基于微信文本的臺(tái)風(fēng)災(zāi)情快速評(píng)估方法研究

姚桂福,林廣發(fā)，2，3，祁新華，張欣媛，白遠(yuǎn)遠(yuǎn)，陳齊超

(1.福建師范大學(xué)地理科學(xué)學(xué)院，福建 福州 350117；2.福建省陸地災(zāi)害監(jiān)測評(píng)估工程技術(shù)研究中心，福建 福州 350117；3.海西地理國情動(dòng)態(tài)監(jiān)測與應(yīng)急保障研究中心，福建 福州 350117；4.北京師范大學(xué)地理科學(xué)學(xué)部，北京 100875)

我國東部沿海地區(qū)人口眾多，工農(nóng)業(yè)較為發(fā)達(dá)，國內(nèi)生產(chǎn)總值占據(jù)全國60%以上，但該區(qū)域位于世界上最大的臺(tái)風(fēng)發(fā)源地(西北太平洋)的西海岸．自1949年以來，西北太平洋平均每年生成約27個(gè)臺(tái)風(fēng)，其中約7個(gè)臺(tái)風(fēng)登陸我國東部沿海地區(qū)[1]．臺(tái)風(fēng)對(duì)我國東部沿海地區(qū)的經(jīng)濟(jì)發(fā)展、人民生命財(cái)產(chǎn)安全造成嚴(yán)重的威脅，因此關(guān)于臺(tái)風(fēng)災(zāi)情評(píng)估的研究具有重要意義．

臺(tái)風(fēng)災(zāi)情評(píng)估是指在臺(tái)風(fēng)災(zāi)害數(shù)據(jù)資料基礎(chǔ)上，應(yīng)用統(tǒng)計(jì)方法定量估算已經(jīng)或正在發(fā)生的臺(tái)風(fēng)災(zāi)害造成的財(cái)產(chǎn)損失或人員傷害[2]．學(xué)術(shù)界對(duì)臺(tái)風(fēng)災(zāi)情評(píng)估的研究主要包括以下幾個(gè)方面：(1)在臺(tái)風(fēng)災(zāi)害災(zāi)情評(píng)估因子選擇上，有學(xué)者選取臺(tái)風(fēng)暴雨、臺(tái)風(fēng)強(qiáng)度和持續(xù)時(shí)間等危險(xiǎn)性指標(biāo)作為災(zāi)害風(fēng)險(xiǎn)評(píng)估因子[3-5]，有學(xué)者則選取死亡人數(shù)、直接間接經(jīng)濟(jì)損失、倒塌房屋數(shù)等災(zāi)害損失指標(biāo)表征損失情況[6-12]；(2)在臺(tái)風(fēng)災(zāi)害災(zāi)情評(píng)估方法上，比例系數(shù)法、投入產(chǎn)出法、層次分析法、回歸分析法等數(shù)理統(tǒng)計(jì)方法被廣泛運(yùn)用[13-19]．近年來隨著神經(jīng)網(wǎng)絡(luò)的發(fā)展，神經(jīng)網(wǎng)絡(luò)開始應(yīng)用于臺(tái)風(fēng)災(zāi)情評(píng)估[20-21]．但不論是選擇何種評(píng)估因子或方法，大多數(shù)學(xué)者使用氣象、水利、農(nóng)業(yè)、民政等部門統(tǒng)計(jì)資料或?yàn)?zāi)害直報(bào)系統(tǒng)的數(shù)據(jù)．這些數(shù)據(jù)較為全面完整，但存在各部門統(tǒng)計(jì)標(biāo)準(zhǔn)不一、行業(yè)分割、統(tǒng)計(jì)數(shù)據(jù)共享難、更新速度較慢等問題．

近年來，有學(xué)者意識(shí)到相較于政府部門自下而上的逐級(jí)災(zāi)情情況匯總統(tǒng)計(jì)數(shù)據(jù)，社交媒體數(shù)據(jù)更為便捷、更新速度更快，于是開始使用社交媒體數(shù)據(jù)作為臺(tái)風(fēng)災(zāi)害災(zāi)情評(píng)估的數(shù)據(jù)來源，但目前大多采用微博、推特為數(shù)據(jù)源[22-24]，基于微信文本數(shù)據(jù)的研究報(bào)道相對(duì)較少．事實(shí)上，微信憑借著用戶群體廣泛、使用人數(shù)眾多、效率較高、發(fā)布信息量較大等優(yōu)點(diǎn)，具有更大的數(shù)據(jù)量和更新穎的使用方式．如氣象部門和地質(zhì)災(zāi)害管理部門的微信公眾號(hào)，在災(zāi)害來臨前發(fā)布相關(guān)內(nèi)容并將這些內(nèi)容傳送給每一個(gè)訂閱粉絲；在災(zāi)害發(fā)生時(shí)，微信則成為災(zāi)情信息直報(bào)、傳播的快捷有效渠道．值得注意的是，微信除了文字交流外還能利用語音進(jìn)行交流，便捷地發(fā)送現(xiàn)場圖片和視頻，還能了解在災(zāi)害來臨時(shí)人們的情感變化．微信文本數(shù)據(jù)在人們?yōu)g覽、評(píng)論、點(diǎn)贊公眾號(hào)文章時(shí)能較完整地將上述信息保留下來以供災(zāi)后分析和研究使用[25-28]．

基于上述分析，本文探索了基于微信的臺(tái)風(fēng)災(zāi)情快速評(píng)估方法．論文采集了臺(tái)風(fēng)“利奇馬”“白鹿”在登陸前、登陸后、消亡后3個(gè)階段的微信公眾號(hào)文章，分析了人們對(duì)于3個(gè)階段不同關(guān)注內(nèi)容所反映的災(zāi)情特征及在臺(tái)風(fēng)“利奇馬”中東南沿海各個(gè)省份的災(zāi)情排序；在臺(tái)風(fēng)災(zāi)情指數(shù)的基礎(chǔ)上增加轉(zhuǎn)移安置人數(shù)因子，構(gòu)建了省級(jí)臺(tái)風(fēng)災(zāi)情指數(shù)，輔以部分統(tǒng)計(jì)數(shù)據(jù)計(jì)算省級(jí)臺(tái)風(fēng)災(zāi)情指數(shù)用以驗(yàn)證基于微信文本數(shù)據(jù)的各省臺(tái)風(fēng)災(zāi)情評(píng)估結(jié)果．

1 數(shù)據(jù)來源與研究方法

1.1 研究案例概述

考慮到臺(tái)風(fēng)災(zāi)情評(píng)價(jià)的“時(shí)效性”和基于微信文本臺(tái)風(fēng)災(zāi)情快速評(píng)估結(jié)果“可驗(yàn)證性”，本研究選取2019年有登陸我國大陸的臺(tái)風(fēng)“利奇馬”和“白鹿”．超強(qiáng)臺(tái)風(fēng)“利奇馬”于2019年8月4日在菲律賓東洋面上生成，8月10日在我國浙江省溫嶺市沿海登陸，后逐漸向北偏移穿過浙江、江蘇兩省，在江蘇省連云港市附近出海，經(jīng)過黃海海面在山東半島再次登陸，穿過山東半島后進(jìn)入渤海，于8月15日消散．此次臺(tái)風(fēng)對(duì)我國沿海浙江、山東、安徽、江蘇、遼寧、上海、河北、吉林、福建9省造成嚴(yán)重影響，共造成54人死亡，14人失蹤，直接經(jīng)濟(jì)損失537.20億元．強(qiáng)熱帶風(fēng)暴“白鹿”于2019年8月14日在西北太平洋洋面生成，8月24日在臺(tái)灣地區(qū)屏東縣沿海登陸，穿過臺(tái)灣地區(qū)進(jìn)入臺(tái)灣海峽，8月25日在福建省東山縣再次登陸，隨后由福建進(jìn)入廣東省，8月26日消散．此次臺(tái)風(fēng)對(duì)我國臺(tái)灣、福建、廣東、江西、湖南5省造成嚴(yán)重影響，共造成至少3人死亡，直接經(jīng)濟(jì)損失1.994億元．

1.2 數(shù)據(jù)來源與處理

1.2.1 數(shù)據(jù)來源

通過Python程序，進(jìn)行微信公眾號(hào)文章的采集，進(jìn)而獲得微信文本數(shù)據(jù)．在獲取的過程中，主要以“利奇馬”“白鹿”“臺(tái)風(fēng)利奇馬”“臺(tái)風(fēng)白鹿”等為搜索關(guān)鍵字共計(jì)采集到1 124篇文章，在剔除重復(fù)及錯(cuò)誤文章后，共計(jì)1 036篇有效文章及其評(píng)論內(nèi)容．死亡人數(shù)、倒塌房屋數(shù)、農(nóng)田受災(zāi)面積、直接經(jīng)濟(jì)損失、轉(zhuǎn)移安置人數(shù)等災(zāi)情數(shù)據(jù)則是來源于各年度《中國氣象災(zāi)害年鑒》及國家減災(zāi)網(wǎng)官網(wǎng)(http://www.ndrcc.org.cn/)的省級(jí)統(tǒng)計(jì)數(shù)據(jù)，其中已將直接經(jīng)濟(jì)損失根據(jù)公式轉(zhuǎn)換為以2000年為基準(zhǔn)的定基經(jīng)濟(jì)損失(表1)．

表1 臺(tái)風(fēng)“利奇馬”各省份災(zāi)情數(shù)據(jù)Tab.1 Disaster data of Typhoon “Lekima” by province

1.2.2 數(shù)據(jù)預(yù)處理

將微信文本數(shù)據(jù)按照登陸前、登陸時(shí)(后)、消亡后3個(gè)時(shí)間段進(jìn)行分類，其中臺(tái)風(fēng)“利奇馬”的3個(gè)時(shí)間段分別為2019.08.10前、2019.08.10—2019.08.15、2019.08.15后；臺(tái)風(fēng)“白鹿”的3個(gè)時(shí)間段分別為2019.08.24前、2019.08.24—2019.08.26、2019.08.26后．臺(tái)風(fēng)“利奇馬”消亡后與臺(tái)風(fēng)“白鹿”登陸前有一段重合期，所以還需要將這段時(shí)間內(nèi)獲取到的文本進(jìn)行二次整理，剔除重復(fù)獲取到的相同文章，以保證數(shù)據(jù)的正確性．將每篇文章的發(fā)布時(shí)間、閱讀量、點(diǎn)贊量、評(píng)論量、標(biāo)題、公眾號(hào)、評(píng)論等文本進(jìn)行匯總處理．

1.3 研究方法

針對(duì)現(xiàn)有臺(tái)風(fēng)災(zāi)情評(píng)估研究數(shù)據(jù)統(tǒng)計(jì)周期較長的不足，本文利用微信文本數(shù)據(jù)作為新的數(shù)據(jù)來源進(jìn)行臺(tái)風(fēng)災(zāi)情快速評(píng)估，并通過省級(jí)臺(tái)風(fēng)災(zāi)情指數(shù)加以驗(yàn)證．研究框架如圖1所示．對(duì)采集到的微信文本數(shù)據(jù)進(jìn)行二次整理，提取相關(guān)評(píng)論內(nèi)容．詞云就是對(duì)關(guān)鍵詞形成聚類，突出文本內(nèi)出現(xiàn)頻率較高的詞，并以此進(jìn)行可視化的方法．根據(jù)不同災(zāi)害應(yīng)急信息類型及關(guān)鍵詞解析，繪制相關(guān)的詞云圖以此表征不同階段的災(zāi)情特征；并基于文章評(píng)論內(nèi)容進(jìn)行臺(tái)風(fēng)“利奇馬”各省災(zāi)情推測．為各省防災(zāi)減災(zāi)資源分配提供參考．對(duì)于災(zāi)情統(tǒng)計(jì)數(shù)據(jù)主要有兩類：一類是臺(tái)風(fēng)“利奇馬”和“白鹿”的災(zāi)情數(shù)據(jù)用以計(jì)算2個(gè)臺(tái)風(fēng)的災(zāi)情指數(shù)；一類是2003—2018年登陸我國臺(tái)風(fēng)災(zāi)情統(tǒng)計(jì)數(shù)據(jù)，依此確定省級(jí)臺(tái)風(fēng)災(zāi)情指數(shù)的閾值．基于臺(tái)風(fēng)災(zāi)情指數(shù)構(gòu)建省級(jí)臺(tái)風(fēng)災(zāi)情指數(shù)用以驗(yàn)證基于微信文本數(shù)據(jù)的臺(tái)風(fēng)災(zāi)情快速評(píng)估方法的推測結(jié)果．

圖1 研究框架Fig.1 Research framework

1.3.1 臺(tái)風(fēng)災(zāi)情指數(shù)

盧文芳等[10]將房屋倒損數(shù)、農(nóng)田受災(zāi)面積和人員死亡數(shù)作為因子，提出了臺(tái)風(fēng)災(zāi)情指數(shù)——將規(guī)范化后的各個(gè)指數(shù)進(jìn)行累加求得．雷小途等[11]在此基礎(chǔ)上考慮社會(huì)經(jīng)濟(jì)發(fā)展因素，引入了直接經(jīng)濟(jì)損失因子，將各個(gè)規(guī)范化指數(shù)累加求得新臺(tái)風(fēng)災(zāi)情指數(shù)，指數(shù)越大則表示臺(tái)風(fēng)災(zāi)情越嚴(yán)重．公式如下：

(1)

(2)

(3)

(4)

式中:a、b、c、d分別為臺(tái)風(fēng)災(zāi)害造成的倒損房屋數(shù)(間)、死亡人數(shù)(人)、農(nóng)田受災(zāi)面積(hm2)、直接經(jīng)濟(jì)損失(億元)．

考慮到物價(jià)變化和社會(huì)經(jīng)濟(jì)發(fā)展?fàn)顩r等因素影響，如果直接使用當(dāng)年臺(tái)風(fēng)災(zāi)害造成的直接經(jīng)濟(jì)損失就無法客觀地比較不同年份災(zāi)害損失，因此還需要引入定基物價(jià)比系數(shù)，轉(zhuǎn)換公式如下[11]：

d=d0×β，

(5)

式中：d0為臺(tái)風(fēng)災(zāi)害造成的當(dāng)年直接經(jīng)濟(jì)損失，β為定基物價(jià)比系數(shù)．

臺(tái)風(fēng)災(zāi)情指數(shù)計(jì)算公式如下：

IATD=Ia+Ib+Ic+Id.

(6)

式中：Ia、Ib、Ic、Id分別為規(guī)范化的倒塌房屋、死亡人數(shù)、農(nóng)田受災(zāi)面積、定基直接經(jīng)濟(jì)損失指數(shù)．

1.3.2 省級(jí)臺(tái)風(fēng)災(zāi)情指數(shù)

臺(tái)風(fēng)災(zāi)情指數(shù)通過倒損房屋數(shù)、死亡人數(shù)、農(nóng)田受災(zāi)面積、直接經(jīng)濟(jì)損失等因子，以整個(gè)臺(tái)風(fēng)為整體進(jìn)行災(zāi)害等級(jí)劃分及判斷變化趨勢等．然而，由于各省的區(qū)域差異大，整體性災(zāi)情評(píng)估難以精準(zhǔn)地適應(yīng)各地防災(zāi)減災(zāi)實(shí)踐的需要．在各省的防災(zāi)減災(zāi)救援中，對(duì)于受災(zāi)人員的轉(zhuǎn)移安置也需要花費(fèi)大量的人力物力，但在此前的研究中一般只考慮死亡人數(shù)；同時(shí)后續(xù)的統(tǒng)計(jì)口徑有所改變(不再統(tǒng)計(jì)房屋損壞數(shù))．為此，本文在前人研究的基礎(chǔ)上，以省級(jí)行政區(qū)為單位，根據(jù)獲取數(shù)據(jù)的難易程度以及可實(shí)現(xiàn)程度，改進(jìn)臺(tái)風(fēng)災(zāi)情指數(shù)，將臺(tái)風(fēng)倒損房屋數(shù)替換為直接的房屋倒塌數(shù)，引入轉(zhuǎn)移安置人數(shù)因子，構(gòu)建省級(jí)臺(tái)風(fēng)災(zāi)情指數(shù)，用于表征各省臺(tái)風(fēng)災(zāi)情嚴(yán)重程度．

此指數(shù)旨在衡量省際之間的災(zāi)情，為各省防災(zāi)減災(zāi)資源分配提供參考，因此計(jì)算公式的閾值需要進(jìn)行調(diào)整．根據(jù)文獻(xiàn)[10-12]及《中華人民共和國氣象行業(yè)標(biāo)準(zhǔn)重大氣象災(zāi)害應(yīng)急響應(yīng)分級(jí)標(biāo)準(zhǔn)》，將2003—2018年登陸我國臺(tái)風(fēng)的5個(gè)因子根據(jù)影響省份數(shù)量求平均值，為避免主觀性，將計(jì)算到的2003—2018年臺(tái)風(fēng)各因子的均值數(shù)據(jù)作為樣本的集合，死亡人數(shù)(人)、倒塌房屋數(shù)(萬間)、定基經(jīng)濟(jì)損失(億元)、農(nóng)田受災(zāi)面積(萬hm2)、轉(zhuǎn)移安置人數(shù)(萬人)區(qū)間分別為：[0，120]、[0，5.6]、[0，365.9]、[0，38.0]、[0，125.5]，利用自然斷點(diǎn)法進(jìn)行分級(jí)將其分為特大災(zāi)、大災(zāi)、中災(zāi)、小災(zāi)、微災(zāi)5級(jí)，最終得到各災(zāi)情因子對(duì)應(yīng)災(zāi)級(jí)區(qū)間(表2)．

表2 各災(zāi)情因子對(duì)應(yīng)災(zāi)級(jí)區(qū)間Tab.2 Disaster factors corresponding to disaster levelsl

根據(jù)各因子分級(jí)標(biāo)準(zhǔn)將各規(guī)范化指數(shù)計(jì)算公式進(jìn)行調(diào)整，經(jīng)過計(jì)算后就能得到各單項(xiàng)指數(shù)和省級(jí)臺(tái)風(fēng)災(zāi)情指數(shù)及其所對(duì)應(yīng)的特大災(zāi)、大災(zāi)、中災(zāi)、小災(zāi)、微災(zāi)5個(gè)災(zāi)害等級(jí)，數(shù)值所對(duì)應(yīng)災(zāi)級(jí)如表3所示．具體計(jì)算公式如下：

表3 單項(xiàng)指數(shù)及省級(jí)臺(tái)風(fēng)災(zāi)情指數(shù)對(duì)應(yīng)災(zāi)級(jí)Tab.3 Single index and provincial typhoon disaster index corresponding to disaster levels

(7)

式中Xi為前文所述的第i個(gè)因子，即臺(tái)風(fēng)災(zāi)害造成的死亡人數(shù)(人)、倒塌房屋數(shù)(間)、定基經(jīng)濟(jì)損失(億元)、農(nóng)田受災(zāi)面積(萬hm2)、轉(zhuǎn)移安置人數(shù)(萬人)；Xt、Xd、Xz、Xx、Xw分別指各因子在特大災(zāi)、大災(zāi)、中災(zāi)、小災(zāi)、微災(zāi)分級(jí)區(qū)間內(nèi)的最小值.

則省級(jí)臺(tái)風(fēng)災(zāi)情指數(shù)計(jì)算公式如下：

(8)

式中IXi分別為規(guī)范化的死亡人數(shù)、倒塌房屋數(shù)、定基經(jīng)濟(jì)損失、農(nóng)田受災(zāi)面積、轉(zhuǎn)移安置人數(shù)指數(shù).

2 結(jié)果分析

2.1 基于微信文本的災(zāi)情分析

2.1.1 詞云變化反映不同階段的災(zāi)情特征

在文獻(xiàn)[29]的基礎(chǔ)上，根據(jù)臺(tái)風(fēng)災(zāi)害的特點(diǎn)，合并和篩選出了8類災(zāi)害應(yīng)急信息：正向情緒特征、交通信息、天氣預(yù)警、傷亡及營救、次生災(zāi)害、能源中斷、事件/人物追蹤、恢復(fù)，具體類型及所體現(xiàn)的關(guān)鍵詞如表4所示.

表4 不同災(zāi)害應(yīng)急信息類型及關(guān)鍵詞Tab.4 Types and keywords of emergency information for different disasters

將整理好的各個(gè)階段文章及其評(píng)論內(nèi)容數(shù)據(jù)，制作相應(yīng)的詞云圖(圖2)，用以分析大眾不同階段關(guān)注的側(cè)重點(diǎn)：①在臺(tái)風(fēng)登陸前，主要為交通信息、正向情緒特征、天氣預(yù)警，具體信息如“高鐵/公交是否停運(yùn)”“希望大家安全平安”等．②臺(tái)風(fēng)登陸時(shí)(后)主要為正向情緒特征、交通信息、天氣預(yù)警、傷亡及營救、次生災(zāi)害、能源中斷、事件/人物追蹤、恢復(fù)等，具體信息如“xx市出現(xiàn)嚴(yán)重的城市內(nèi)澇、洪水”“xx市變電站爆炸將持續(xù)停電”等．但是在此階段傷亡及營救類別主要是實(shí)時(shí)信息更新；事件/人物類別主要是關(guān)注軍人、官兵等救援一線人物；恢復(fù)類別主要是詢問相關(guān)能源、通訊恢復(fù)進(jìn)度或恢復(fù)程度．③臺(tái)風(fēng)消亡后，主要為正向情緒特征、傷亡及營救、恢復(fù)，具體信息如“累計(jì)受傷人數(shù)”“通訊正在逐步恢復(fù)”等．在此階段傷亡及營救類別主要是傷亡人數(shù)的匯總；恢復(fù)類別主要是對(duì)相關(guān)恢復(fù)信息的跟蹤．

圖2 臺(tái)風(fēng)三階段評(píng)論內(nèi)容關(guān)鍵詞詞云圖Fig.2 Key words word cloud of comments in three stages of typhoon

2.1.2 基于評(píng)論數(shù)的臺(tái)風(fēng)災(zāi)情推測

社交媒體文本關(guān)鍵詞可以提供及時(shí)有效的信息，用以識(shí)別臺(tái)風(fēng)災(zāi)害受災(zāi)區(qū)[30].因此本文通過提取臺(tái)風(fēng)“利奇馬”登陸時(shí)(后)相關(guān)評(píng)論內(nèi)容的地名數(shù)量來表征臺(tái)風(fēng)災(zāi)情實(shí)況，評(píng)論數(shù)越多的省份臺(tái)風(fēng)災(zāi)情越嚴(yán)重(圖3)．由圖3可以看出在臺(tái)風(fēng)“利奇馬”登陸時(shí)(后)提取到浙江、山東、廣東、上海、安徽、江蘇、福建、臺(tái)灣、湖南、海南、廣西11個(gè)省市．根據(jù)臺(tái)風(fēng)“利奇馬”另外兩個(gè)時(shí)期各省評(píng)論數(shù)推測的臺(tái)風(fēng)路徑是在浙江省登陸后持續(xù)往北移動(dòng)，同時(shí)考慮到臺(tái)風(fēng)“利奇馬”的強(qiáng)度，外圍環(huán)流可能影響浙江省周邊的福建、湖南、臺(tái)灣，因此去除臺(tái)風(fēng)預(yù)測路徑外且不在臺(tái)風(fēng)外圍環(huán)流影響內(nèi)的省份，最終推測出的災(zāi)情情況由重到輕依次為：浙江、山東、上海、安徽、江蘇、福建、臺(tái)灣、湖南．

圖3 臺(tái)風(fēng)“利奇馬”登陸時(shí)(后)各省地名數(shù)量Fig.3 Number of place names by province at (after) Typhoon Lekima’s landfall

2.2 基于災(zāi)情數(shù)據(jù)的災(zāi)情評(píng)估

2.2.1 不同臺(tái)風(fēng)的災(zāi)情對(duì)比評(píng)估

將獲取到的臺(tái)風(fēng)“利奇馬”“白鹿”的4個(gè)災(zāi)情因子數(shù)據(jù)分別代入上述臺(tái)風(fēng)災(zāi)情指數(shù)(1)-(6)計(jì)算公式，可得各規(guī)范化指數(shù)及臺(tái)風(fēng)災(zāi)情指數(shù)(表5)．其中臺(tái)風(fēng)“利奇馬”的臺(tái)風(fēng)災(zāi)情指數(shù)為11.57，臺(tái)風(fēng)“白鹿”的臺(tái)風(fēng)災(zāi)情指數(shù)為1.33(以2000年為基準(zhǔn)年)．根據(jù)文獻(xiàn)[11]可知，臺(tái)風(fēng)“利奇馬”的臺(tái)風(fēng)災(zāi)情指數(shù)位于大災(zāi)的范圍內(nèi)(11.10<臺(tái)風(fēng)災(zāi)情指數(shù)≤12.60)，臺(tái)風(fēng)“白鹿”的臺(tái)風(fēng)災(zāi)情指數(shù)位于輕災(zāi)的范圍內(nèi)(臺(tái)風(fēng)災(zāi)情指數(shù)≤8.3)，且“利奇馬”帶來的災(zāi)害程度遠(yuǎn)大于“白鹿”．這主要是由于臺(tái)風(fēng)“利奇馬”風(fēng)力等級(jí)為17級(jí)且在陸地滯留時(shí)間較長，因此倒塌房屋指數(shù)偏高，又因?yàn)槠渲饕绊懙貐^(qū)均為我國經(jīng)濟(jì)較強(qiáng)、農(nóng)業(yè)發(fā)展較為發(fā)達(dá)的省份，其農(nóng)田受災(zāi)面積指數(shù)、定基直接經(jīng)濟(jì)損失指數(shù)很高．臺(tái)風(fēng)“白鹿”風(fēng)力等級(jí)為11級(jí)且經(jīng)過臺(tái)灣地區(qū)后入臺(tái)灣海峽才再次登陸我國大陸，臺(tái)風(fēng)強(qiáng)度有所衰減，對(duì)我國大陸省份的影響較小，所以其農(nóng)田受災(zāi)面積指數(shù)、定基直接經(jīng)濟(jì)損失指數(shù)較低．由于我國臺(tái)風(fēng)預(yù)警機(jī)制及時(shí)啟動(dòng)、防臺(tái)抗臺(tái)措施及時(shí)響應(yīng)，在臺(tái)風(fēng)中傷亡人數(shù)較少，2個(gè)臺(tái)風(fēng)的死亡人數(shù)指數(shù)都較低．

表5 臺(tái)風(fēng)“利奇馬”和臺(tái)風(fēng)“白鹿”各規(guī)范化指數(shù)及臺(tái)風(fēng)災(zāi)情指數(shù)Tab.5 Typhoon “Lekima” and Tropical Storm “Bailu” by norm index and typhoon disaster indexx

2.2.2 同省份的災(zāi)情對(duì)比評(píng)估

考慮到數(shù)據(jù)的獲取難易程度及可實(shí)現(xiàn)性，僅以臺(tái)風(fēng)“利奇馬”測算各省的省級(jí)臺(tái)風(fēng)災(zāi)情指數(shù)．將獲取到的臺(tái)風(fēng)“利奇馬”來臨時(shí)各省各個(gè)災(zāi)情因子分別代入上述(7)-(8)公式，其中未統(tǒng)計(jì)到的數(shù)據(jù)默認(rèn)為0，可得到各省在臺(tái)風(fēng)“利奇馬”來臨時(shí)的各規(guī)范化指數(shù)和省級(jí)臺(tái)風(fēng)災(zāi)情指數(shù)(表6)．將各省省級(jí)臺(tái)風(fēng)災(zāi)情指數(shù)及臺(tái)風(fēng)“利奇馬”路徑利用ArcGIS進(jìn)行可視化(圖4)，由圖4可以直觀地看出此次通過省級(jí)臺(tái)風(fēng)災(zāi)情指數(shù)表征的臺(tái)風(fēng)受災(zāi)嚴(yán)重程度還是比較符合臺(tái)風(fēng)“利奇馬”的實(shí)際路徑．在省級(jí)臺(tái)風(fēng)災(zāi)請(qǐng)指數(shù)中，浙江省3.42位于榜首，處于大災(zāi)范圍；山東2.48次之，處于中災(zāi)范圍；安徽、江蘇、上海、遼寧、河北、吉林、福建等省市處于微災(zāi)范圍．這主要是由于“利奇馬”在浙江省登陸時(shí)風(fēng)力高達(dá)16級(jí)，在境內(nèi)長達(dá)10 h，在臺(tái)風(fēng)實(shí)際移動(dòng)路徑上多次受地形抬升影響使得雨量得到增幅，影響區(qū)域較多且經(jīng)濟(jì)較為發(fā)達(dá)，因此其定基經(jīng)濟(jì)損失、農(nóng)田受災(zāi)面積指數(shù)較高，均位于大災(zāi)范圍；根據(jù)文獻(xiàn)[1]因臺(tái)風(fēng)死亡、失蹤的原因共有9類，臺(tái)風(fēng)“利奇馬”在登陸浙江省后誘發(fā)了多場山洪等地質(zhì)災(zāi)害，導(dǎo)致較多的人員傷亡及大量的人員轉(zhuǎn)移安置，因此其死亡人數(shù)、轉(zhuǎn)移安置人數(shù)指數(shù)較高，其中轉(zhuǎn)移安置人數(shù)位于大災(zāi)級(jí)別．臺(tái)風(fēng)“利奇馬”抵達(dá)山東省時(shí)雖然風(fēng)力等級(jí)有所下降，但是山東省人口密度較高，同時(shí)臺(tái)風(fēng)入海再次登陸提供了較多的水汽來源，因此其定基經(jīng)濟(jì)損失、農(nóng)田受災(zāi)面積、轉(zhuǎn)移安置人數(shù)指數(shù)也較高，這也就使得山東省災(zāi)情等級(jí)有所上升．河北、吉林、福建3省受臺(tái)風(fēng)影響較小因此其災(zāi)情較輕．

表6 各省市各規(guī)范化指數(shù)及省級(jí)臺(tái)風(fēng)災(zāi)情指數(shù)Tab.6 Norm index and typhoon disaster index by province

注：基于自然資源部標(biāo)準(zhǔn)地圖服務(wù)網(wǎng)站GS(2016)1595號(hào)標(biāo)準(zhǔn)地圖制作，底圖邊界無修改圖4 各省省級(jí)臺(tái)風(fēng)災(zāi)情指數(shù)及臺(tái)風(fēng)“利奇馬”路徑圖Fig.4 Typhoon disaster index and Typhoon Lekima’s path by province

通過各省省級(jí)臺(tái)風(fēng)災(zāi)情指數(shù)的計(jì)算及與氣象局的天氣報(bào)道以及相關(guān)部門的災(zāi)害統(tǒng)計(jì)公報(bào)的對(duì)比，可以驗(yàn)證2.1.2中基于微信文本數(shù)據(jù)推測的各省災(zāi)情大部分符合實(shí)際情況，其中實(shí)際受到影響的省份有浙江、山東、上海、安徽、江蘇、福建6?。松虾Ｍ?，其余5個(gè)省份的排序與省級(jí)臺(tái)風(fēng)災(zāi)情指數(shù)的計(jì)算結(jié)果一致(圖5)．上海的推測結(jié)果大于安徽、江蘇兩省，可能是因?yàn)樯虾Ｊ凶鳛閲H大都市，經(jīng)濟(jì)發(fā)達(dá)，對(duì)臺(tái)風(fēng)的關(guān)注度也更高些．值得注意的是，實(shí)際受影響的遼寧、河北、吉林3個(gè)省份沒有在評(píng)論出現(xiàn)，或許是由于這3個(gè)省份受臺(tái)風(fēng)影響較小，因此關(guān)注度也較少．

圖5 基于微信文本數(shù)據(jù)提取地名數(shù)量與省級(jí)臺(tái)風(fēng)災(zāi)情指數(shù)對(duì)比Fig.5 Comparison of the number of place names extracted from WeChat text data with provincial typhoon disaster index

3 結(jié)論與討論

3.1 主要結(jié)論

(1)在臺(tái)風(fēng)的不同階段，大眾的關(guān)注內(nèi)容反映出不同的災(zāi)害應(yīng)急信息類型．在臺(tái)風(fēng)登陸前，主要為交通信息、天氣預(yù)警；臺(tái)風(fēng)登陸時(shí)(后)，主要為交通信息、天氣預(yù)警、傷亡及營救、次生災(zāi)害、能源中斷、事件/人物追蹤、恢復(fù)；臺(tái)風(fēng)消亡后，主要為傷亡及營救、恢復(fù)．但在后兩個(gè)階段的傷亡及營救、恢復(fù)兩個(gè)類別的側(cè)重點(diǎn)有所不同．

(2)基于微信文本數(shù)據(jù)推測的各省災(zāi)情由重到輕依次為：浙江、山東、上海、安徽、江蘇、福建、臺(tái)灣、湖南．

(3)臺(tái)風(fēng)“利奇馬”的臺(tái)風(fēng)災(zāi)情指數(shù)為11.57，位于大災(zāi)的范圍內(nèi)(11.10<臺(tái)風(fēng)災(zāi)情指數(shù)≤12.60)，臺(tái)風(fēng)“白鹿”的臺(tái)風(fēng)災(zāi)情指數(shù)為1.33，位于輕災(zāi)的范圍內(nèi)(臺(tái)風(fēng)災(zāi)情指數(shù)≤8.3)(以2000年為基準(zhǔn)年)．在各省省級(jí)臺(tái)風(fēng)災(zāi)情指數(shù)中，浙江省為3.42處于大災(zāi)范圍；山東省為2.48處于中災(zāi)范圍；其余7省均處于微災(zāi)范圍．浙江省定基經(jīng)濟(jì)損失、農(nóng)田受災(zāi)面積、轉(zhuǎn)移安置人數(shù)指數(shù)均位于大災(zāi)級(jí)別以上．同時(shí)通過省級(jí)臺(tái)風(fēng)災(zāi)情指數(shù)驗(yàn)證了基于微信文本數(shù)據(jù)推測的各省災(zāi)情排序基本符合實(shí)際情況．

(4)在臺(tái)風(fēng)災(zāi)情指數(shù)基礎(chǔ)上提出的以省級(jí)行政區(qū)為單位的省級(jí)臺(tái)風(fēng)災(zāi)情指數(shù)，能夠較好地對(duì)比各省際之間的受災(zāi)程度，為國家相關(guān)的救災(zāi)措施及各省救災(zāi)資源分配提供一定參考．

(5)微信憑借其用戶群體廣、數(shù)量大等優(yōu)點(diǎn)，產(chǎn)生的大量文本數(shù)據(jù)在臺(tái)風(fēng)災(zāi)情快速評(píng)估中具有廣闊的應(yīng)用前景：首先根據(jù)不同災(zāi)害應(yīng)急信息類型及關(guān)鍵詞解析，能夠快速了解到群眾在臺(tái)風(fēng)災(zāi)害不同階段的關(guān)注點(diǎn)；其次根據(jù)關(guān)鍵文本信息(如地名等)，能夠快速推測出各省災(zāi)情，為防災(zāi)減災(zāi)資源分配提供參考．

3.2 討論

(1)本研究在前人的基礎(chǔ)上構(gòu)建了省級(jí)臺(tái)風(fēng)災(zāi)情指數(shù)，對(duì)于衡量各省災(zāi)情程度具有一定的可信度，但目前對(duì)省際災(zāi)情評(píng)估還處于探索階段，還需后續(xù)研究檢驗(yàn)校正．

(2)在此次研究中基于評(píng)論數(shù)推測災(zāi)情嚴(yán)重程度是對(duì)已有研究的拓展，本次研究的評(píng)估結(jié)果均大致符合實(shí)際情況，運(yùn)用的微信文本數(shù)據(jù)較傳統(tǒng)統(tǒng)計(jì)數(shù)據(jù)更新速度更快，在災(zāi)害發(fā)生期間也能夠進(jìn)行實(shí)時(shí)獲取，或在災(zāi)害結(jié)束后的短期內(nèi)也能獲取到相關(guān)數(shù)據(jù)，完善了社交媒體數(shù)據(jù)在臺(tái)風(fēng)災(zāi)情評(píng)估中的應(yīng)用，為后續(xù)臺(tái)風(fēng)防災(zāi)減災(zāi)提供有益參考．微信用戶的廣泛性，使得微信不像微博存在城市地區(qū)使用率大于農(nóng)村地區(qū)的局限性[23]；并且大部分用戶是具有微信文章的評(píng)論權(quán)限，這就使得分析能夠更加真實(shí)，不同階段的災(zāi)情特征更貼近真實(shí)；雖然存在一定數(shù)量自媒體人創(chuàng)辦的微信公眾號(hào)，但是持續(xù)發(fā)布相關(guān)信息及閱讀量等更多的還是權(quán)威官方號(hào)(如中國天氣網(wǎng)、央視新聞等)，所以其文本數(shù)據(jù)也相對(duì)可靠．

(3)微信文本數(shù)據(jù)的使用雖補(bǔ)充了社交媒體數(shù)據(jù)在快速感知災(zāi)情的應(yīng)用，但也存在部分不足，如除了小部分公眾號(hào)一天內(nèi)可以發(fā)布多次文章外，大部分都是一天只能發(fā)布一次文章，這就使得文章及其評(píng)論內(nèi)容與臺(tái)風(fēng)抵達(dá)地區(qū)存在一定的時(shí)間差；部分冗余信息使災(zāi)情推測出現(xiàn)了實(shí)際未受到影響的城市等．為了克服基于微信文本的臺(tái)風(fēng)災(zāi)情快速評(píng)估方法的不足，在后續(xù)的研究中將會(huì)考慮對(duì)各個(gè)公眾號(hào)賦予相關(guān)權(quán)重，一天內(nèi)能夠發(fā)布多次文章的公眾號(hào)賦予更大的權(quán)重，反之較小，以此來彌補(bǔ)大多數(shù)公眾號(hào)發(fā)文頻率與臺(tái)風(fēng)移動(dòng)速度之間的時(shí)間差，并將臺(tái)風(fēng)的相關(guān)要素一同考慮入內(nèi)，使得時(shí)間周期能夠更具客觀性，同時(shí)能夠更加精準(zhǔn)地去除冗余信息，更好地提取、利用相關(guān)評(píng)論內(nèi)容．同時(shí)受關(guān)注度影響，基于微信文本推測的各省災(zāi)情在上海和江蘇、安徽推測結(jié)果上存在偏差，在后續(xù)研究中將會(huì)考慮將樣本進(jìn)行歸一化處理，降低樣本數(shù)量對(duì)結(jié)果的影響．