基于社交媒体数据的城市暴雨洪涝灾害风险评估
文档名：基于社交媒体数据的城市暴雨洪涝灾害风险评估
摘要：近年来强降雨引发的城市洪涝灾害事件趋多,严重危害了人民的生命健康和财产安全,而客观、准确地开展城市暴雨洪涝灾害风险评估对于有效提升防灾减灾水平至关重要.但是,城市灾害点部分基础数据资料的缺失和滞后限制了城市暴雨洪涝灾害风险评估结果的准确性.随着移动互联技术的发展,民众在社交媒体上发布的相关灾害信息逐渐汇集成一种具有海量、时效性强和主题明确等特征的社交媒体数据资源,将其引入城市暴雨洪涝灾害风险评估工作对于准确刻画城市暴雨洪涝灾害的全貌无疑具有显著意义.以2021年郑州市"7·20"暴雨事件为例,首先从气象因素、基础地理信息、社会经济因素三方面选取了13个影响因子,然后基于爬虫技术获取微博数据中的内涝点信息,最后基于GBDT、XGB、RF和AdaB4种机器学习模型对郑州市"7·20"暴雨洪涝灾害进行风险评估.结果表明:①基于上述模型得到的4组指标权重具有统计意义上的一致性,在各影响因子中,道路密度、植被覆盖指数、半小时最大降雨量和日最大降雨量在4组指标重要性排序中均位列前5,表明上述影响因子是本次暴雨洪涝灾害的主要致灾因素;②基于皮尔逊相关系数检验发现上述4种模型评估结果间的相关程度较高,所得出的极高风险区均集中在郑州市五大主城区的中心部分、中牟市东北部、新密市米村镇及城关镇、巩义市巩义站周边;③上述4种模型的AUC和ACC值均超过0.7,证实了机器学习模型在城市暴雨洪涝灾害风险评估中的有效性;相较于GBDT、XGB和RF模型,AdaB模型的评估结果精度最高,且得到的高风险与极高风险区的Rei值之和最大,表明其评估结果与实际情况相符.本研究通过将社交媒体数据引入城市暴雨洪涝灾害风险评估工作有效地提升了评估结果的准确性,可为郑州市及其他城市在类似强降水事件下的洪涝灾害风险预警和应急处置提供决策依据.
Abstract：Inrecentyears,theincreasingoccurrencesofurbanflooddisasterstriggeredbyheavyrainfallhavesevere-lyendangeredpeople'slives,health,andpropertysafety.Objectiveandaccurateurbanflooddisasterriskassessmentiscrucialforeffectivelyenhancingdisasterpreventionandreductioncapabilities.However,thelackandlagofbasicdataforurbandisasterpointsrestricttheaccuracyofurbanstormflooddisasterriskassessmentresults.Withthedevelopmentofmobileinternettechnology,therelevantdisasterinformationpostedbythepubliconsocialmediagraduallyaccumulatesintoamassive,timely,andthematicallyclearresourceknownassocialmediadata.Introdu-cingthisresourceintourbanstormflooddisasterriskassessmentworkundoubtedlyholdssignificantimportanceinaccuratelydepictingtheoverallpictureofurbanstormflooddisasters.Takingthe"7·20"rainstormeventinZhengzhouCityin2021asanexample,thisstudyfirstselectedthirteeninfluencingfactorsfrommeteorologicalfac-tors,basicgeographicinformation,andsocio-economicfactors.Then,leveragingwebcrawlingtechnology,itob-tainedinformationonwaterloggingpointsfromWeibodata.Finally,usingfourmachinelearningmodels,namelyGBDT,XGB,RF,andAdaB,thestudyconductedariskassessmentoftherainstormflooddisasterinZhengzhou"7·20".Theresultsareasfollows:①Thefoursetsofindicatorweightsobtainedbasedontheabovemodelsarestatisticallyconsistent.Amongtheinfluencingfactors,roaddensity,vegetationcoverageindex,maximumrainfallinhalfanhour,andmaximumdailyrainfallallrankinthetopfiveintermsofimportanceinthefoursetsofindicatorimportancerankings,indicatingthatthesefactorsarethemaincausesoftherainstormflooddisaster;②BasedonthePearsoncorrelationcoefficienttest,itisfoundthatthecorrelationbetweentheevaluationresultsofthefourmodelsisrelativelyhigh.TheareaswithextremelyhighriskareconcentratedinthecentralpartsofthefivemainurbanareasofZhengzhou,thenortheastpartofZhongmuCity,MicunTownandChengguanTowninXinmiCity,andthesurroundingareasofGongyiStationinGongyiCity;③TheAUCandACCvaluesofthefourmodelsareallabove0.7,confirmingtheeffectivenessofmachinelearningmodelsinurbanfloodriskassessment.ComparedwiththeGBDT,XGB,andRFmodels,theAdaBmodelhasthehighestaccuracy,andthesumoftheReivaluesofthehigh-riskandextremelyhigh-riskareasobtainedbyitisthelargest,indicatingthatitsevaluationresultsareconsistentwiththeactualsituation.Byintroducingsocialmediadataintourbanstormflooddisasterriskassessmentwork,thisstudyeffectivelyenhancestheaccuracyoftheassessmentresults,providingdecision-makingbasisforriskwarningandemergencyresponsetourbanflooddisastersinZhengzhouCityandsimilarcitiesunderheavyrainfallevents.
作者：王德运 张露丹 吴祈 Author：WANGDeyun ZHANGLudan WUQi
作者单位：中国地质大学(武汉)经济管理学院,湖北武汉430078;中国地质大学(武汉)自然灾害风险防控与应急管理实验室,湖北武汉430074中国地质大学(武汉)经济管理学院,湖北武汉430078
刊名：安全与环境工程 ISTICPKU
Journal：SafetyandEnvironmentalEngineering
年，卷(期)：2024, 31(3)
分类号：X43P426.616
关键词：城市暴雨洪涝灾害风险评估机器学习模型社交媒体数据郑州市"7·20"暴雨事件
Keywords：urbanflooddisasterriskassessmentmachinelearningmodelsocialmediadata"7·20"rain-stormeventinZhengzhouCity
机标分类号：P426.6P208TP391.41
在线出版日期：2024年6月18日
基金项目：国家自然科学基金，湖北省自然科学基金，湖北省社科基金一般项目，陕西省应急管理研究院科学研究项目，国家社会科学基金基于社交媒体数据的城市暴雨洪涝灾害风险评估[
期刊论文]安全与环境工程--2024, 31(3)王德运张露丹吴祈近年来强降雨引发的城市洪涝灾害事件趋多,严重危害了人民的生命健康和财产安全,而客观、准确地开展城市暴雨洪涝灾害风险评估对于有效提升防灾减灾水平至关重要.但是,城市灾害点部分基础数据资料的缺失和滞后限制了城市...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于社交媒体数据的城市暴雨洪涝灾害风险评估Urban storm flood disaster risk assessment based on social media data
基于社交媒体数据的城市暴雨洪涝灾害风险评估.pdf
页:
[1]