为探究中国台风灾害影响和灾情的时空分布及演化规律，基于县域经济社会和灾情统计数据、历史台风风雨数据、高精度地形数据等资料，以县级行政区为空间单元，采用时序统计分析法、重心模型、地理探测器、空间相关分析、地理加权回归等方法，对1978—2020年中国台风灾害灾情的时空分布格局及影响因素进行分析，结果显示：1）台风灾害造成的死亡失踪人口、倒损房屋数量和每百万人口死亡失踪率、直接经济损失占GDP的比重均呈下降趋势，防灾减灾工作取得显著成效；2）台风灾害灾情重心随沿海地区经济发展南移，灾害影响呈现沿海地区减轻、内陆地区加重的特征；3）台风引发的风雨是灾情的主要驱动因素，地形因素是造成人员死亡失踪和农作物损失的驱动因素之一；4）浙江闽北、粤西桂东两大区域灾情集聚特征显著，与台风活动规律和经济发展水平密切相关；5）局部地区生产总值与灾情呈负相关关系，反映经济社会发展对防灾减灾能力的促进作用。

为了探索机器学习模型在热带气旋灾害损失评估中的作用，基于2009—2020年福建省县级热带气旋灾害损失数据，分别采用LightGBM （Light Gradient Boosting Machine, LightGBM）、随机森林（Random Forest, RF）、极限梯度提升（eXtreme Gradient Boosting, XGBoost）、支持向量机（Support Vector Machine, SVM）、BP神经网络（Back-Propagation Neural Network, BP）等5种算法，优化了直接经济损失等级评估模型参数，并用不同的热带气旋事件进行验证。结果表明：基于LightGBM算法性能最佳，其准确率、精确率、召回率和F1分数（精确率和召回率的调和平均值）均在79%以上，具有较好的泛化能力；最大小时降雨量、3 s极值风速是最重要的2个致灾指标，固定资本存量是比GDP更重要的指标；通过4种登陆点/路径和2种风雨强度的热带气旋事件的对比，发现评估结果与实际结果较为一致，模型具有较好的适用性。

结合台风属性数据和多标签分类方法，以BERT-BiLSTM（Bidirectional Encoder Representations from Transformers-Bidirectional Long Short-Term Memory）为分类模型，提出基于微博文本与深度学习的台风灾情识别方法，对2010—2019年登陆广东省的强台风/超强台风灾情进行识别，在粗分类获取台风灾情相关微博文本的基础上，进一步细分类为交通影响、社会影响、电力影响、林业影响和内涝积水等5类灾情。结果表明：1）提出的台风灾情识别方法粗分类和细分类精度分别达到0.907和0.814；2）强台风/超强台风的灾情占比受台风强度、路径和受灾地区发展水平等因素影响而存在差异；3）台风登陆前，灾情主要为台风预防措施导致的交通影响和社会影响。台风登陆后，灾情表现出单峰和双峰特征，反映台风灾情的变化趋势和特点。

社交媒体的迅猛发展为灾害管理领域引入新的理念与技术手段。文章回顾了社交媒体数据的特性及其在台风灾害管理中的应用潜力和价值，为灾害管理领域提供新的研究视角。并以2023年台风“杜苏芮”对福建省的影响为例，运用LDA主题建模方法分析新浪微博台风灾害期间的发文数据，探究社交媒体数据在灾害管理中的应用潜力。结果显示，微博平台活跃度与灾害事件发展进程相关；不同类型用户在灾害发生过程中关注焦点有所差异，个人用户更倾向于关注生活设施恢复和救援物资供应情况，而组织用户侧重于灾情传播和应急处置；主题内容演化分析能反映各城市在灾害管理不同阶段内应急响应和公众关注需求的动态。未来研究可从结合多源数据、利用机器学习和深度学习技术提升主题信息提取的准确性、探索社交媒体数据在灾后紧急救援和基础设施保障需求中的应用等角度展开。