基于新浪微博的四川蘆山6.1級地震和馬爾康6.0級震群輿情分析及災(zāi)情信息獲取

李亞芳　譚明　李金香　王新剛　李波

摘要：震后對網(wǎng)絡(luò)輿情信息的監(jiān)控與分析，及災(zāi)情信息的快速獲取、處理、分析和研判對于部署抗震救災(zāi)、掌握災(zāi)情輿情、穩(wěn)定民眾情緒具有重要意義?；谛吕宋⒉?shù)據(jù)，獲取四川蘆山6.1級地震和馬爾康6.0級震群相關(guān)的微博和評論等信息，通過對信息進行充分挖掘、分析和表達，研究地震事件中微博輿情的演化、民眾情緒反應(yīng)特征、關(guān)注熱點等，并在此基礎(chǔ)上對房屋破壞、生命線工程破壞、人員傷亡等災(zāi)情信息分類提取，可為地震應(yīng)急決策提供科技支撐。

關(guān)鍵詞：? 蘆山地震； 馬爾康震群； 新浪微博； 輿情分析； 災(zāi)情獲取

doi：10.16256/j.issn.1001-8956.2023.02.002

破壞性地震發(fā)生后，網(wǎng)絡(luò)輿情和災(zāi)情信息對抗震救災(zāi)工作中科學(xué)調(diào)配救援力量、調(diào)撥救災(zāi)物資，疏導(dǎo)群眾情緒、反饋社會關(guān)切、穩(wěn)定社會秩序發(fā)揮著重要的信息支撐作用。隨著網(wǎng)絡(luò)新興媒體的迅速發(fā)展，微博、微信等社交媒體在傳播臺風、暴雨、地震等災(zāi)害事件信息的即時性愈發(fā)凸顯。在災(zāi)害事件發(fā)生后，社交媒體上會出現(xiàn)相關(guān)信息短時間內(nèi)激增的現(xiàn)象，這是因為隨著公眾安全意識的日益提升，對災(zāi)害事件的關(guān)注度普遍提高；加之信息傳播和交流越發(fā)便捷，人們不僅做信息的接收者，同時也在做信息的發(fā)布者和傳播者。因新浪微博所具有的實時性、交互性、強擴散性、空間分布廣泛性等特點，目前已成為災(zāi)害事件發(fā)生后輿情及災(zāi)情等信息的重要來源之一。國內(nèi)外學(xué)者基于微博數(shù)據(jù)，對不同的災(zāi)害事件開展輿情時空變化分析、情感分析、災(zāi)情收集分析等方面的研究。陳齊超、李紹攀等研究基于微博數(shù)據(jù)下的臺風災(zāi)情過程探測、輿情分析與災(zāi)害損失估計等［1-2］；黃晶以2019年“4·11深圳暴雨”為例，研究了基于社交媒體的暴雨災(zāi)情信息實時挖掘與分析［3］；還有學(xué)者針對不同的地震事件開展了地震輿情時空變化分析、情感分析及災(zāi)情收集等方面的研究［4-9］。本文中以四川蘆山6.1級地震和馬爾康6.0級震群為例，基于新浪微博數(shù)據(jù)，獲取地震相關(guān)的微博和評論等信息，通過對信息進行充分挖掘、分析和表達，研究地震事件中微博輿情的演化、民眾情緒反應(yīng)特征、關(guān)注熱點等，對房屋破壞、生命線工程破壞、人員傷亡等災(zāi)情信息分類提取，可為地震應(yīng)急處置工作提供參考。

1研究對象

1.1蘆山6.1級地震

2022年6月1日17時00分在四川雅安市蘆山縣發(fā)生6.1級地震，雅安市震感強烈，成都、宜賓、樂山等地震感明顯。6月4日，中國地震局發(fā)布四川蘆山6.1級地震烈度圖，此次地震的最高烈度為Ⅷ度，VI度區(qū)及以上面積3 887 km²。本次地震災(zāi)區(qū)先后經(jīng)歷了2008年汶川8.0級地震和2013年蘆山7.0級地震，災(zāi)區(qū)山高谷深坡陡，巖體較為松散。地震后滑坡、崩塌、滾石等地質(zhì)災(zāi)害隨處可見，地震還造成多處交通中斷并形成一處壅塞體阻斷河道。

1.2馬爾康6.0級震群

2022年6月10日00時03分在四川阿壩州馬爾康市發(fā)生5.8級地震，01時28分馬爾康市再次發(fā)生6.0級地震，2次地震震中相距2.6 km，構(gòu)成震群型地震序列。6月13日，中國地震局發(fā)布馬爾康6.0級震群地震烈度圖，最高烈度為Ⅷ度，VI度區(qū)及以上面積5 719 km²。此次震群型地震，短時間內(nèi)先后發(fā)生5.8級、6.0級和5.2級中強震，震害疊加現(xiàn)象明顯。本次地震造成部分房屋倒塌和局部垮塌，地震后滑坡、崩塌、滾石等次生地質(zhì)災(zāi)害隨處可見，震中地區(qū)道路、電力、通信等生命線工程破壞較重，省道220線馬爾康至草登鄉(xiāng)的道路受損尤其嚴重，地震還造成紅原縣一處河道壅塞體。

2研究方法

破壞性地震發(fā)生后，根據(jù)地震三要素信息，設(shè)置關(guān)鍵詞、時間范圍等檢索條件，通過網(wǎng)絡(luò)爬蟲程序，獲取新浪微博上的相關(guān)博文和評論信息，存入平臺數(shù)據(jù)庫。對數(shù)據(jù)進行處理分析，產(chǎn)出輿情信息分析圖表。運用文本分析法對信息進行分類，篩選出能夠反映災(zāi)情的相關(guān)信息，生成分類圖表。新浪微博數(shù)據(jù)獲取途徑有網(wǎng)絡(luò)爬蟲技術(shù)和調(diào)用微博官方API接口2種方式，其中，基于新浪API的數(shù)據(jù)抓取策略性能高，但服務(wù)費用高；本研究運用成本較低的網(wǎng)絡(luò)爬蟲技術(shù)進行微博輿情相關(guān)信息的抓取。網(wǎng)絡(luò)爬蟲是一種按照一定的規(guī)則，自動地抓取萬維網(wǎng)信息的程序或者腳本，可以自動采集所有其能夠訪問到的頁面內(nèi)容，以獲取或更新這些網(wǎng)站的內(nèi)容和檢索方式［10-13］。以新浪微博作為數(shù)據(jù)源，利用新浪微博的高級搜索功能模塊，以關(guān)鍵詞和時間范圍為搜索條件，分別選擇“蘆山地震”、“馬爾康地震”為關(guān)鍵詞，結(jié)合發(fā)震時間，設(shè)置震后24 h為搜索時間范圍。使用基于模擬登陸的方法，利用部署的爬蟲程序，進行數(shù)據(jù)采集［14-16］。

2.1輿情聲量走勢分析

輿情聲量是指話題數(shù)量的集合，用聲量的響度或強度即聲量大小來衡量。輿情聲量走勢可以反映出一段時間內(nèi)，相關(guān)話題的討論熱度變化情況。由于每個時間段輿情的發(fā)展趨勢變化不同，因此，可以通過監(jiān)測所需關(guān)注輿情的傳播周期動態(tài)變化，進而分析輿情的傳播熱度走勢。通過對輿情熱度進行量化分析，統(tǒng)計每小時新浪微博上關(guān)于相關(guān)話題的博文和評論數(shù)量，繪制輿情聲量走勢圖。

2.2情感分析

情感分析為傾向性分析和意見挖掘，是對帶有情感色彩的主觀性文本進行自動解釋和分類情感（通常是積極、消極或中立）的分析過程。破壞性地震發(fā)生后，大量網(wǎng)友在新浪微博發(fā)布與地震相關(guān)的博文和評論，信息中包含民眾的各種情感色彩和情感傾向性的表達，如高興、生氣、悲傷、贊揚、譴責等。通過分析這些信息的主觀色彩，可以把握民眾輿論對于地震事件的看法和情感傾向。本文中使用的情感分析工具是騰訊云自然語言處理中的情感分析功能模塊，對信息情感上的消極、積極及中性進行評價，即情感極性判定。其中消極情緒主要是指民眾對地震表現(xiàn)出害怕、恐慌、悲觀等負面情緒；積極情緒主要是指民眾表現(xiàn)出樂觀、祝福、鼓勵等正面情緒；中性情緒是指其表達的正面和負面情緒相抵消，或未表現(xiàn)出主觀情緒。

內(nèi)陸地震? 37卷2.3熱詞分析

熱詞是一種網(wǎng)絡(luò)詞匯現(xiàn)象，反映了某一特定時空范圍內(nèi)人們普遍關(guān)注的問題。熱點話題發(fā)現(xiàn)屬于微博內(nèi)容挖掘范疇，是指從大量的微博文本中檢測出微博用戶廣泛討論的話題。熱詞分析涉及的關(guān)鍵技術(shù)是中文分詞技術(shù)，本文中運用的分詞工具為Python的第三方庫jieba分詞。jieba分詞首先用正則表達式將中文段落粗略的分成單個句子，將每個句子構(gòu)造成有向無環(huán)圖，之后尋找最佳切分方案，最后對于連續(xù)的單字，采用HMM模型將其再次劃分。

在完成分詞的基礎(chǔ)上，調(diào)用Python中的第三方庫collections詞頻統(tǒng)計庫對分詞進行詞頻統(tǒng)計，最終得出出現(xiàn)頻率較高的一批熱詞。

2.4災(zāi)情信息提取

當破壞性地震發(fā)生后，第一時間需要了解災(zāi)區(qū)的破壞情況，包括人員傷亡、房屋破壞、生命線工程破壞等，這些信息統(tǒng)稱為災(zāi)情信息。對地震災(zāi)情信息進行分類，可以實現(xiàn)從多源異構(gòu)和紛繁復(fù)雜的信息中摘取受災(zāi)程度信息，以便盡快采取合理的地震應(yīng)急決策和救援力量部署。微博地震災(zāi)情信息具有復(fù)雜、多樣、隨意的特點，對微博地震災(zāi)情信息的分類，參考以往研究對災(zāi)情信息的分類情況，結(jié)合微博地震災(zāi)情信息特征及應(yīng)用需求的特點，采用最常用的分類方法，按選定對象的屬性作為劃分基礎(chǔ)，逐次分成相應(yīng)類目。本文中將微博輿情信息分為震感、震情、地震科普、祈福、房屋破壞、生命線工程情況、人員傷亡、救援行動、心理變化等類別。

3結(jié)果與分析

在以上研究方法的基礎(chǔ)上，對采集到的蘆山6.1級地震震后24小時的博文14 368條，評論16 518條，共計30 946條信息；馬爾康5.8級地震震后24小時的博文9 919條，評論15 842條，共計25 761條信息，進行數(shù)據(jù)處理和分析，得出以下分析結(jié)果。

3.1兩次地震輿情聲量分析

蘆山6.1級地震發(fā)生在17時，震后網(wǎng)絡(luò)媒體以及民眾對地震的關(guān)注度極高，博文信息量在震后3小時內(nèi)一直保持著高值，其中震后1小時內(nèi)的信息量達到最大值996篇；隨著時間進入深夜，博文和評論數(shù)量轉(zhuǎn)入下降趨勢，分別在凌晨3時和5時達到最小值。地震發(fā)生后第2日上午，出于對地震傷亡情況的關(guān)注，博文和評論數(shù)量再次上漲，分別在第2日的上午8時和10時達到最高峰，10時后整體呈下降趨勢（圖1）。

馬爾康震群的第一次破壞性地震發(fā)生于凌晨零點，雖然地震發(fā)生在夜晚，但由于震感強烈且隨后不到2小時內(nèi)，緊接著又發(fā)生一次強震，所以民眾關(guān)注度高，博文和評論均在震后3小時內(nèi)達到高峰，隨后呈下降趨勢，并于早上6—9時形成第2個小高峰，然后呈下降趨勢（圖2）。

蘆山6.1級地震和馬爾康6.0級震群的微博輿情聲量，整體趨勢相同，以24 h為區(qū)間來看，輿情變化隨人員日常作息而出現(xiàn)規(guī)律性的變化：凌晨3—6時，輿情熱點呈迅速下降并趨于極小范圍內(nèi)的話題討論；凌晨６時之后，話題討論呈現(xiàn)波動性，整體呈現(xiàn)上升趨勢；24 h內(nèi)輿情高峰一般出現(xiàn)在震后3小時和上午6—10時，整體呈回落趨勢。

3.2兩次地震輿情情感分析

調(diào)用騰訊云情感分析API模塊，得出每條信息的積極情緒值和消極情緒值以及情感極性的判定，通過統(tǒng)計積極情緒值、消極情緒值、中性情緒值所占的比例，得出情感值極性分布圖。從情感值極性分布圖上可以看到，蘆山6.1級地震和馬爾康6.0級震群震后24 h的微博輿情信息中，積極情緒值的信息所占的比重最大，其次為消極情緒和中性情緒（圖3～4）。

地震發(fā)生后，地震系統(tǒng)官方賬號和官方媒體及時發(fā)布震情信息、應(yīng)急救援工作開展情況、地震現(xiàn)場災(zāi)情等相關(guān)信息，及時滿足公眾知情權(quán)。并且，兩次地震后，地震部門都立即組織震情會商研判，及時發(fā)布“震區(qū)近幾日發(fā)生更大地震的可能性不大”的重要研判意見，有效穩(wěn)定了民眾情緒。兩次地震的整體輿情較為積極，民眾表現(xiàn)出的積極情緒多以祝福和關(guān)心為主。

3.3兩次地震輿論熱點分析

通過對兩次地震后24 h相關(guān)博文和評論進行分詞和詞頻統(tǒng)計，可以得出蘆山6.1級地震相關(guān)熱詞主要集中在4類話題（表1和圖5）：①? 震情，“地震”、“蘆山”、“四川”、“雅安”、“發(fā)生”、“震源”、“余震”等熱詞主要出現(xiàn)在震情發(fā)布相關(guān)的博文中。②? 災(zāi)情，因蘆山地震造成4人死亡和多人受傷，以及滑坡、崩塌等地質(zhì)災(zāi)害，相關(guān)熱詞在微博上也有所體現(xiàn)，如“受傷”、“已致”、“死傷”、“遇難”、“造成”等熱詞反映了民眾對地震災(zāi)情的關(guān)注。③ 救援，“救援”、“應(yīng)急”等熱詞主要出現(xiàn)在發(fā)布應(yīng)急救援工作開展情況的相關(guān)博文中。④ 祝福，“平安”、“希望”、“辛苦”、“注意安全”、“抱抱”等熱詞主要出現(xiàn)在網(wǎng)友的評論中，表達了網(wǎng)友對地震災(zāi)區(qū)的祈福以及對應(yīng)急救援工作人員的致敬和叮囑。

馬爾康震群的相關(guān)熱詞主要集中在以下4類話題（表2和圖6）：① 震情，“地震”、“四川”、“馬爾康”、“阿壩”、“發(fā)生”、“震中”、“時分”、“臺網(wǎng)”、“震級”、“凌晨”等熱詞主要出現(xiàn)在震情發(fā)布相關(guān)的博文中。此外，與蘆山6.1級地震不同，因馬爾康地震為震群型地震，故出現(xiàn)了“連發(fā)”、“多次”等相關(guān)熱詞。② 救援，破壞性地震發(fā)生后，應(yīng)急救援工作的開展永遠是公眾關(guān)注的熱點之一，因此“應(yīng)急”、“消防”、“救援”等依然為博文熱詞。③ 預(yù)警，與蘆山6.1級地震不同，馬爾康地震發(fā)生后，“預(yù)警”這一熱詞的詞頻量排在了博文和評論的熱詞詞頻榜前列。其實，蘆山6.1級地震發(fā)生后，中國地震預(yù)警網(wǎng)在震后6 s也發(fā)出了地震預(yù)警信息，通過預(yù)警信息接收終端、手機APP、廣播電視等方式向社會公眾推送，為民眾地震應(yīng)急避險和緊急處置提供了寶貴的時間。但由于馬爾康地震為震群型地震，且發(fā)震時間為夜間，震后民眾夜間連續(xù)收到多次地震預(yù)警信息，“睡意全無”緊急采取避險措施，導(dǎo)致“預(yù)警”成為公眾討論的熱點話題。④ 祝福，“平安”、“注意安全”、“抱抱”、“辛苦”、“希望”等祈福以及對應(yīng)急救援工作人員的致敬和叮囑的相關(guān)熱詞依然大量出現(xiàn)在網(wǎng)友的評論中。

3.4兩次地震災(zāi)情信息提取分析

微博地震災(zāi)情信息的提取是建立在微博輿情信息分類的基礎(chǔ)上。本文中根據(jù)已有的針對網(wǎng)絡(luò)地震災(zāi)情信息分類研究以及地震災(zāi)情特點，將微博輿情信息分為震情、震感、地震科普、祈福、房屋破壞、生命線工程情況、人員傷亡、救援行動、心理變化、為應(yīng)急響應(yīng)點贊等類別，其中震感、房屋破壞、生命線工程情況、人員傷亡4個類別為災(zāi)情信息。針對不同類別，分別設(shè)置信息分類關(guān)鍵詞（表3），關(guān)鍵詞的選取主要通過借鑒已有的研究成果并結(jié)合總結(jié)提取近年來有影響的震例數(shù)據(jù)描述性關(guān)鍵詞匯，形成災(zāi)情信息分類模型字典。

對兩次地震后24 h相關(guān)博文和評論進行信息分類識別后，輔以人工篩選判斷，最終生成微博輿情分類統(tǒng)計圖和災(zāi)情分類表。

從蘆山6.1級地震微博輿情分類統(tǒng)計圖上可以看到（圖7），祈福、救援行動、震感、人員傷亡情況、生命線工程情況這幾類的信息數(shù)量最多。“救援行動”分類表中收集到的信息主要為震中附近各地救援力量開展救援行動的工作動態(tài)信息?！罢鸶小狈诸惐碇惺占搅舜罅烤W(wǎng)友反饋的震感描述性信息，部分網(wǎng)友發(fā)布了家中魚缸、吊燈等物品搖晃的視頻、照片等。

“人員傷亡”分類表中，信息內(nèi)容主要集中在地震造成4人死亡多人受傷的災(zāi)情相關(guān)描述?！吧€工程情況”分類表中，關(guān)注度較高的信息是“部分無線網(wǎng)基站停電、斷站，線路傳輸中斷”、“大家暫時不要返回房間，并遠離山體滑坡現(xiàn)場”安全提示，以及“部分路段發(fā)生山石垮塌”、“列車暫時停發(fā)”、“交通管制”、“山體滑坡”，“壅塞形成堰塞湖”等各類災(zāi)情信息。

從馬爾康6.0級震群微博輿情分類統(tǒng)計圖上可以看到（圖8），震感、祈福、救援行動、地震科普、震情、心理變化這幾類的信息量最多?！罢鸶小狈诸惐碇惺占搅舜罅烤W(wǎng)友反饋的震感描述性信息，如“四川多地震感明顯”、“成都、樂山等地有震感”、“整棟樓搖了起來”、“晃了一宿”等?！熬仍袆印狈诸惐碇校D(zhuǎn)評贊量最高的信息是“多支救援力量深夜集結(jié)前往震中”等各地救援力量開展應(yīng)急救援工作的信息?！靶睦碜兓狈诸惐碇惺占酱罅烤W(wǎng)友對夜間地震頻發(fā)表達的“害怕”、“不敢睡覺”、“嚇醒”、“驚慌”等情緒?！胺课萜茐摹狈诸惐碇惺占降挠小八拇ò蔚卣鹩H歷者講述：整棟樓搖了起來”、“監(jiān)控拍到屋內(nèi)物品掉落，學(xué)生下樓撤至空曠地帶”等與房屋相關(guān)的信息?！吧€工程情況”分類表中收集到的信息有“山體垮塌”、“消防員奮戰(zhàn)一夜仍在前線搶通道路”、“變電站停運，客戶停電”、“道路中斷，正在搶通中”等各類災(zāi)情信息。

4結(jié)束語

本文中基于新浪微博數(shù)據(jù)，以四川蘆山6.1級地震和馬爾康6.0級震群為例，研究網(wǎng)絡(luò)輿情分析和災(zāi)情信息獲取的方法，得出如下結(jié)論：（1） 蘆山 6.1級地震和馬爾康6.0級震群的微博輿情聲量，整體趨勢相同，24 h內(nèi)輿情高峰一般出現(xiàn)在震后3小時和上午 6—10時，整體呈回落趨勢。（2） 蘆山6.1級地震和馬爾康6.0級震群震后24 h的微博輿情信息中，積極情緒值的信息所占的比重最大，這得益于地震發(fā)生后，官方賬號及時發(fā)布相關(guān)信息以及地震趨勢意見，滿足公眾知情權(quán)，有效穩(wěn)定民眾情緒。（3） 蘆山6.1級地震的微博輿論熱點主要集中在“震情”、“災(zāi)情”、“救援”、“祝?！边@4個方面，與蘆山6.1級地震不同，馬爾康6.0級震群的微博輿論熱點主要集中在“震情”、“救援”、“預(yù)警”、“祝?！边@4個方面。這與兩次地震的致災(zāi)情況和馬爾康地震震群型特點相關(guān)。（4） 通過信息分類獲取到了兩次地震的災(zāi)情相關(guān)信息。但可以看到，以關(guān)鍵詞為基礎(chǔ)的分類模型存在一定的不準確性，還需輔助人工核驗，才能獲得更為有效的分類結(jié)果。因此，災(zāi)情信息分類模型字典還需不斷完善。

參考文獻：

［1］陳齊超，林廣發(fā)，梁春陽，等.基于微博數(shù)據(jù)和情感分析法的臺風“米克拉”災(zāi)情過程探測［J］.亞熱帶資源與環(huán)境學(xué)報，2021，16（1）：70-76.

［2］李紹攀，趙飛，周義棋，等.基于微博數(shù)據(jù)的臺風災(zāi)害輿情分析與災(zāi)害損失估計［J］.清華大學(xué)學(xué)報（自然科學(xué)版），2022，62（1）：43-51.

［3］黃晶，李夢晗，康晉樂，等.基于社交媒體的暴雨災(zāi)情信息實時挖掘與分析——以2019年“4·11深圳暴雨”為例［J］.水利經(jīng)濟，2021，39（2）：86-94.

［4］曹彥波，毛振江.基于微博數(shù)據(jù)挖掘的九寨溝7.0級地震災(zāi)情時空特征分析［J］.中國地震，2017，12（4）：613-625.

［5］毛振江，呂佳麗，曹彥波，等.四川九寨溝7.0級地震微博災(zāi)情信息特征分析［J］.華南地震，2019，39（2）：51-57.

［6］曹彥波. 基于新浪微博的2018年云南通海5.0級地震輿情時空特征分析［J］.地震研究，2018，41（4）：525-533.

［7］孔珍，張葉廷，杜志強.基于微博數(shù)據(jù)的地震災(zāi)情信息識別與應(yīng)用［J］.地理信息世界，2020，27（6）：98-104.

［8］劉耀輝，劉婉婷，張文焯，等.基于新浪微博數(shù)據(jù)的云南漾濞6.4級地震輿情時空特征及情感分析［J］.自然災(zāi)害學(xué)報，2022，31（1）：168-178.

［9］劉婉婷，楊新月，劉耀輝，等.基于微博數(shù)據(jù)的西藏那曲比如縣地震輿情分析［J］.震災(zāi)防御技術(shù)，2021，16（4）：772-780.

［10］李姍姍，孫曉玲，袁國銘.基于大數(shù)據(jù)挖掘技術(shù)的地震輿情感知研究［J］.防災(zāi)科技學(xué)院學(xué)報，2021，23（1）：80-86.

［11］張穎，林洋，張瀾，等.基于認證微博的災(zāi)情信息快速獲取與信息提取技術(shù)研究［J］.防災(zāi)減災(zāi)學(xué)報，2020，36（2）：75-81.

［12］張方浩，和仕芳，呂佳麗，等.基于互聯(lián)網(wǎng)的地震災(zāi)情信息分類編碼與初步應(yīng)用研究［J］.地震研究，2016，39（4）：664-672.

［13］孫曉，葉嘉麒，唐陳意，等.基于多策略的新浪微博大數(shù)據(jù)抓取及應(yīng)用［J］.合肥工業(yè)大學(xué)學(xué)報（自然科學(xué)版），2014，37（10）：1 210-1 215.

［14］李金香，溫和平，常想德，等.基于多光譜遙感的新疆皮山6.5級地震災(zāi)情監(jiān)測與分析［J］.內(nèi)陸地震，2017，31（1）：26-35.

［15］溫和平，譚明，李帥，等.2018年9月4日新疆伽師MS5.5地震震害研究［J］. 內(nèi)陸地震，2019，33（3）：193-200.

［16］劉軍，譚明，裴成章，等.基于微信公眾平臺的地震應(yīng)急救援協(xié)同聯(lián)動系統(tǒng)設(shè)計與初步應(yīng)用［J］.內(nèi)陸地震，2021，35（3）：285-292.

PUBLIC OPINION ANALYSIS AND DISASTER INFORMATION

ACQUISITION OF LUSHAN MS6.1 EARTHQUAKE AND

MAERKANG MS6.0 EARTHQUAKE SWARM

IN SICHUAN BASED ON SINA WEIBO

LI Ya-fang，? TAN Ming，? LI Jin-xiang，? WANG Xin-gang，? LI Bo

（Earthquake Agency of Xinjiang Uygur Autonomous Region，Urumqi 830011，Xinjiang，China）

Abstract： The monitoring and analysis of network public opinion information after the earthquake， as well as the rapid acquisition， processing， analysis and judgment of disaster information are of great significance for relevant departments to carry out earthquake emergency rescue， master disaster relief dynamics and stabilize public sentiment. Based on the Sina Weibo data， this paper obtains Weibo and comments related to Lushan MS6.1 earthquake and Maerkang MS6.0 earthquake swarm in Sichuan Province. By fully mining， analyzing and expressing the information， this paper studies the evolution of Weibo public opinion， characteristics of people's emotional response， hot spots of concern， etc. in the earthquake event， and on this basis， classifies and extracts disaster information such as house damage， lifeline engineering damage， casualties， etc， It can provide scientific and technological support for earthquake emergency decision-making.

Key words： Lushan earthquake; Maerkang earthquake swarm; Sina Weibo; Public opinion analysis; Disaster acquisition