press (in Chinese)]
王晨雨, 叶妍君, 邱英俏, 杜美庆. 2023. 基于深度学习的地震舆情信息提取及时空可视化. 自然灾害学报, 32(5): 64-79[Wang C Y, Ye Y J, Qiu Y Q, Du M Q. 2023. Seismic public opinion information extraction and temporal-spatial visualization based on deep learning. Journal of Natural Disasters, 32(5): 64-79 (in Chinese)]
王迪, 左小清. 2020. 基于城市微博签到数据的人群活动时空特征分析. 地理信息世界, 27(2): 21-26[Wang D, Zuo X Q. 2020. Analysis on the spatiotemporal characteristics of human activities based on urban Weibo check-in data. Geomatics World, 27(2): 21-26 (in Chinese)]
向曦, 张素金, 赵婧, 彭艳秋, 雷蔼玲, 朱思瑾, 吴慧霞, 赵飞. 2024. 云贵高原典型区域气象灾害时空演变特征及影响因素分析. 时空信息学报, 31(1): 118-128[Xiang X, Zhang S J, Zhao J, Peng Y Q, Lei A L, Zhu S J, Wu H X, Zhao F. 2024. Spatio-temporal evolution characteristics and influencing factors analysis of meteorological disasters in typical regions of the Yunnan-Guizhou plateau. Journal of Spatio-temporal Information, 31(1): 118-128(in Chinese)]
杨腾飞, 解吉波, 闫东川, 李国庆. 2020. 基于深度学习的社交媒体情感信息抽取及其在灾情分析中的应用研究. 地理与地理信息科学, 36(2): 62-68[Yang T F, Xie J B, Yan D C, Li G Q. 2020. Extracting sentiment information from social media based on deep learning and the research on disaster reduction. Geography and Geo-Information Science, 36(2): 62-68 (in Chinese)]
殷鹏, 周旗, 魏倩枝, 万红莲. 2023. 寒潮灾害预警下公众情感响应与时空分异研究. 地理空间信息, 21(3): 90-94[Yin P, Zhou Q, Wei Q Z, Wan H L. 2023. Research on emotional response and spatio-temporal differentiation of public under cold wave disaster warning. Geospatial Information, 21(3): 90-94 (in Chinese)]
张红, 李玥, 王宇. 2023. 不同出游时长下旅游景区到访特征分析——以游记文本为例. 时空信息学报, 30(1): 124-134[Zhang H, Li Y, Wang Y. 2023.Analysis of visit characteristics to tourist attractions under different travel durations: A case study of travelogue texts. Journal of Spatio-temporal Information, 30(1): 124-134(in Chinese)]
张晓涵. 2023. 基于社交媒体数据的寒潮灾害信息挖掘及舆情时空格局分析. 硕士学位论文.青岛:山东科技大学[Zhang X H. Cold wave disaster information mining and space-time pattern analysis of public opinion based on social media data. Master Dissertation. Qingdao: Shandong University of Science and Technology(in Chinese)]
张岩, 李英冰, 郑翔. 2020. 基于微博数据的台风“山竹”舆情演化时空分析. 山东大学学报(工学版), 50(5): 118-126[Zhang Y, Li Y B, Zheng X. 2020. Spatial and temporal analysis of network public opinion evolution of typhoon “Mangkhut” based on Weibo data. Journal of Shandong University (Engineering Science), 50(5): 118-126 (in Chinese)]
Han X H, Wang J L. 2019. Using social media to mine and analyze public sentiment during a disaster: A case study of the 2018 Shouguang City flood in China. ISPRS International Journal of Geo-Information, 8(4): 185
Kankanamge N, Yigitcanlar T, Goonetilleke A, Kamruzzaman M. 2020. Determining disaster severity through social media analysis: Testing the methodology with South East Queensland Flood tweets. International Journal of Disaster Risk Reduction, 42: 101360
Sattaru J S, Bhatt C M, Saran S. 2021. Utilizing geo-social media as a proxy data for enhanced flood monitoring. Journal of the Indian Society of Remote Sensing, 49(9): 2173-2186
Scheele C, Yu M Z, Huang Q Y. 2021. Geographic context-aware text mining: Enhance social media message classification for situational awareness by integrating spatial and temporal features. International Journal of Digital Earth, 14(11): 1721-1743
↓↓ 了解更多产业要闻↓↓
请将我设为星标★
>>协会通知
>>近期要闻
>>协会通知
>>近期要闻
>>协会通知
>>协会通知
>>协会通知
>>协会通知
>>近期要闻
>>近期要闻
>>近期要闻
“企业家风采”“民企之光”“创新之声”“精品成果秀”“会员喜讯”“新品发布汇”“产学研合作”“国际市场”“专精特新”“科普”等主题宣传（专栏）长期征稿，欢迎投稿！
联系人：李娟 13370105015（微信）
邮箱：xc@cagis.org.cn
欢迎关注、分享