基于新浪微博大数据的新疆伽师6.4级地震舆情分析及可视化研究

基于新浪微博大数据,运用网络爬虫技术,获取新疆伽师6.4级地震后48小时新浪微博相关的博文和评论;通过对数据的去噪、去重、分词、索引等处理,得到结构化的分级、分类数据;在此基础上,产出震后微博舆情声量走势图、震后微博舆情情感值极性分布图、震后微博舆情热词词频统计表、博文和评论词云图以及博文和评论内容分类统计图,实现微博舆情数据的可视化。     

基于地震政务微博平台的长宁MS6.0级地震灾害信息发布模式与关注度分析

选取2019年6月17日长宁MS 6.0级地震为研究对象,搜集整理中国地震台网速报和四川省地震局两大政务微博平台,关于长宁MS 6.0级地震信息发布内容和公众关注度数据.通过信息时间流量变化和内容框架两方面对信息发布模式与公众关注度进行分析,探究防震减灾部门在地震灾害管理中灾害信息发布的模式与公众对信息内容的关注度情况,为进一步提升其震后信息发布的效果和针对性提供参考.     

基于微博数据的西藏那曲比如县地震舆情分析

震后对网络舆情信息的监控与分析,对于相关部门开展震灾应急救援、掌握救灾动态、稳定民众情绪具有重要意义.本研究基于新浪微博数据,运用网络爬虫技术,获取西藏自治区那曲市比如县6.1级地震震后24小时及震后一周的相关微博及评论;利用Python中文分词组件"jieba"和ROST CM6软件,对数据进行分类、去重、分词等处理...     

四川九寨沟7.0级地震微博灾情信息特征分析

通过调用新浪微博官方API的方式,获取了四川九寨沟7.0级地震震后微博信息,对获取到的数据进行了分类统计、微博词频统计与时空特征分析。统计分析结果表明:在分类统计方面,地震发生之后24h内,与地震相关微博中人的反应占比达到73%,救援行动占比达到11%,这时由于微博本身特点以及民众对救援的期望造成的。在词频统计方面,高频名词表明震后24h内微博上的热点事件,而高频动词与形容词表明民众会在震后变得焦虑和不安并通过在网上互相激励来缓解震后的不安和焦虑。时间特征表明震后0~4h内,有大量和地震相关的灾情信息会通过微博博文内容的方式发布,而随着应急救援行动的进行,在震后12h以后,民众的情绪会逐渐平复,社会及民众的关注度也随之降低。空间特征表明,由于震后通信中断与网络堵塞,微博灾情基本成点状分布,随后随着通信与网络的恢复、应急救援的进行微博灾情逐渐变为带状分布并进而趋向于形成一个面。     

基于遥感影像的震后避难空间快速提取模型研究——以2021年云南漾濞MS6.4地震为例

震后避难空间是居民遭遇地震时紧急疏散、避难、临时生活的重要区域。以无人机影像为基础,采用影像面向对象分类与GIS栅格化的分析方法,构建震后避难空间评价指标,建立基于遥感影像的震后避难空间快速提取模型,并以2021年云南漾濞M_S6.4地震为例,将避难空间提取的结果与震后居民实际选取的避难空间进行比较。结果表明：模型共计提取可用避难空间70个,根据目标函数F得到最优避难空间5个,其中每个避难空间在漾濞M_S6.4地震中实际帐篷数量分别为72、55、54、30、44顶,模型计算结果与实际结果匹配。     

基于新浪微博的四川芦山6.1级地震和马尔康6.0级震群舆情分析及灾情信息获取

震后对网络舆情信息的监控与分析,及灾情信息的快速获取、处理、分析和研判对于部署抗震救灾、掌握灾情舆情、稳定民众情绪具有重要意义。基于新浪微博数据,获取四川芦山6.1级地震和马尔康6.0级震群相关的微博和评论等信息,通过对信息进行充分挖掘、分析和表达,研究地震事件中微博舆情的演化、民众情绪反应特征、关注热点等,并在此基础上对房屋破坏、生命线工程破坏、人员伤亡等灾情信息分类提取,可为地震应急决策提供科技支撑。     

基于微博数据挖掘的九寨沟7.0级地震灾情时空特征分析

2017年8月8日21时19分九寨沟发生7.0级地震,震后数小时里,大量与地震相关的信息广泛传播,互联网社交媒体高度关注,九寨沟地震成为最热议话题。本文以新浪微博为例,获取了距震中200km范围内震前、震后24h的微博数据,通过对数据清洗、分类和挖掘,分析了此次地震微博的数量、灾情分类、词频统计、时间序列和空间分布等特征,同时与实际灾评结果进行了对比分析。研究结果表明,对震后社交媒体数据进行充分挖掘,分析提取地震灾情关键信息,有助于对灾情的宏观把握,对救灾决策部署有一定的参考意义,是解决震后灾情获取难度大、覆盖小、时效性差等问题的一种有效的辅助手段。     

云南漾濞6.4级地震公共建筑的震害特征

2021年5月21日云南漾濞发生6.4级地震,成为继2014年6.5级鲁甸地震和6.6级景谷地震之后云南省内时隔7年的又一次震级大于6级的破坏性地震。漾濞地震虽然与鲁甸地震在震级、震源深度和震源机制等方面均较相似,但漾濞地震震中附近的地面运动强度远不及鲁甸地震,且漾濞县的抗震设防烈度远高于鲁甸;相应地,漾濞地震对抗震设防建筑造成的破坏也远轻于后者。本文首先通过比较这三次地震震中附近的强震记录的反应谱,并结合公共建筑的震后应急评估结果,说明漾濞地震和鲁甸地震中公共建筑破坏程度的显著差异。进而以位于漾濞县城的两栋钢筋混凝土公共建筑为例,介绍此次地震中砌体填充墙和吊顶等典型非结构构件的震害。     

基于微博舆情数据的震后有感范围提取研究

提出了基于微博舆情信息的震后有感范围快速判定技术框架,构建了微博舆情数据的获取方法和技术流程。根据中国地震烈度表和地震现场工作调查规范,将微博特征词与地震灾情速判指标进行关联匹配,建立微博灾情信息分类指标体系,通过自然邻点空间插值方法将离散分布的微博灾情点转化为连续分布的灾情面,形成震后灾区有感范围的时空变化特征分布图,辅助灾情快速判定。以2014年景谷6.6级地震为例,进行探索和实践。结果表明:在震后1~2 h内,微博用户活跃度高,信息量大且丰富,对信息充分挖掘有助于对灾情的宏观把握,对救灾决策部署有一定的参考意义,弥补了传统获取技术时效性差、数据量少、覆盖面小等问题。     

加权泰森多边形在2021年云南漾濞MS6.4地震后应急避险安置点责任区划分的应用

以2021年云南漾濞M_S6.4地震为例,综合考虑震后安置点容量和居民点实际情况,利用无人机航拍影像,通过人工矢量化、空间插值、震害识别、创建缓冲区等预处理,获得基于建筑物的漾濞县城震后应急避险安置点容量、建筑物破坏程度、交通便捷度和人口分布4个影响因素精细化数据。以影响因素为权重因子,使用加权泰森多边形法对研究区应急避险安置点进行责任区划分。结果表明：责任区失去住所人数均未超出对应安置点容量,位于老城区责任区的安置点服务压力较大,新城区责任区的安置点服务压力较小。     

地震后重建过程中的建筑最低成本分析

震后重建工作中,传统建筑最低成本的分析方法无法平衡成本与建筑需求性关系,造成最低成本下建筑的抗震能力较低。设计震后建筑最低成本分析方法,分析震后建筑成本需求关系,提供建筑成本与需求关系的基本数据;优化IFC建筑标准,定义最低成本指标;对分析因素进行综合设置,平衡价值链上需求关系;分析需求与建筑成本关系,完成震后建筑最低成本分析方法的构建,实现最低成本分析。实验数据表明,设计的建筑最低成本分析方法既能满足需求关系,又能实现建筑成本的最低化分析。     

云南漾濞M6.4地震震区三维速度结构

利用2015年1月至2021年5月28日期间我国云南省漾濞县及周边地区固定台站和漾濞地震后布设的流动台站所记录到的近震资料,使用双差层析成像方法获得了该地震震区的高分辨率地壳三维速度结构和震源位置。重定位结果显示,漾濞M6.4地震序列主要沿NW?SE向展布,与维西—乔后—巍山断裂走向一致,地震主要集中在4—10 km的深度范围,呈约80°高倾角分布。结合定位结果与三维速度结构显示:漾濞M6.4地震序列的空间分布与速度结构变化具有相关性,主震位于P波、S波高低速异常交界处,这种介质物性变化的交界地带可能有利于中强地震的孕育和发生,余震主要分布在低P波速度、高S波速度和低波速比的脆性区域;沿漾濞地震序列的分布走向,主震两侧呈现完全不同的速度结构,其西北部具有明显的高P波速度、低S波速度特征,该地区高密度、强韧性的地层可能是阻挡漾濞地震的NW向破裂而呈单向破裂特征的原因。      

基于共享数据平台的云南漾濞和青海玛多地震应急物资配置分析

灾后信息缺失易导致应急决策失效和调整困难,针对2021年5月下旬云南大理州漾濞县及青海果洛州玛多县分别发生6.4级和7.5级地震,本文设计了一种基于共享数据平台实时信息的灾后应急物资配置方法。该方法主要利用基于地震台网发布灾害信息确定灾区范围,基于人口分布数据估测需求与供给缺口,并通过高德开放平台接口获取交通态势确定可供通行的路网与实时最优运输路径,利用这些实时信息做出震后物资分配调度快速决策。通过漾濞和玛多地震案例分析结果显示:通过震后第一时间数据,可快速处理收集数据并进行供需评估与物资调度辅助决策。当灾区存在供需缺口,利用相邻县物资可维系震后短期内物资需求;对于物资运输,实时更新的信息可为其选择最佳路线。本方法为震后应急物资动态配置中决策实时更新与调整提供依据,为日后地震应急响应提供参考。     

从云南漾濞6.4级地震浅析地震科普和震后舆论宣传

云南地震部门在地震科普和震后舆论宣传方面做了很多的探索与实践,这些工作在云南漾濞6.4级地震应对中发挥了积极作用.文章从地震科普和震后舆论宣传两个方面分析了其成功的做法,总结了值得借鉴的经验和启示,并从建立长效机制、加强科普队伍建设、创作地域特色产品、创新科普传播渠道、发挥新闻媒体舆论引导作用和提高舆论引导能力六个方面...     

新浪微博地震舆情数据库的设计与实现

社交媒体地震舆情数据可实时反映灾区现状,为震后应急提供较好的地震灾情舆情研判服务。选取新浪微博作为数据源,对接EQIM,采用新浪微博开放平台API与分布式网络爬虫相结合的方式获取地震舆情数据。在数据清洗和基于fastText地震相关性分类模型进行数据预处理的基础上,应用MySQL关系型数据库,设计并实现我国大陆地区准实时新浪微博地震舆情数据库及管理平台。现阶段,该数据库收集了2021年1月1日至2022年3月31日我国大陆地区3.0级及以上地震447次、地震舆情数据732 949条,实现数据下载、快速查询及精确查询,方便数据查询与管理,有助于震后舆情监控与灾情快速获取。     

2022年1月2日宁蒗MS 5.5地震现场新闻宣传启示

2022年1月2日云南省丽江市宁蒗县发生M_S 5.5地震。震后社会舆论关注度较高,相关话题一度冲上新浪微博热搜榜第十位。此时,因地震系统职责所在,运用新闻宣传手段快速、高效回复社会关切,既可还原地震事件真相、有效减少地震谣言的产生,亦能塑造地震行业的正面形象,从而更好地为防震减灾事业发展服务。     

利用背景噪声研究2021年云南漾濞MS6.4地震同震及震后波速变化

通过测量地震波速度变化可分析地下介质应力状态的变化,加深对地震物理过程的认识.本文利用2021年5月21日漾濞M_S6.4地震震中50 km范围内16个地震台站2021年的三分量连续记录,通过背景噪声干涉方法研究了漾濞M_S6.4地震同震波速变化及震后恢复过程.结果表明,在1～4 Hz的频带范围内,台站对间的相对波速在主震后明显降低,dv/v_pair的幅度为-0.29%～-0.02%,随台站间距增大而降低.由线性回归获得的各台站的相对波速变化dv/v_station的幅度为-0.16%～-0.02%,总体随震中距增大而减小.分析表明,测量得到的同震波速变化主要来自于浅层(≤2km)介质,受静态应变和动态应变的共同影响,主要由强地面运动引起的岩石破碎和应力大规模调整控制.远离主震的北部台站波速变化较大,对应力扰动敏感性高,推测与台站下方的热流体分布相关.波速变化测量结果指示漾濞地震周边地震波速度在震后几天内达到最低值,而在8月份前后逐渐恢复到震前的水平,表征了介质的愈合过程.研究表明利用背景噪声干涉可对同震...     

2021年云南漾濞MS6.4地震前后主动源观测走时数据的变化

基于2021年5月21日漾濞M_S6.4地震震中附近50 km范围内15个地震观测台站记录的2020年11月1日—2021年5月30日的气枪震源信号,采用互相关时延检测技术提取这15个台站各自稳定震相(Sg震相)的走时变化时间序列,并对漾濞M_S6.4地震前后各台站的走时变化特征进行分析。结果表明:(1)漾濞M_S6.4地震前10天左右,有4个台站走时开始出现异常,其中,Ey211和Ey213台走时呈"V"型变化结构,Ey210和CHT台走时呈上升趋势。(2)漾濞M_S6.4地震后短期内,大部分台站走时出现了明显的趋势性变化,以维西—乔后—巍山断裂为界,断裂带两侧台站走时变化趋势存在明显差异,断裂以东的EYA、HDQ、YSW09台走时呈上升趋势,变化最为显著的为HDQ台,走时差变化量为0.067 s;而断裂带以西的所有台站在漾濞M_S6.4地震当天(或震后1～2天)开始出现明显趋势性下降,走时下降持续时间在4～9天间,走时差变化量在-0.053～-0.201 s间,其中走时差下降量最大为53 285台,最小为CHT台。     

滇西地区基于单体建筑的震后人员死亡评估方法研究

震后死亡人数是震后应急响应和救援工作的重要基础。为提高震后人员死亡评估精度,从云南县(区)城镇化率、建筑面积和建筑楼层数考虑,提出了一种基于单体建筑的人口分配方法;以建筑的致死性矩阵为基础,使用滇西地区建筑数据和历史地震死亡人数计算本地化修正系数,得到了该地区基于建筑类型的人员死亡评估方法;以2021年云南漾濞6.4级地震为例,对评估结果进行了检验和三维可视化。结果表明：(1)基于单体建筑的人口分布空间比传统的公里格网更加精细;(2)基于单体建筑评估的受灾人口和实际受灾人口之间的相对误差为3.7%,精度较好;(3)基于单体建筑致死性评估的漾濞地震人员死亡评估结果为0～3人,符合实际情况;(4)三维表达能够增加信息表达的直观性和丰富程度。     

丽江台水管仪频谱分析及同震震后效应研究

本文对丽江台水管仪观测资料进行了频谱分析和同震震后效应初步研究。频谱分析结果清楚地显示了日波动和半日波动,并得到了3个主要日潮汐波01、P1、K1,3个主要半日潮汐波N2、M2、S2和三分之一波M3。该台水管仪记震能力强,同震效应形态均呈振荡型,震后均能恢复到震前日变及趋势变化,震后没有震阶和趋势变化,但可记录到大震后激发的地球自由振荡信息。