張 揚 陳 軼

（南京工業(yè)大學(xué)建筑學(xué)院，南京 211816）

0 引 言

城市是人類經(jīng)濟活動的高度聚集體，洪澇災(zāi)害頻發(fā)會造成重大人員傷亡和高昂經(jīng)濟損失，有效降低災(zāi)害損失至關(guān)重要。社交媒體數(shù)據(jù)作為一種時空大數(shù)據(jù)，具有實時性和位置服務(wù)的特點，近年來，在美國、德國、日本等國家的洪水風(fēng)險管理中得到運用。例如，美國通過社交媒體數(shù)據(jù)中的降雨強度文本評估災(zāi)害全過程[1]；德國使用社交媒體中帶有地理定位的照片快速繪制洪水淹沒地圖[2]；日本將社交媒體數(shù)據(jù)與災(zāi)害監(jiān)測數(shù)據(jù)有效整合，為應(yīng)急管理人員提供早期預(yù)警等[3]。

有別于傳統(tǒng)遙感、氣象觀測數(shù)據(jù)在監(jiān)測災(zāi)害進程、解析致災(zāi)程度、模擬結(jié)果準確度等方面的不足，社交媒體數(shù)據(jù)可通過實時地理時空分析和災(zāi)情信息傳遞實現(xiàn)快速救災(zāi)部署，但也存在不容忽視的問題，如地理定位準確性和信息可信度不足[4]。如何進一步優(yōu)化社交媒體數(shù)據(jù)處理和分析的算法模型與技術(shù)，有效融合多源信息并運用于洪水風(fēng)險管理全過程是目前研究的趨勢。針對現(xiàn)有洪水監(jiān)測技術(shù)的不足及社交媒體的優(yōu)勢，國內(nèi)外學(xué)者積極探討社交媒體數(shù)據(jù)在洪水風(fēng)險管理中的應(yīng)用技術(shù)方法。本文選取最新的基于社交媒體數(shù)據(jù)的洪澇災(zāi)害研究成果，歸納社交媒體洪水信息的提取與分析的技術(shù)手段，探討社交媒體數(shù)據(jù)在洪水風(fēng)險管理中的應(yīng)用方向。

1 洪水風(fēng)險信息的提取與分析方法

1.1 洪水風(fēng)險信息的提取

社交媒體數(shù)據(jù)具有巨大的信息量，但其中存在許多無用或虛假的信息?？紤]到大多數(shù)推文可能包含與洪澇事件無關(guān)的信息，因此，精準提取與洪水風(fēng)險相關(guān)的有效信息是首要工作。按照常見的數(shù)據(jù)類型和處理方式可將現(xiàn)有社交媒體數(shù)據(jù)分為“文本”“圖像”“視頻”。

1.1.1 文本提取

早期社交媒體數(shù)據(jù)處理一般選用文本形式，現(xiàn)階段通常采用人工智能方法實現(xiàn)數(shù)據(jù)的分類和歸納，此外，基于深度學(xué)習(xí)的自然語言處理技術(shù)可以有效提升洪水信息的完整性和可靠性。如De Albuquerque 等[5]以2013 年德國洪水為例，通過將社交媒體與傳統(tǒng)地理數(shù)據(jù)相結(jié)合，發(fā)現(xiàn)洪澇嚴重地區(qū)與推文數(shù)量成正比。Wang 等[6]通過文獻回顧，探討了從空間、時間、內(nèi)容和網(wǎng)絡(luò)4個方面挖掘的社交媒體數(shù)據(jù)在災(zāi)害管理方面的研究進展，提出社交媒體數(shù)據(jù)應(yīng)與統(tǒng)計數(shù)據(jù)、調(diào)查數(shù)據(jù)等相結(jié)合。Liu 等[7]通過分析中國新聞機構(gòu)在社交媒體平臺推送的信息，進一步補充和校核中國自然災(zāi)害數(shù)據(jù)庫。Mondal 等[8]通過構(gòu)建檢測謠言信息的概率模型，提高了社交媒體數(shù)據(jù)災(zāi)情分析的準確性。Gründer-Fahrer 等[9]以2013 年中歐洪水為例，使用主題模型（Topic Model Analysis）分析方法，通過分析社交媒體內(nèi)容主題隨時間的發(fā)展，識別災(zāi)害不同階段的特征。Yang等[10]以颶風(fēng)“哈維”為例，通過構(gòu)建可信度框架進一步提升Twitter 數(shù)據(jù)分析結(jié)果在災(zāi)害管理的真實性和完整性。de Bruijn 等[11]通過構(gòu)建全球歷史洪澇推文數(shù)據(jù)庫，實現(xiàn)全球范圍實時的洪澇動態(tài)監(jiān)測。Bai 等[12]運用機器學(xué)習(xí)模型對社交媒體數(shù)據(jù)的災(zāi)害信息進行高效分類，為救災(zāi)部署提供了及時的反饋信息。

1.1.2 圖像提取

隨著人工智能和機器學(xué)習(xí)技術(shù)的不斷發(fā)展，圖像的自動分類得以實現(xiàn)。支持向量機、決策樹、貝葉斯方法等傳統(tǒng)的分類計數(shù)方法已經(jīng)廣泛應(yīng)用于圖像分類領(lǐng)域，并取得了一定的成果。卷積神經(jīng)網(wǎng)絡(luò)是近年來計算機視覺領(lǐng)域的一個研究熱點，其具有優(yōu)秀的特征提取和分類能力，在海量的社交媒體圖像信息的提取和解譯方面取得了突出成果，已成為圖像分類領(lǐng)域的主流方法之一。典型研究如：Chaudhary 等[13]基于計算機視覺系統(tǒng)，提取社交媒體洪澇圖像水位數(shù)據(jù)，從而構(gòu)建實時洪水地圖。Feng 等[14]以颶風(fēng)“哈維”為例，采用深度卷積神經(jīng)網(wǎng)絡(luò)技術(shù)，從社交媒體洪水圖像中提取水位數(shù)據(jù)，繪制洪水淹沒圖。Lopez-Fuentes等[15]運用神經(jīng)網(wǎng)絡(luò)模型，通過分析社交媒體圖像中受洪水影響地區(qū)的道路的可通行性，提高了救援效率。

近年來，計算機硬件的進步推動了深度學(xué)習(xí)的應(yīng)用，提升了將文本和圖像相結(jié)合的可能性，兩者同時提取和分析可以實現(xiàn)相互校核并提升準確性。典型研究如：Huang等[16]運用深度學(xué)習(xí)方法，實現(xiàn)文本與圖像相結(jié)合的災(zāi)害數(shù)據(jù)自動提取。Wang 等[17]綜合運用基于深度學(xué)習(xí)的模型提取社交媒體數(shù)據(jù)中的圖像和文本，進一步識別災(zāi)害不同階段造成的社會影響和受災(zāi)位置信息。Fan 等[18]以颶風(fēng)“哈維”為例，通過提取社交媒體數(shù)據(jù)中的文本和圖像信息，分析洪澇事件中的基礎(chǔ)設(shè)施中斷情況。

1.1.3 視頻提取

移動網(wǎng)絡(luò)和智能手機的快速發(fā)展使得社交媒體用戶可以實時、快速地分析視頻數(shù)據(jù)。視頻數(shù)據(jù)量大且具有動態(tài)特征，盡管已有研究表明從視頻中提取洪水風(fēng)險信息的可行性，但相關(guān)研究仍舊較少。典型研究如：Michelsen 等[19]從YouTube 視頻中提取水位數(shù)據(jù)，彌補了缺乏監(jiān)測地區(qū)的洪水信息獲取的可能性。Jiang等[20]運用機器學(xué)習(xí)模型從視頻圖像中提取出城市內(nèi)澇深度信息。Re等[21]將Twitter文本與YouTube視頻結(jié)合，補充了城市洪澇模擬的數(shù)據(jù)。

1.2 洪水風(fēng)險信息的分析

社交媒體數(shù)據(jù)作為一種地理空間大數(shù)據(jù)，為致災(zāi)強度、災(zāi)害損失和求助信息評估提供了新的途徑。但受制于個人隱私設(shè)置及受眾群，只有小于1%的社交媒體數(shù)據(jù)帶有準確的位置信息[22]。因此，社交媒體數(shù)據(jù)分析常與多源數(shù)據(jù)（如遙感數(shù)據(jù)、水文數(shù)據(jù)、其他媒體數(shù)據(jù)等）相結(jié)合，以補充和修正現(xiàn)有數(shù)據(jù)的不足。

1.2.1 單一社交媒體數(shù)據(jù)源

單一社交媒體數(shù)據(jù)源通常用于進行時間序列的災(zāi)情分析和地理時空分析，典型研究如：Arthur等[22]通過Twitter推文中涉及地名的信息進一步推斷定位信息，并繪制高分辨率洪水風(fēng)險地圖。Kankanamge等[23]以昆士蘭東南部洪水為例，通過提取社交媒體數(shù)據(jù)中的洪水信息識別嚴重受災(zāi)區(qū)。Sattaru 等[24]以2015 年印度洪水為例，通過提取和處理含洪水信息的社交媒體推文，快速識別洪澇高風(fēng)險區(qū)域。

1.2.2 社交媒體數(shù)據(jù)與遙感數(shù)據(jù)結(jié)合

遙感影像是早期洪澇災(zāi)害研究中提取洪水范圍的主要數(shù)據(jù)源。然而，受城市化影響，城市中的建筑物和植物陰影的遮擋可能導(dǎo)致洪水監(jiān)測范圍出現(xiàn)誤差。此外，洪水監(jiān)測采用的遙感影像會受到天氣影響而導(dǎo)致延遲。因此，具有時效性的社交媒體數(shù)據(jù)可作為遙感數(shù)據(jù)源的有益補充，典型研究如：Fohringer 等[25]通過將社交媒體數(shù)據(jù)和遙感數(shù)據(jù)相結(jié)合，提取圖像信息中有關(guān)洪水深度和范圍的數(shù)據(jù)，實現(xiàn)洪水淹沒范圍和深度的實時監(jiān)測。Jongman 等[26]以菲律賓和巴基斯坦洪水為例，通過整合衛(wèi)星監(jiān)測的實時洪水信息和Twitter 的分析數(shù)據(jù)可實現(xiàn)洪水的位置、時間、成因和影響的快速確定。Li 等[27]通過文獻綜述，探討社交媒體與遙感數(shù)據(jù)整合的研究進展，表明社交媒體可以改進遙感數(shù)據(jù)在災(zāi)害應(yīng)急響應(yīng)方面的不足。Huang 等[28]將社交媒體數(shù)據(jù)與遙感影像結(jié)合，突破了傳統(tǒng)洪水淹沒概率計算方法的局限性。Wang 等[29]提出一種融合異構(gòu)數(shù)據(jù)的算法框架，利用遙感和社交媒體數(shù)據(jù)生成有效的洪水地圖，突破了單一數(shù)據(jù)的局限性。Xu等[30]將社交媒體數(shù)據(jù)和遙感圖像相結(jié)合，通過計算洪水淹沒概率生成更精確的洪水淹沒范圍圖。Bruneau 等[31]以颶風(fēng)“哈維”為例，將Twitter 和遙感數(shù)據(jù)相結(jié)合估算洪水淹沒面積。Yang等[32]將社交媒體數(shù)據(jù)和遙感影像相結(jié)合評估長江三角洲地區(qū)洪澇災(zāi)情信息。

1.2.3 社交媒體數(shù)據(jù)與水文數(shù)據(jù)結(jié)合

社交媒體數(shù)據(jù)與水文數(shù)據(jù)相結(jié)合可以有效實現(xiàn)水力模型的模擬洪澇與現(xiàn)實洪澇的相互校核，提升洪澇模擬結(jié)果的準確度。典型研究如：Lee提出通過融合多源數(shù)據(jù)的概率性框架（probabilistic framework）評估洪澇發(fā)生概率，增加洪水風(fēng)險預(yù)測的準確性[33]。Annis 等[34]通過整合社交媒體數(shù)據(jù)與水文數(shù)據(jù)改進水力模型，實現(xiàn)實時的洪水風(fēng)險圖。Scotti 等[35]以颶風(fēng)“哈維”為例，將衛(wèi)星圖像、水力模型和社交媒體數(shù)據(jù)相結(jié)合，繪制出更精確的洪水風(fēng)險地圖。Giler-Ormaza 等[36]以厄瓜多爾洪災(zāi)為例，將YouTube 視頻、二維水力模型和DEM 模型相結(jié)合，準確估測了洪災(zāi)后河流的流量峰值。

1.2.4 社交媒體數(shù)據(jù)與其他媒體數(shù)據(jù)結(jié)合

將多平臺社交媒體數(shù)據(jù)融合與網(wǎng)絡(luò)問卷、在線電子表格、報紙等其他媒體數(shù)據(jù)相結(jié)合，可作為單一社交媒體數(shù)據(jù)的補充，改進單一來源數(shù)據(jù)的質(zhì)量，為洪水研究提供更全面的數(shù)據(jù)集合。典型研究如：Stephenson 等[37]搜集并對比Facebook 和Twitter 在洪水期間的社交媒體數(shù)據(jù)，發(fā)現(xiàn)不同的用戶結(jié)構(gòu)和活動偏好導(dǎo)致了數(shù)據(jù)內(nèi)容的差異。Wang等[38]從Twitter 和MyCoast 收集并驗證了洪水災(zāi)害數(shù)據(jù)，表明社交媒體數(shù)據(jù)可以監(jiān)控大范圍地區(qū)的洪澇事件，但存在較多噪音；眾包數(shù)據(jù)更適合特定地點的洪水監(jiān)控且數(shù)據(jù)更可靠，兩者結(jié)合可以實現(xiàn)互補。Baranowski 等[39]利用Twitter數(shù)據(jù)和報紙?zhí)峁┑谋姲鼣?shù)據(jù)分析蘇門答臘島洪水的氣象成因，提高了當?shù)睾樗L(fēng)險的可預(yù)測性。

2 社交媒體洪水風(fēng)險信息的應(yīng)用方向

2.1 災(zāi)害監(jiān)測預(yù)警

社交媒體數(shù)據(jù)與無人機攝像、遙感影像、水力數(shù)據(jù)等多源數(shù)據(jù)結(jié)合，可實現(xiàn)實時、動態(tài)的洪水監(jiān)測，從而提升洪澇預(yù)警的準確性和及時性，典型研究如：Restrepo-Estrada等[40]將社交媒體數(shù)據(jù)與遙感影像、水文數(shù)據(jù)等相結(jié)合，提高了洪澇模擬的精度，表明社交媒體數(shù)據(jù)可以改進洪水預(yù)警系統(tǒng)。Chen 等[41]以臺灣洪水為例，將從社交媒體文本中提取的災(zāi)害信息與應(yīng)急管理信息云數(shù)據(jù)結(jié)合，建立了更精準的預(yù)警機制。Shoyama 等[3]以2019 年日本東部臺風(fēng)為例，對比分析洪澇相關(guān)推文數(shù)量與洪水監(jiān)測數(shù)據(jù)的時間變化，得出推文數(shù)量的暴發(fā)與災(zāi)害事件的發(fā)生密切相關(guān)，并且根據(jù)推文與降雨量和水位數(shù)據(jù)的相關(guān)性特征，改進了洪澇災(zāi)害預(yù)警機制。

2.2 災(zāi)情時空分析

時間序列的災(zāi)情分析和地理時空分析是社交媒體數(shù)據(jù)應(yīng)用于洪水風(fēng)險管理的基本方法。早期，社交媒體數(shù)據(jù)的定位點直接表示在地圖上，后期的研究通過空間算法將帖文中具有位置信息（如地名）轉(zhuǎn)化為坐標?，F(xiàn)階段的研究進一步將時間和空間相結(jié)合，進行時間序列災(zāi)情變化的對比分析，典型研究如：Fang等[42]以2016年武漢暴雨為例，提取微博文本信息分析洪澇災(zāi)害災(zāi)前、災(zāi)中、災(zāi)后不同階段的特征及影響，并繪制洪澇災(zāi)害熱點地圖。Zhao 等[43]通過提取微博文本中與臺風(fēng)路徑相關(guān)的信息，繪制臺風(fēng)路徑時空變化及受影響地區(qū)的災(zāi)情圖。Arapostathis 等[44]通過計算機腳本自動處理社交媒體數(shù)據(jù)，生成洪澇時空演變圖。

2.3 情緒與響應(yīng)行為分析

基于社交媒體文本數(shù)據(jù)的情緒和行為分析也是學(xué)界熱點。早期的研究采用人工解譯和判斷的方法加上后期引入機器學(xué)習(xí)技術(shù)，通過訓(xùn)練情緒分析模型實現(xiàn)自動化文本處理?，F(xiàn)階段的研究將情緒和行為分析與時空數(shù)據(jù)相結(jié)合，分析災(zāi)害動態(tài)變化特征及其對人群和社會造成的影響。典型研究如：Tyshchuk 等[45]利用社交媒體數(shù)據(jù)分析用戶對災(zāi)害警報的行為反應(yīng)，為應(yīng)急管理人員采取措施提供參考。Cheng等[46]以武漢為例，分析了微博用戶在災(zāi)害期間使用微博的行為特征，結(jié)果表明中國社交媒體用戶對災(zāi)害事件的參與度低于西方國家，缺少政府與公眾的雙向溝通，社交媒體尚未被有效用于災(zāi)害管理。Karmegam 等[47]以2015 年印度洪水為例，通過對災(zāi)害期間Twitter數(shù)據(jù)中的負面情緒進行時空分析，識別出受災(zāi)嚴重的地區(qū)和人群。Karami等[48]提出利用Twitter文本信息挖掘公眾擔憂情緒的分析框架，用以替代傳統(tǒng)民意調(diào)查分析。Zhang 等[49]以颶風(fēng)“哈維”為例，通過對社交媒體文本信息的主題和情感分析，得到洪澇事件中基礎(chǔ)設(shè)施的中斷情況及社會影響。Geng等[50]以山東壽光市洪水為例，探討了微博用戶災(zāi)害感知和響應(yīng)行為的時空差異，表明社交媒體數(shù)據(jù)能夠有效拓寬社會感知的研究領(lǐng)域。

2.4 災(zāi)損評估

由于洪水造成的損壞是快速的，通過對社交媒體文本、圖像和視頻的解譯的可以提取災(zāi)害損失信息，幫助災(zāi)害管理者快速獲取災(zāi)害損失狀況并及時地做出災(zāi)害響應(yīng)。同時，通過將社交媒體的災(zāi)損信息與現(xiàn)有調(diào)查數(shù)據(jù)相結(jié)合，可以實現(xiàn)更精準的災(zāi)損評估。典型研究如：Cervone等[51]以2013年科羅拉多洪水為例，通過提取社交媒體的位置信息與遙感影像相結(jié)合實現(xiàn)對交通基礎(chǔ)設(shè)施的快速災(zāi)損評估。Hao 等[52]通過提取社交媒體有關(guān)災(zāi)害的文本和圖像數(shù)據(jù)，補充了傳統(tǒng)的災(zāi)損評估方法。Liu等[53]以2016年武漢洪水為例，整合社交媒體數(shù)據(jù)、POI數(shù)據(jù)等多源數(shù)據(jù)和洪水淹沒地圖，準確定位洪水淹沒道路并快速估計受影響人口。Tan等[54]以重慶洪澇為例，將社交媒體數(shù)據(jù)中的災(zāi)損信息分為物理損失和情感損失兩類，評估并分析了兩個方面的損失程度和恢復(fù)狀況。Eckhardt 等[55]綜述了基于社交媒體數(shù)據(jù)的洪澇災(zāi)害損失經(jīng)濟評估方法，并以2019年里約洪澇災(zāi)害為案例證明了該方法的可行性。

2.5 救災(zāi)部署

根據(jù)社交媒體用戶發(fā)布的災(zāi)害求助信息，災(zāi)害管理者通過提取相關(guān)推文識別不同群體的救災(zāi)需求，從而優(yōu)化各項救災(zāi)部署措施，典型研究如：Schempp等[56]提出以多源數(shù)據(jù)整合的分析框架模擬洪澇災(zāi)害情境下的救災(zāi)需求，優(yōu)化救援部署與物資分配。Lin 等[57]以武漢為例，通過從社交媒體、眾包等大數(shù)據(jù)中提取人口動態(tài)時空分布信息，準確估算救災(zāi)物資的需求。Wu等[58]以2016年合肥暴雨為例，通過分析災(zāi)前、災(zāi)中、災(zāi)后微博話題的轉(zhuǎn)變，提出相應(yīng)的災(zāi)害應(yīng)對策略。Belcastro 等[59]通過分析社交媒體推文預(yù)先發(fā)現(xiàn)洪澇次生災(zāi)害，為災(zāi)害管理者制定應(yīng)對措施提供參考。

2.6 脆弱性與韌性評價

社交媒體數(shù)據(jù)可作為傳統(tǒng)洪澇風(fēng)險評估的補充數(shù)據(jù)源。相關(guān)的研究包括，Chong 等[60]以2015 年印度洪水為例，從Twitter 提取文本信息評估城市基礎(chǔ)設(shè)施韌性。Barker等[61]以英國洪水為例，通過挖掘全國范圍內(nèi)的Twitter 災(zāi)害地理數(shù)據(jù)，分析洪澇對社區(qū)的潛在影響。Wu 等[62]以鄭州為例，利用社交媒體數(shù)據(jù)建立洪澇脆弱性曲線模型，實現(xiàn)城市洪澇脆弱性的定量評估。Karimiziarani 等[63]以颶風(fēng)“哈維”為例，基于社交媒體數(shù)據(jù)構(gòu)建災(zāi)害風(fēng)險意識指數(shù)，用于評估縣級尺度居民的災(zāi)害風(fēng)險意識。

3 社交媒體數(shù)據(jù)應(yīng)用的優(yōu)勢與挑戰(zhàn)

3.1 社交媒體數(shù)據(jù)應(yīng)用的優(yōu)勢

（1）實時的洪水信息。傳統(tǒng)的洪澇風(fēng)險監(jiān)測信息來自氣象站、水文站、衛(wèi)星遙感等，觀測數(shù)據(jù)往往具有滯后性[35]。社交媒體數(shù)據(jù)可以更快提供最新的洪水風(fēng)險信息，幫助應(yīng)急管理部門快速掌握洪澇災(zāi)害的實時變化趨勢，從而采取更精準的響應(yīng)措施。社交媒體用戶通過分享洪澇災(zāi)害相關(guān)的文本、圖片和視頻，有效傳遞雨情、水位、道路交通狀況、積水點等洪澇災(zāi)情信息。

（2）多類型的洪水信息。社交媒體的洪水信息形式類型多樣，包括文本、圖片、視頻等。文本包含求助信息、災(zāi)情、救災(zāi)進展、災(zāi)后恢復(fù)情況等，圖片和視頻涵蓋洪澇災(zāi)害影響范圍、積水點具體位置、洪澇嚴重程度等，帶有地理定位的社交媒體數(shù)據(jù)為應(yīng)急管理者提供了準確的需求信息。此外，社交媒體數(shù)據(jù)來源廣泛，包括公眾、新聞媒體、政府機構(gòu)等多渠道[46]，可以幫助管理者及時制定救災(zāi)策略和恢復(fù)計劃。

（3）洪水信息可視化。將帶有洪水信息的社交媒體數(shù)據(jù)以地圖、圖表等形式可視化呈現(xiàn)，可以直觀地傳達洪澇災(zāi)害的分布和變化趨勢信息。數(shù)據(jù)的可視化可以幫助應(yīng)急管理者更快速地了解洪澇災(zāi)情并制定相應(yīng)的救災(zāi)策略。

3.2 社交媒體數(shù)據(jù)應(yīng)用的挑戰(zhàn)

（1）數(shù)據(jù)質(zhì)量與精度不足。社交媒體數(shù)據(jù)量大但相關(guān)帖文數(shù)量少[64]，且存在位置信息誤差[65]，致使其數(shù)據(jù)質(zhì)量和精度不足。深度學(xué)習(xí)算法提高了從社交媒體數(shù)據(jù)提取信息的準確度，但依然難以控制原始數(shù)據(jù)質(zhì)量[25]。例如由洪澇引發(fā)的通信設(shè)施中斷會影響用戶發(fā)送災(zāi)情相關(guān)微博，或者受災(zāi)者往往在撤離洪澇淹沒區(qū)后發(fā)微博，造成數(shù)據(jù)時間和定位標簽的偏差[29]。

（2）虛假信息大量存在。社交媒體平臺發(fā)布的信息未經(jīng)證實，存在大量的虛假信息。虛假信息往往會影響社交媒體數(shù)據(jù)分析結(jié)果，甚至造成災(zāi)害管理策略的錯誤部署。因此，識別和過濾虛假信息至關(guān)重要，針對謠言開發(fā)檢測模型成了目前研究者的重要關(guān)注點[8]。此外，還需要在數(shù)據(jù)分析階段對分析結(jié)果進行可信度評估，降低虛假信息的潛在影響[10]。

（3）用戶群體受限。社交媒體活躍用戶往往是年輕人，不能代表所有群體。城市往往比鄉(xiāng)村擁有更多的社交媒體使用者，在收入較高的社區(qū)其社交媒體的信息更容易受到關(guān)注，而收入較低的社區(qū)其信息往往受到忽視。此外，年輕人是社交媒體的主要用戶，而年長者較少使用社交媒體。為了更好地理解社交媒體在洪水風(fēng)險管理中的作用和影響，需要考慮社交媒體的用戶差異，并將其納入決策過程中，以確保決策的公平性和全面性。

（4）文化差異影響。文化差異會影響社交媒體用戶對災(zāi)害事件信息的描述，從而導(dǎo)致研究者對社交媒體文本解讀的偏差。此外，文化差異可能導(dǎo)致中英文社交媒體的用戶使用特點不同，需要采用不同的研究方法和策略。目前，社交媒體數(shù)據(jù)研究主要集中在以Twitter 為代表的英文平臺，而對中文社交媒體的研究相對較少。然而，在中國的城市洪澇災(zāi)害事件中，社交媒體發(fā)揮了重要作用，尤其是在災(zāi)害響應(yīng)階段的信息共享和態(tài)勢感知方面。盡管如此，仍然存在一些問題，包括中文社交媒體數(shù)據(jù)的未充分利用及社交媒體活動中民眾和政府之間的雙向溝通不足等[46]。因此，對中文社交媒體的洪水風(fēng)險管理研究值得進一步深入。

4 結(jié)論與展望

社交媒體作為應(yīng)急管理部門的新興數(shù)據(jù)源，近年來受到越來越多的關(guān)注。由于觀測數(shù)據(jù)和遙感數(shù)據(jù)存在一定的滯后性，具有較強實時性和公眾參與性的社交媒體數(shù)據(jù)可以為應(yīng)急管理部門提供更準確的洪澇災(zāi)害時空分布信息，從而進行高效的救災(zāi)部署。本文選取最新的研究成果，綜述了社交媒體洪水信息提取和應(yīng)用的研究進展。

社交媒體數(shù)據(jù)具有豐富的社會感知信息和傳統(tǒng)調(diào)查數(shù)據(jù)無法比擬的大數(shù)據(jù)特征，一定程度上彌補了傳統(tǒng)觀測數(shù)據(jù)全面性、系統(tǒng)性的不足。研究方法上，從單一社交媒體的洪水信息的提取和分析，發(fā)展為多源數(shù)據(jù)與多學(xué)科的融合分析和應(yīng)用，運用以機器學(xué)習(xí)為代表的算法模型優(yōu)化是近期研究的熱點。研究內(nèi)容上，目前多采用帶有定位信息的社交媒體數(shù)據(jù)，初步反映洪澇災(zāi)害的強度和空間分布，或用以輔助修正洪水風(fēng)險分布圖。

社交媒體數(shù)據(jù)的應(yīng)用可以涵蓋洪水風(fēng)險管理的全過程，具體包括災(zāi)前的洪澇監(jiān)測預(yù)警，災(zāi)中的災(zāi)情時空分析、受災(zāi)群眾的情緒與行為分析，以及通過提取文本、圖像和視頻中的災(zāi)損信息，實現(xiàn)精準的災(zāi)后救災(zāi)部署和交通基礎(chǔ)設(shè)施、住房、公共服務(wù)設(shè)施等多方面的災(zāi)害損失評估。通過社交媒體數(shù)據(jù)反映的實時災(zāi)情信息，可以提高災(zāi)情統(tǒng)計結(jié)果的準確度；社交媒體中反映的受災(zāi)群眾情緒與輿情走向，可以用于提高應(yīng)急管理部門的管理效率。

目前，由于多方面原因，我國應(yīng)急管理部門較少采用社交媒體數(shù)據(jù)部署救災(zāi)工作，盡管社交媒體存在地理位置模糊、虛假信息等問題，但仍不可否認社交媒體數(shù)據(jù)能提供大量的社會感知信息，未來研究需要在社交媒體數(shù)據(jù)處理、多源數(shù)據(jù)融合及應(yīng)急管理體系構(gòu)建方面取得突破。