EN中文

Tropical Geography >

2024 , Vol. 44 >Issue 6: 1090 - 1101

DOI: https://doi.org/10.13284/j.cnki.rddl.003880

Application Potential of Social Media Data Analytics in Typhoon Disaster Management: Taking the Impact of Typhoon Doksuri on Fujian Province as an Example

  • Xuemiao Xie , 1 ,
  • Yiwen Shao , 1, 2
Expand
  • 1. School of Architure and Urban Planning, Shenzhen University, Shenzhen 518060, China
  • 2. State Key Laboratory of Subtropical Building and Urban Science, Guangzhou 510640, China

Received date: 2023-12-04

  Revised date: 2024-04-01

  Online published: 2024-06-13

Fold

Abstract

The rapid growth of social media has introduced new concepts and technical approaches for disaster management. This paper reviews the characteristics of social media data and its application potential in disaster management research, providing a new research perspective for the field of disaster management. Taking the impact of Typhoon Doksuri in Fujian Province in 2023 as a case study, this research employs Latent Dirichlet Allocation (LDA) topic modeling to analyze the practical application effectiveness of social media data at different stages of disaster management from three perspectives: the spatiotemporal distribution of posts, trend analysis of different types of entities, and evolution of topic content. These findings indicate that the synchronous relationship between the popularity of related topics on Weibo and the impact of a disaster event confirms the effective application of social media data in disaster management. By monitoring the dynamics of information dissemination on social media, we can determine the occurrence status and impact scope of disasters in real time. During disasters, different user types have different foci. Individual users tend to focus more on the restoration of living facilities and the supply of relief materials, whereas organizational users concentrate on disseminating information about disasters and emergency response measures. The information provided by different types of users can provide a more comprehensive and diversified perspective on disaster perceptions for disaster management. Analysis of the evolution of topic content can reflect the evolution of emergency response dynamics and public attention needs in different cities at different stages of disaster management, thereby developing more practical emergency response strategies. Through the mining and analysis of social media data, this study recognizes the entire process of disaster occurrence from the perspective of social media data, thereby enriching the relevant theoretical and empirical research. Future research could be conducted from perspectives such as utilizing other multisource data, integrating machine learning and deep learning technologies to enhance the accuracy of topic information extraction, and exploring the application of social media data to post-disaster emergency rescue and infrastructure support.

Key words： social media; disaster management; typhoon disaster; application potential; topic modeling; Doksuri; Fujian Province

Cite this article

Xuemiao Xie , Yiwen Shao . Application Potential of Social Media Data Analytics in Typhoon Disaster Management: Taking the Impact of Typhoon Doksuri on Fujian Province as an Example[J]. Tropical Geography, 2024 , 44(6) : 1090 -1101 . DOI: 10.13284/j.cnki.rddl.003880

台风、洪涝、地震等自然灾害事件容易造成重大人员伤亡和经济损失，严重威胁人类社会的可持续发展。其中，台风灾害是中国东南沿海以及相邻内陆省份最主要的气象灾害类型之一，平均每年约有6~7个台风在中国境内登陆（向纯怡 等，2022）。台风灾害期间伴随着风暴潮、洪涝、地质灾害等一系列次生灾害，突发性强、灾害链长且破坏力大（龚晓峰，2020）。以2023年为例，台风灾害造成中国1 131.6万人受灾，死亡失踪12人，直接经济损失高达474.9亿元（应急管理部，2024）。因此，如何提高台风灾害的综合管理能力，减少灾害影响一直以来是学者关注的热点议题。
基于常规数据的灾害管理研究难以及时准确地揭示不同社会-生态系统在灾害周期时序上的演化情况以及互动关系，限制了分析结果的有效性和参考性。随着信息技术的不断进步，越来越多的学者开始寻求创新的数据来源和分析方法，以提升管理灾害的效率和精细度。社交媒体数据凭借现势性高、数据量大（邬柯杰 等，2020；刘纪平 等，2020）、传播速度快、信息生动丰富和易于获取（Tang et al., 2021）等优势受到普遍欢迎，成为灾害管理研究的新兴数据源。作为一种基于Web2.0技术的互联网应用程序（范红超 等，2022），社交媒体能有效激发即时在线互动。具体而言，在灾害期间，民众可借助社交媒体平台传递灾情动态（Tang et al., 2021）、表达情绪（Yang, 2019; Wu et al.,2022）、分配资源（Wang et al., 2016；周义棋等，2022）、展开评论和发表观点（Ahmed, 2019）等，从而促进“自下而上”的公众参与。基于社交媒体数据的灾害信息提取虽然不能直接转化为规划政策，但对快速获取灾害信息、制定救援行动等有重要参考价值（王森等，2018）。目前，国际上已充分认识到社交媒体数据在灾害管理方面的潜力。如联合国减灾署在《仙台2015—2030年减少灾害风险框架》中提出“各国政府应加大利用社交媒体、传统媒体、大数据和移动电话网络等媒体，为灾害风险传播行动提供有力支持”（United Nations, 2015）。经济合作与发展组织、美国国会等组织机构也在相关报告中屡屡提及如何在灾害管理中结合社交媒体数据（Takahashi, 2015）。
从目前相关研究看，社交媒体数据在灾害管理各阶段的应用潜力尚需进一步探索，因此，本文以2023年福建省台风“杜苏芮”事件为例进行研究。福建省位于中国东南沿海中部，是台风灾害的频发地区，每年约有将近70%登陆中国的台风对该省造成影响（黄惠镕等，2021）。鉴于其特殊的地理位置和灾害频发特性，福建省具有相当的探究价值。本文通过对新浪微博平台台风“杜苏芮”期间的发文数据、发文主体以及主题内容的研究，探讨台风“杜苏芮”期间，社交媒体数据在灾害管理不同阶段的实际应用潜力，以期为中国安全韧性城市目标建设提供思路借鉴。

1 基于社交媒体数据的台风灾害管理研究综述

1.1　社交媒体数据类型及其特征

社交媒体被称作“公民传感器”，这意味着公众不仅是信息的接受者，更是信息的创造者和传播者（Sheth, 2009）。这种公民驱动型的信息基础设施作为新的数据来源，能不断丰富灾害态势感知，提升灾害响应能力。目前，中国学者多以微博（李绍攀 等，2022；周义棋 等，2022）、微信（张一鸣，2021）、百度指数（刘宏波，2018）等社交媒体平台作为灾害管理研究的主要数据源。其中新浪微博在发帖、评论、转发等互动方式上与Twitter相似（Twitter是国际上灾害管理研究最主要的社交媒体平台），是应用最广泛的数据获取平台。
社交媒体中可提取的信息主要包括时间、空间地理、文本、视频图像和社交网络5种类型。其中，时间信息可用于台风灾害实时监测（Wang and Ye, 2018），有助于及时了解台风的发展趋势和影响程度（Sakaki et al., 2010），缩短响应时间以减轻灾害损失；空间地理信息的应用方式一般包括可视化台风影响分布、识别具体受灾点（Avvenuti et al.,2014）以及结合空间聚类方法绘制灾害热点图等（Wang et al., 2016）；文本信息是社交媒体数据的关键内容，可通过自然语言处理技术（Natural Language Processing）有效提取（ Huang et al.,2015a），如王月明等（2022）将文本信息划分成提醒建议、情感支持、求助信息、救援捐赠、人员和经济损失5种类型；视频图像信息对采集技术要求较高，有学者通过识别图像或视频中受灾群体的情绪类别，以评估个体对灾害事件的应对能力（Leykin et al.,2018），但目前应用较少；社交网络信息可用于构建灾区的求助网络，帮助管理者了解灾情和调配资源（Wang et al., 2016）。
在实际研究中，为提高信息的准确性和可靠性，通常将多类型信息进行组合分析（Wang and Ye, 2018），其中又以时间、空间地理和文本结合分析为主。综合而言，基于社交媒体数据的台风灾害管理研究大体可分为2种类型：1）对时空信息的提取，了解灾害发生点以及公众行为时空变化情况（Leykin et al., 2018; Slick, 2019）；2）利用文本内容识别灾害相关话题（Huang et al., 2022）和公众情绪反应（Wu and Cui, 2018），为管理决策提供信息支撑。

1.2　社交媒体数据支撑下的不同阶段台风灾害管理应用场景

社交媒体提供了一种与灾害事件发展速度相匹配的工具，能在灾害管理的不同阶段得到实际应用（Zou et al., 2018；周利敏，2021）。Huang等（2015b）较早提出一种基于灾害管理阶段的方法，将社交媒体数据细分为不同主题和关键词，为未来灾害事件的信息挖掘和管理工作奠定基础。一般认为，灾害管理全周期分为准备、响应、恢复和适应4个阶段，鉴于社交媒体数据的短时性（龚晓峰，2020），其在评估长期适应阶段的应用效能存在一定局限，因此本研究主要探讨社交媒体数据在灾害准备、响应和恢复阶段的应用潜力。
在灾害准备阶段，应用社交媒体数据能显著提高台风等自然灾害的实时监测和灾情趋势判断水平，有助于构建更为即时和高效的监测预警机制。政府以及各类组织可利用社交媒体平台向公众传播潜在灾害风险、普及应急响应策略、提供疏散流程和准备应急物资等关键信息，从而提高个人和社区的灾害应对能力（Chaniotakis et al., 2017）。此外，将社交媒体数据与地理空间数据结合，可迅速识别和定位风险区域，进一步完善监测预警体系。如在台风“宝霞”期间，志愿者通过Pybossa平台对推文进行主题分类标注，进而制作危险地图（hazard map），为救援组织提供参考信息（Huang et al.,2015a）。
在灾害响应阶段，电视和广播等通信传播渠道可能会因灾害冲击而遭到破坏，在此情况下，当地居民成为信息传播的主要活跃主体（王森 等，2018）。社交媒体数据在此阶段发挥关键作用，通过分析社交媒体内容可以确定受灾点（Fang et al., 2019）、识别公众情绪、辅助应急协调和响应工作，以及分配救援物资（Wang et al., 2016）和医疗用品等活动（Ogie et al., 2022），从而提升响应能力。相关研究，如Wu等（2022）以台风“利奇马”为例，通过微博文本分析受灾者信息及公众情绪变化，结合致灾因子和社会经济因素，提出分配救援物资的方案；Huang等（2022）以台风“天鸽”为例，将文本划分为九大主题，结合微博平台的地理数据和腾讯位置数据，详细描述公众行为和社会响应的时空演变；周义棋等（2022）从应急救援及指挥保障、灾后紧急救援、基本生活保障以及公共基础设施保障4个需求维度，揭示在台风“利奇马”期间，浙江省11市公众的应急救助需求，为应急救援提供决策参考。
在灾害恢复阶段，对灾害损失的准确评估对于指导灾后重建工作至关重要。已有研究表明，社交媒体数据能辅助灾害损失评估工作的开展。如Zou等（2018）把社交媒体指标纳入飓风“桑迪”的损失评估模型中，将灾害损失评估准确性提高10%；Chen和Lim（2021）搭建一套基于Twitter数据的台风灾害损失评估模型，量化台风“帕卡”和台风“天鸽”灾害对港澳地区造成的损失程度；李绍攀等（2022）运用朴素贝叶斯分类器分析台风“山竹”和台风“利奇马”期间微博文本中的情感倾向，并结合城市的地理位置、灾害的破坏性和社会经济数据，对临海城市和非临海城市的台风灾害损失进行评估，验证了基于社交媒体数据的损失评估与实际损失值之间具有较好的一致性；Huang等（2022）提出，灾后微博主题的变化可作为衡量城市恢复速度的指标，通过与社会经济数据结合，构建一个城市灾害韧性评估体系，为基础设施重建等灾后恢复活动提供更准确的参考。此外，社交媒体数据还有助于资金捐赠和志愿者招募等活动的开展，增强社会各界对灾后重建的关注和支持（Young et al., 2020; Ogie et al., 2022）。

1.3　相关研究面临的挑战与应对

从上述分析可知，社交媒体作为信息获取的新渠道，显著地拓宽了灾害监测视野，并为灾害管理行动的制定提供新的视角与方法。然而，社交媒体数据的应用也面临着一系列挑战。
首先，社交媒体数据的价值密度较低。该问题主要源于社交媒体数据的短时性、主观性以及空间分布的不均衡性（Leykin et al., 2018; Tang et al., 2021）。具体而言，社交媒体的高更新频率可能导致公众对实际灾害问题的关注度降低（Olynk et al., 2022）；同时，由于社交媒体信息主要来源于非专业个体，且易受个人主观因素影响，可能导致信息失真，进而影响灾害的有效响应。如在飓风“哈维”期间，关于“红十字会”的虚假信息在长时间内的传播，凸显了谣言在社交媒体上的持久影响；Lam等（2023）在对美国3次飓风事件的研究中指出，社交媒体用户在社会阶层和地理分布上存在显著差异，表现为年轻且受教育程度较高的群体在平台上的活跃度通常更高。因此，为提高分析结果的科学性和准确性，有必要将社交媒体数据与社会经济和土地利用等其他类型数据进行融合和交叉验证（Wang et al., 2020）。
其次，文本信息提取技术面临挑战。在灾害管理领域，不同类型灾害的信息表达方式存在显著差异。目前，大多数研究依赖于英文语料库，而针对台风灾害事件的专业化中文语料库相对匮乏。这使得机器学习、模式匹配等灾害信息抽取技术的应用受到限制。尽管部分机构组织已构建了专门的数据库，但其在台风灾害管理领域的适用性和有效性仍需进一步探讨与验证（邬柯杰 等，2020）。此外，中文语境中普遍存在一词多义和多词一义的现象，对文本信息的准确识别构成挑战（Han and Wang, 2019）。为克服这些困难，未来应致力于借助更先进的模型和数据分析技术，实现对灾害信息精确分类和高效分析。
最后，地理位置信息获取的精度受限。在社交媒体平台上，用户地理位置信息的获取主要依赖于推文附带的地理标签以及通过文本分析提取的地名信息。这2种方法在地理信息提取上均存在局限性。以新浪微博为例，由于平台对信息隐私的保护，除非用户在发布内容时主动标注位置，大部分推文的地理位置信息仅能精确到市级，通常还需要人工对于位置信息不准确的数据进行标注和校正。另外，由于地名可能存在歧义或模糊之处，基于地名的地理信息提取方法可能会引入不相关的信息，这将影响对灾害空间分布特征的准确分析（梁春阳，2019）。因此，未来亟需强化社交媒体的空间信息获取技术，整合腾讯位置服务、手机信令等大数据（Han and Wang, 2019; Huang et al., 2022），以提升对灾害相关信息的识别精度，为灾害管理工作提供更为坚实的支持。

2 数据来源与研究方法

2.1　研究对象

2023-07-21 T 08:00，台风“杜苏芮”在太平洋西部海域生成。28日T 10:00，该台风在福建省晋江市登陆，登陆时中心附近的最大风力高达15级，成为自2016年台风“莫兰蒂”以来登陆福建省的最强台风（余徳贵 等，2023）。台风“杜苏芮”由东南向西北贯穿全省，形成一条宽度约200 km的特大暴雨带（沈良坤，2023），导致福州、莆田、泉州等多处降雨量创下历史新高。7月29日，该台风在安徽省境内减弱，随后被停止编号，但其残留环流系统仍对周边地区产生显著影响（图1）。台风造成福建省各地266.69万人受灾，3 357间房屋倒塌或严重损坏，直接经济损失高达147.55亿元（福建日报，2023）。
图1 台风“杜苏芮”的路径

注：1）该图基于国家测绘地理信息局标准地图服务网站下载的审图号GS（2023）2764号的标准地图制作，底图无修改；2）热带气旋等级划分标准参考自文献中国国家标准化管理委员会（2006）；3）风速为底层中心附近最大平均风速。

Fig.1 Track of Typhoon Doksuri

2.2　数据处理与研究方法

采用Python爬虫技术，以“杜苏芮”和“台风”为关键词，在新浪微博平台上爬取2023-07-21—08-03两周内的发文数据。所采集的数据集涵盖了用户ID、发文内容、地点位置、时间以及用户认证信息等关键字段。随后，根据研究需求，对不同类型数据进行处理，采用时间与空间信息，分析微博发文数据的时空分布关系；按照用户认证信息提取不同类型发文主体的特征行为；对文本信息进行处理，探析台风事件中热点主题内容的演化。
在主题内容的演化分析板块，首先对收集到的数据进行清洗和过滤，以确保数据质量。再利用Jieba分词工具对爬取到的文本数据进行分词处理，构建一个台风灾害语料库。在此基础上，运用隐含狄利克雷分布（Latent Dirichlet Allocation, LDA）模型对文本进行主题聚类分析。为确保聚类结果的准确性和科学性，通过计算模型的困惑度（perplexity）确定最优的主题数目。同时结合相关文献和灾害管理要求，构建台风“杜苏芮”事件下用户关注点进行聚类分析，旨在全面揭示台风灾害期间社会反应及响应情况（图2）。
图2 研究方法

Fig.2 Research methodology

3 结果发现

3.1　微博发文数据的时空分布

本研究共获取到38 629条与台风“杜苏芮”事件相关的微博发文数据，筛选后得到带有福建省地理标签的有效数据12 950条。根据台风“杜苏芮”的时间轨迹，将推文划分为3个阶段：准备阶段（7月21日至26日）、响应阶段（7月27日至29日）和恢复阶段（7月30日至8月3日）（图3）。结果显示，在台风“杜苏芮”灾害发展过程中，相关微博发文数据呈现快速增长后迅速回落的趋势，与网络舆情发展的“倒U型”模式吻合。在台风登陆前夕，受气象预报和预警的影响，公众对灾害的到来及其潜在影响的关注度显著提升。这种集中的关注度促进相关话题的产生和微博发文量的增加。特别地，泉州市作为受台风影响较大的地区，在7月29日前后，相关发文数量呈现较大幅度波动，引发广泛的讨论和关注。
图3 台风“杜苏芮”期间福建省相关微博发文数量的逐日和分市统计

Fig.3 Number of relevant Weibo posts in Fujian Province during Typhoon Doksuri by date and by city

图4显示台风“杜苏芮”期间，相关微博发文在不同地区的热度分布情况，可知，微博数据的空间分布与台风轨迹大致相同。在所有地区中，厦门市的社会响应程度最为显著，紧随其后的是遭受台风正面袭击的泉州市。沿海6市的发文热度普遍高于内陆地区，反映在同一灾害事件下，不同受灾程度地区对灾害关注度的差异。同时，本文对发文数量与城市常住人口数量进行相关性分析，结果显示，发文数量与常住人口规模的皮尔逊相关系数为0.769，呈现显著的正相关性。这说明城市区域内人口规模越大，其发布的推文数量越多。
图4 台风“杜苏芮”期间福建省相关微博的地理空间分布

注：该图基于国家或者国家测绘地理信息局标准地图服务网站下载的审图号GS（2019）3266号的标准地图制作，底图无修改。

Fig.4 Geographic spatial distribution of relevant Weibo posts in Fujian Province during Typhoon Doksuri

3.2　不同类型发文主体的特征与趋势分析

根据新浪微博的用户认证规则，将用户分为个人用户、组织认证和普通认证3类。其中，组织认证指拥有政府、机构、媒体、企业等组织官网认证的账号；普通认证用户指具有一定社会影响力（粉丝过万和微博月阅读量1 000万以上）的认证用户，通常包括气象爱好者和本地信息咨询者。

3.2.1　发文数量特征分析

从发文数据看，在灾害全过程，大部分推文由个人用户发布，其次是组织认证用户，而普通认证用户发文仅占14%。从发文热度看，在灾前微博平台发文内容以组织认证用户为主导；在灾时，3种类型用户热度均等；而在灾后个人用户反响最为积极（图5）。
图5 台风“杜苏芮”期间福建省不同用户类型的微博发文数量和发文热度

Fig.5 Number and popularity of posts by different types of Weibo accounts in Fujian Province during Typhoon Doksuri

个人用户作为社交媒体上的核心参与者，在灾害期间发挥关键作用。与此同时，组织认证用户在整个灾害期间也展现出较高的发文活跃度，积极向社会公众传播灾害相关信息，为公众提供重要的指引和帮助。在灾害准备和恢复阶段，组织认证用户所发布的话题作为舆情引导，更容易吸引公众关注，显著提升了信息的传播效率，反映公众对官方信息的高度信任。而在响应阶段及恢复阶段，非组织认证用户尤其是普通认证用户，通过广泛收集和传播灾害信息，推动相关话题热度提高，与组织认证用户形成有效的协同效应。个人用户作为灾害现场传感器，提供了实时的一手信息。尤其在灾后恢复阶段，其发布的信息有助于提高管理者对灾区情况的了解，对制定和调整相应的灾害重建策略具有重要意义。

3.2.2　发文词云特征分析

为深入分析不同用户主体在灾害中的关注焦点，采用词云图工具对3类用户文本数据中的高频词汇进行分析。为确保结果的准确性，仅采纳动词作为统计对象。结果显示，无论是个人用户、组织认证用户还是普通认证用户，其关注热点均聚焦于气象预警和天气变化情况（图6）。具体地，个人用户的发文内容表现出相对更强的情感色彩和多样性，涵盖了情绪表达、基础设施（如停电、停水）等信息，真实反映公众的需求和实际生活状况。组织认证用户除提供有关台风路径、强度等气象相关信息外，还发布紧急避险通知、防汛防灾措施等内容。普通认证用户与组织认证用户词云具有一定相似性，说明普通认证用户在信息传播中扮演桥梁和纽带的角色，其转发的灾害信息，加速了信息传播速度和扩大覆盖范围。
图6 台风“杜苏芮”期间福建省微博用户主体发文词云图

Fig.6 Word cloud of Weibo users' posts in Fujian Province during Typhoon Doksuri

综上，微博作为一种社交媒体，能为政府与公众之间建立起有效的双向沟通机制（周利敏，2021）。因此，在面对重大灾害事件时，灾害管理部门应充分考虑这一特征，进一步发挥不同群体在传递关键信息、形成社会共识和集结救援力量等方面的作用。其次，政府组织在强化风险沟通和信息交流、全力救灾的同时，还需重视个人用户的反馈和需求。通过深入分析用户发文内容，管理者能更精确地定位灾害响应工作的重点和方向，有效地减轻灾害对社会经济的负面影响，并确保灾后重建工作能够更加贴合公众的实际需求，促进社会整体的恢复与发展。

3.3　主题内容的演化分析

3.3.1　主题识别与聚类模型

采用LDA主题模型对经过分词处理的数据进行主题划分。为优化模型性能，获得更为理想的聚类效果，对不同主题数目下的困惑度进行计算。困惑度是衡量模型分类准确性的指标，其值越低，表明模型的聚类效果越好。如图7所示，当主题数目K设定为27时，困惑度达到较低水平，且曲线趋于相对稳定。基于此，本研究将台风“杜苏芮”事件的语料库划分为27个主题，并进一步提取每个主题概率最高的10个关键词。
图7 微博文本LDA主题聚类困惑度计算

Fig.7 Calculation of perplexity of Weibo text LDA topic clustering

对微博台风灾害文本数据中各主题及其关键词的内容相似性进行深入分析，并参照相关文献（陈奇放 等，2019；Huang et al., 2022），构建了一个包含五大主题的聚类模型，分别是：气象预警（Topic 9、24）、避险通知（Topic 1、2、16）、公众反应（Topic 15、23）、交通状况（Topic 13、21）和应急救援（Topic 5、10、18）（表1）。其中，应急救援主题聚焦管理部门的救援措施和行动，包括救援队伍的部署、救援进度及成效等。气象预警主题主要涵盖台风预警、天气预报以及气象变化等，旨在向公众提供台风路径、强度、预计登陆时间及地点等关键信息。避险通知主题包括政府及相关部门发布的紧急避险指南，涉及避险区域划定、社会停工等具体措施。交通状况主题关注道路、铁路、航空等交通系统的运行状况，包括道路封闭、交通中断、航班取消等情况。公众反应主题反映公众对台风灾害的情感态度、个人体验及需求。
表1 台风“杜苏芮”期间福建省微博发文的主题聚类

Table 1 Thematic clustering of Weibo posts in Fujian Province during Typhoon Doksuri

主题聚类 主题编码 主题词
气象预警 Topic#9 预警、发布、红色、暴雨、气象台、风险、升级、预计、时分、橙色
Topic#24 气象台、中心、预警、信号、发布、风力、公里、年月日时、距离、预计
避险通知 Topic#1 区域、提前、做好、危险、加固、设施、远离、转移、外出、值班
Topic#2 景区、临时、暂停、影响、通知、公园、运营、开放、游客、闭园
Topic#16 全市、一休、停工、停课、结束、三停、防台风、市民、应急响应、停产
公众反应 Topic#15 正面、袭击、啊啊啊、宁静、超市、睡不着、囤货、防台风、不要出门、计划
Topic#23 影响、新世纪、安静、平安、可怕、害怕、外面、平静、窗户、吓人
交通状况 Topic#13 出行、车辆、高速、交警、通行、路段、交通管制、高速公路、受灾、辖区
Topic#21 停运、列车、旅客、铁路、路段、火车站、调整、退票、路口、车站
应急救援 Topic#5 救援、消防、群众、转移、紧急、被困、受灾、消防员、人员、影响
Topic#10 应急响应、防台风、启动、防汛、应急、提升、抗旱、预案、指挥部、一级
Topic#18 工作、防御、做好、全力、应急、防抗、措施、部署、防汛、物资

3.3.2　主题聚类的空间分布

通过台风轨迹点的风速大小，对福建省各地的受灾情况进行初步模拟（图8-a）。同时，对福建省各市在气象预警、避险通知、公众反应、交通状况、应急救援五大主题下的得分进行统计，并绘制了相应的空间分布（图8-b~f）。结果显示，各主题的得分分布与受灾程度呈现一定的相似性，临海城市在各主题下的得分普遍高于非临海城市。其中，宁德市由于距离台风风眼较远，社交媒体数据响应程度相对较低。从地域分布看，不同城市在灾害事件中的应急响应表现存在显著差异。
图8 台风“杜苏芮”期间福建省沿海城市的微博话题分布

注：该图基于福建省测绘地理信息局标准地图服务网站下载的审图号闽S（2023）177号的标准地图制作，底图无修改。

Fig.8 Distribution of Weibo topics in Fujian coastal cities during Typhoon Doksuri

作为台风登陆点，泉州市遭受灾害的严重影响，引发积涝和泥石流等次生灾害，因此应急救援成为公众最为关注的话题，公众反应也相对强烈。厦门市在各主题下的得分均表现突出，反映该市在自然灾害应对方面的积极态度和高度关注，其灾害防御和统筹调度能力在省内较为突出。福州市作为省会城市，在气象预警和应急救援工作中发挥主导作用，统筹协调了全省的防御工作和信息发布（沈良坤，2023）。莆田市和漳州市虽然受灾严重，但在气象预警和避险通知主题下的得分较低，这可能揭示城市管理部门在信息传达方面存在的不足。因此，各城市应致力于加强预警系统的建设，提高信息传递效率，以提升未来灾害应对的整体效率。

3.3.3　主题聚类的时间分布

鉴于非临海城市在灾害扰动和微博数量上相对有限，仅对福建省6个临海城市在灾害准备、响应和恢复阶段的微博主题聚类变化趋势进行展示（图9）。在灾害准备和响应阶段，气象预警和公众反应主题占比显著较高。在台风灾害事件中，气象预警信息频繁更新，确保公众能获得及时且准确的灾害信息。这种高频率的信息更新是导致气象预警主题微博数量占比大的主要原因。其次，个人用户作为微博平台的主要参与者，在灾时通过微博平台表达情感、关注和诉求。公众通过信息共享的方式积极参与到灾害应对中，进一步增加公众反应主题数量。
图9 台风“杜苏芮”期间福建省沿海城市在灾害管理各阶段的微博话题分布

Fig.9 Distribution of Weibo topics in Fujian coastal cities during Typhoon Doksuri by disaster management stage

在灾害准备阶段，气象预警和避险通知主题成为公众关注热点。这是由于相关管理部门、气象局以及气象爱好者发布大量的台风预警和社会防御信息，引起公众的广泛关注，这些信息为公众提供关于灾害性质、影响范围和应对策略的重要指导，帮助工作做好灾害应对准备。随着台风事件的发展，公众对于台风灾害的关注度持续上升。在灾害响应阶段，公众反应主题占比达到高峰，表明此次台风事件给社会带来严重破坏，公众普遍表现出深切的关切和忧虑。同时，应急响应主题随着灾害发生而逐渐增加，并贯穿整个灾害事件。在灾害恢复阶段，救援工作成为全社会关注的中心，政府和相关机构持续开展救援行动，致力于灾区正常生活秩序的恢复。
灾害相关主题的数量在不同阶段表现出显著差异，反映公众关注焦点随时间的演变。同时，各城市在灾害中的应急响应能力受到城市特征、规模、经济实力等多重因素的影响，呈现显著的异质性。通过对微博文本主题分析，可深入理解公众和管理部门在灾害不同阶段的关注点和需求，进而评估各城市的应急响应与恢复能力。这为灾害管理部门提供更为精准的决策支持，有助于优化资源配置和提升灾害管理效率。

4 讨论与结论

本研究全面审视了社交媒体数据在灾害管理全过程中的应用潜力，总结了社交媒体数据在灾害管理中的应用类型特征、应用场景和研究挑战，进一步丰富了现有的理论框架，并为灾害管理提供了新的数据支持。其次，以福建省受台风“杜苏芮”影响为例，利用台风期间微博平台的数据，深入分析了社交媒体数据在灾害管理实际操作中的应用效果，同时也为福建省灾害管理领域的应用研究增添了新内容。研究发现：
1）社交媒体上相关话题活跃度与台风“杜苏芮”的灾害周期紧密相连。此外，发文数量与受灾城市严重程度和人口规模也呈现较明显的相关性。通过监测社交媒体上的信息传播动态，可以实时掌握灾害的发生状况及其影响范围，从而提升对灾害态势的感知能力，为灾害应急响应提供及时必要的支持。
2）不同类型用户在灾害信息传播中的活跃程度和影响力存在显著差异。其中，组织认证用户以其发布的权威信息在灾害管理中占主导地位；个人用户、社会组织和志愿者等非官方主体发布的信息则提供更全面和多元化的视角，有效补充了官方信息的不足。因此，灾害管理部门应利用社交媒体平台，加强预警信息发布，构建起全面的灾害信息感知系统。同时鼓励非官方用户积极参与，确保救援工作更贴近公众的实际需求。
3）社交媒体上灾害相关主题的时空分布特征表现出显著差异，这反映公众关注焦点随时间的演变。在灾害初期，公众的关注点主要集中在气象预警和避险通知上；而在灾害后期，关注点转向应急救援情况，显示公众在灾害应对过程中需求的变化。其次，城市在灾害应急响应速度上的差异，受城市特征、经济能力等多种因素的影响。通过不断提高对社交媒体灾情信息的识别和整理能力，灾害管理部门可以更准确地把握公众的关注点和需求变化，制定更精细化的应急响应策略。
尽管本研究取得了一些发现，但仍存在改进之处：首先，鉴于当前研究受限于微博平台的数据权限，未来应考虑整合多源数据，以获得更为精确和普适的研究视角。其次，虽然LDA模型是目前最广泛使用的主题提取方法，但随着机器学习和深度学习技术的快速发展，未来可探索将这些先进技术应用于主题信息提取，以提高分析的准确性和效率。最后，本研究主要聚焦于社交媒体数据的信息价值，未来可以进一步探讨社交媒体数据中反映的紧急救援需求与实际应急管理供给之间的匹配关系，从而为台风灾害管理提供更全面和科学的支持。

谢雪苗：数据收集与处理、论文撰写、图表绘制；

邵亦文：论文指导与修改、基金支持。

References

Publishing order | Descend order by publishing year | Descend order by cited within
Ahmed Yunis Ali, Ahmad Mohammad Nazir, Ahmad Norasnita, and Zakaria Nor Hidayati. 2019. Social Media for Knowledge-Sharing: A Systematic Literature Review. Telematics and Informatics, 37: 3772-112.

Avvenuti Marco, Cresci Stefano, Marchetti Andrea, Meletti Carlo, and Tesconi Maurizio. 2014. EARS (Earthquake Alert and Report System): A Real Time Decision Support System for Earthquake Crisis Management. In: ACM Digital Library. The 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: Association for Computing Machinery, 1749-1758.

Chaniotakis Emmanouil, Antoniou Constantinos, and Pereira Francisco C. 2017. Enhancing Resilience to Disasters Using Social Media. In: IEEE. The 5th IEEE International Conference on Models and Technologies for Intelligent Transportation Systems (MT-ITS). Napoli: IEEE, 699-703.

Chen Zi and Lim Samsung. 2021. Social Media Data-Based Typhoon Disaster Assessment. International Journal of Disaster Risk Reduction, 64: 102482.

陈奇放，翟国方，李文静，付泽钰. 2019. 新西兰适应沿海灾害和海平面上升的规划经验与启示//中国城市规划学会. 2019中国城市规划年会论文集. 重庆：中国建筑工业出版社，248-256. 2019中国城市规划年会.

Chen Qifang, Zhai Guofang, Li Wenjing, and Fu Zeyu. 2019. New Zealand's Planning Experience and Enlightenment in Adapting to Coastal Disasters and Sea Level Rise, China.In: Urban Planning Society of China. Proceedings of 2019 China Urban Planning Annual Conference. Chongqing: China Architecture and Building Press, 248-256.

Fang Jian, Hu Jiameng, Shi Xianwu, and Zhao Lin. 2019. Assessing Disaster Impacts and Response Using Social Media Data in China: A Case Study of 2016 Wuhan Rainstorm. International Journal of Disaster Risk Reduction, 34: 275-282.

范红超，孔格菲，杨岸然. 2022. 众源地理信息研究现状与展望. 测绘学报，51（7）：1653-1668.

Fan Hongchao, Kong Gefei, and Yang Anran. 2022. Current Status and Prospects of Research for Volunteered Geographic Information, China. Acta Geodaetica et Cartographica Sinica, 51(7): 1653-1668.

福建日报. 2023. 台风“杜苏芮”共造成我省266.69万人受灾. （2023-08-01）[2024-03-25]. https://slt.fujian.gov.cn/wzsy/mtjj/202308/t20230801_6217733.htm.

Fujian Daily. 2023. Typhoon Doksuri Ccaused a Total of 2,666,900 People in Fujian Province to be Affected. (2023-08-01) [2024-03-25]. https://slt.fujian.gov.cn/wzsy/mtjj/202308/t20230801_6217733.htm.

龚晓峰. 2020. 台风灾害链分析及其对城市生命线系统脆弱性影响的研究. 重庆：重庆大学.

Gong Xiaofeng. 2020. Study on Disaster Chain of Typhoon and Its Impact on Urban Lifeline System Vulnerability. Chongqing: Chongqing University.

Han Xuehua and Wang Juanle. 2019. Using Social Media to Mine and Analyze Public Sentiment during a Disaster: A Case Study of the 2018 Shouguang City Flood in China. International Journal of Geo-Information, 8(4): 185.

Huang Qunying and Xiao Yu. 2015a. Geographic Situational Awareness: Mining Tweets for Disaster Preparedness, Emergency Response, Impact, and Recovery. International Journal of Geo-Information, 4(3): 1549-1568.

Huang Qunying, Cervone Guido, Jing Duangyang, and Chang Chaoyi. 2015b. Disaster Mapper: A CyberGIS Framework for Disaster Management Using Social Media Data. In: ACM SIGSPATIAL. Proceedings of the 4th ACM SIGSPATIAL International Workshop on Analytics for Big Geospatial Data. Seattle: ACM SIGSPATIAL,1-6.

Huang Sheng,Du Yunyan,Yi Jiawei,Liang Fuyuan,Qian Jiale,Wang Nan, and Tu Wenna. 2022. Understanding Human Activities in Response to Typhoon Hato from Multi-Source Geospatial Big Data: A Case Study in Guangdong, China. Remote Sensing, 14(5): 1269.

黄惠镕，赵玉春，荀爱萍，陈健康，张伟. 2021. 2013年相似路径台风“苏力”与“潭美”造成福建暴雨落区差异的成因. 暴雨灾害，40（2）：136-146.

Huang Huirong, Zhao Yuchun, Xun Aiping, Chen Jiankang, and Zhang Wei. 2021. Causality Analysis of Difference of Heavy Rainfall Distribution in Fujian Caused by Typhoons Soulik and Trami along Similar Tracks in 2013, China. Torrential Rain and Disasters, 40(2): 136-146.

Lam Nina S N, Meyer Michelle, Reams Margaret, Yang Seungwon, Lee Kisung, Zou Lei, Mihunov Volodymyr, Wang Kejin, Kirby Ryan, and Cai Heng. 2023. Improving Social Media Use for Disaster Resilience: Challenges and Strategies. International Journal of Digital Earth, 16(1): 3023-3044.

Leykin Dmitry, Lahad Mooli, and Aharonson-Daniel Limor. 2018. Gauging Urban Resilience from Social Media. International Journal of Disaster Risk Reduction, 31: 393-402.

Ogie R I, James S, Moore A, Dilworth T, Amirghasemi M, and Whittaker J. 2022. Social Media Use in Disaster Recovery: A Systematic Literature Review. International Journal of Disaster Risk Reduction, 70: 102783.

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 Shaopan, Zhao Fei, Zhou Yiqi, Tian Xiangliang, and Huang Hong. 2022. Analysis of Public Opinion and Disaster Loss Estimates from Typhoon Based on Microblog Data. Journal of Tsinghua University(Science and Technology), 62(1): 43-51.

梁春阳. 2019. 基于社交媒体的台风灾情信息抽取方法研究. 福建：福建师范大学.

Liang Chunyang. 2019. A Method of Extraction Typhoon Disaster Information Using Social Media Data. Fujian: Fujian Normal University.

刘宏波. 2018. 基于网络媒体信息的不同自然灾害响应模式研究. 南京：南京大学.

Liu Hongbo. 2018. Research on the Different Natural Disaster Response Patterns Based on the Network Media Information. Nanjing: Nanjing University.

刘纪平，刘猛猛，徐胜华，杜清运，朱军，朱秀丽. 2020. 大数据时代下的一体化综合减灾技术综述. 武汉大学学报（信息科学版），45（8）：1107-1116.

Liu Jiping, Liu Mengmeng, Xu Shenghua, Du Qingyun, Zhu Jun, and Zhu Xiuli. 2020. A Survey on Integrated and Comprehensive Disaster Reduction Technology in the Era of Big Data, China. Geomatics and Information Science of Wuhan University, 45(8): 1107-1116.

Olynk Widmar Nicole, Rash Kendra, Bir Courtney, Bir Benjamin, and Jung Jinho. 2022. The Anatomy of Natural Disasters on Online Media: Hurricanes and Wildfires. Natural Hazards, 110(2): 961-998.

Sakaki Takeshi, Okazaki Makoto, and Matsuo Yutaka. 2010. Earthquake Shakes Twitter Users: Real-Time Event Detection by Social Sensors. In: World Wide Web. Proceedings of the 19th International Conference on World Wide Web. Raleigh: World Wide Web, 851-860.

Sheth Amit. 2009. Citizen Sensing, Social Signals, and Enriching Human Experience. IEEE Internet Computing, 13(4): 87-92.

Slick Jean. 2019. Experiencing Fire: A Phenomenological Study of YouTube Videos of the 2016 Fort McMurray Fire. Natural Hazards, 98(1): 181-212.

沈良坤. 2023. 福建复盘台风“杜苏芮”应对逐个环节研判精准高效防御. 安全与健康，（8）：12-13.

Shen Liangkun. 2023. Fujian Reviews the Responses to Typhoon Doksuri to Judge Each Link Accurately for Efficient Prevention, China. Safety and Health, (8): 12-13.

Takahashi Bruno, Tandoc Edson C, and Carmichael Christine. 2015. Communicating on Twitter During a Disaster: An Analysis of Tweets During Typhoon Haiyan in the Philippines. Computers in Human Behavior, 50: 392-398.

Tang Jiting, Yang Saini, and Wang Weiping. 2021. Social Media-Based Disaster Research: Development, Trends, and Obstacles. International Journal of Disaster Risk Reduction, 55: 102095.

United Nations. 2015. Sendai Framework for Disaster Risk Reduction 2015-2030. (2015-03-18) [2024-05-02]. https://www.undrr.org/media/16176/download?startDownload=20240502.

Wang Zheye, Ye Xinyue, and Tsou Ming-Hsiang. 2016. Spatial, Temporal, and Content Analysis of Twitter for Wildfire Hazards. Natural Hazards, 83(1): 523-540.

Wang Zheye and Ye Xinyue. 2018. Social Media Analytics for Natural Disaster Management. International Journal of Geographical Information Science, 32(1): 49-72.

Wang Bo, Loo Becky P Y, Zhen Feng, and Xi Guangliang. 2020. Urban Resilience from the Lens of Social Media Data: Responses to Urban Flooding in Nanjing, China. Cities, 106: 102884.

Wu Desheng and Cui Yiwen. 2018. Disaster Early Warning and Damage Assessment Analysis Using Social Media Data and Geo-Location Information. Decision Support Systems, 111: 48-59.

Wu Kejie, Wu Jidong, and Li Yue. 2022. Mining Typhoon Victim Information Based on Multi-Source Data Fusion Using Social Media Data in China: A Case Study of the 2019 Super Typhoon Lekima. Geomatics. Natural Hazards and Risk, 13(1): 1087-1105.

王森，肖渝，黄群英，张纯. 2018. 基于社交大数据挖掘的城市灾害分析：纽约市桑迪飓风的案例. 国际城市规划，33（4）：84-92.

Wang Seng, XiaoYu, Huang Qunying, and Zhang Chun. 2018. Research on Urban Disaster Analysis Based on the Big Data Mining of Social Media: Case Study of Hurricane Sandy in New York, China. Urban Planning International, 33(4): 84-92.

王月明，胡卓玮，陈锡. 2022. 基于社交媒体文本的灾情信息识别方法比较研究. 自然灾害学报，31（1）：179-187.

Wang Yueming, Hu Zhuowei, and Chen Xi. 2022. Comparative Study on Disaster Information Recognition Methods Based on Social Media Text, China. Journal of Natural Disasters, 31(1): 179-187.

邬柯杰，吴吉东，叶梦琪. 2020. 社交媒体数据在自然灾害应急管理中的应用研究综述. 地理科学进展，39（8）：1412-1422.

Wu Kejie, Wu Jidong, and Ye Mengqi. 2020. A Review on the Application of Social Media Data in Natural Disasters Emergency Management, China. Progress of Geographical, 39(8): 1412-1422.

向纯怡，高拴柱，刘达. 2022. 2021年西北太平洋和南海台风活动概述. 海洋气象学报，42（1）：39-49.

Xiang Chunyi, Gao Shuanzhu, and Liu Da. 2022. Overview of Typhoon Activities in Western North Pacific and the South China Sea in 2021, China. Journal of Marine Meteorology, 42(1): 39-49.

Yang Tengfei, Xie Jibo, Li Guoqing, Mou Naixia, Li Zhenyu, Tian Chuanzhao. and Zhao Jing. 2019. Social Media Big Data Mining and Spatio-Temporal Analysis on Public Emotions for Disaster Mitigation. International Journal of Geo-Information, 8(1): 29.

Young Camila Espina, Kuligowski Erica D, and Pradhan Aashna. 2020. A Review of Social Media Use During Disaster Response and Recovery Phases. Gaithersburg, MD: National Institute of Standards and Technology.

余徳贵，梁立峰，蔡海鹏. 2023. 福建省重点防范科学调度应对台风“杜苏芮”. 中国防汛抗旱，33（9）：85-86.

Yu Degui, Liang Lifeng, and Cai Haipeng. 2023. Fujian Province: Key Preventions and Scientific Regulation in Response to Typhoon Doksuri, China. China Flood and Drought Management, 33(9): 85-86.

应急管理部. 2024. 2023年全国自然灾害基本情况. （2024-01-20）[2024-03-25]. https://www.mem.gov.cn/xw/yjglbgzdt/202401/t20240120_475697.shtml.

Emergency Management Department of People's Republic of China. 2014. Basic Situation of Natural Disasters in China in 2023. (2024-01-20) [2024-03-25]. https://www.mem.gov.cn/xw/yjglbgzdt/202401/t20240120_475697.shtml.

Zou Lei, Lam Nina S N, Cai Heng, and Qiang Yi. 2018. Mining Twitter Data for Improved Understanding of Disaster Resilience. Annals of the Association of American Geographers, 108(5): 1422-1441.

张一鸣. 2021. 基于多源数据感知的社区公共健康韧性评价与规划提升策略. 南京：南京大学.

Zhang Yiming. 2021. Resilience Evaluation and Planning Strategy of Community Public Health Based on Multi-Source Data: Take Nanjing as an Example. Nanjing: Nanjing University.

周利敏. 2021. 大数据时代的社交媒体与自然灾害治理. 人文杂志，（1）：102-109.

Zhou Limin. 2021. Social Media and Natural Disaster Management in the Era of Big Data, China. The Journal Humanities, (1): 102-109.

周义棋，田向亮，钟茂华. 2022. 基于微博数据的自然灾害应急救助需求评估. 清华大学学报（自然科学版），62（10）：1626-1635.

Zhou Yiqi, Tian Xiangliang, and Zhong Maohua. 2022. Assessment of Natural Disaster Emergency Relief Based on Microblog Data, China. Journal of Tsinghua University(Science and Technology), 62(10): 1626-1635.

中国国家标准化管理委员会. 2006. 热带气旋等级（GB/T 19201-2006）. （2006-05-09）[2024-05-15]. https://tcdata.typhoon.org.cn/data/doc/TC_std.pdf.

Standardization Administration of the People's Republic of China. 2006. Grade of Tropical Cyclones(GB/T 19201-2006). (2006-05-09) [2024-05-15]. https://tcdata.typhoon.org.cn/data/doc/TC_std.pdf.

Options
Outlines

/

〈 〉