基于微博舆情数据的震后有感范围提取研究
曹彦波++吴艳梅++许瑞杰++张方浩
摘要：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66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。
关键词：微博舆情数据；灾情判定；有感范围提取
中图分类号：P315941文献标识码：A文章编号：1000-0666（2017）02-0303-08
0引言
地震发生后，灾情信息的快速获取、处理、分析和研判是各级党委政府、各级抗震救灾指挥部成员单位部署抗震救灾工作，派遣救援力量、调配救灾物资的关键环节，尤其是震后2 h的黑箱期内，如何快速判定灾区影响范围灾情时空分布、震害规模、强度等是地震应急灾情快速获取及服务的关键（聂高众等，2012）。目前，在震后有感范围确定方面，主要有以下几个途径：一是通过“三网一员”、政府、地震部门应急人员电话、传真，网站灾情填报等方式获取灾情，绘制有感范围图；二是根据烈度衰减模型快速计算生成地震影响场来预估灾区范围和强度（汪素云等，2000；王景来，宋志峰，2001；张方浩等，2016a）；三是基于智能手持采集终端（PDA、12322、IOS/Andrio手机端APP等）获取地震信息，生成有感范围分布图（郑黎辉等，2012；陈维锋，2014；章熙海等，2014）；四是通过网络爬虫在网站上获取灾情信息，通过地址匹配、空间定位解析后插值生成有感范围分布图（帅向华等，2009，2013；胡素平，帅向华，2012；杨天青等，2016）。在实际地震应急中，上述几种途径在信息获取的时效性、获取效率、信息量、空间范围上存在一定的局限性，短时间内都难以全面客观地反应灾区有感范围的强度和分布，“互联网+”时代的来临为我们在震后灾情快速获取方面提供了一种新的解决思路。
根据中国互联网络信息中心（CNNIC）发布的《第38次中国互联网络发展状况统计报告》显示，截至2016年6月，中国网民规模达710亿，互联网普及率为488%，手机网民规模达656亿，微博客用户242亿。从统计数字可以看出，随着移动互联网技术的飞速发展，数量众多的个人成为信息传播的重要载体。相对于手机信令、浮动车、微信等数据，以新浪微博为代表的新兴社交平台具有实时性、互动性、强扩散、空间分布广泛性等特点，微博数据可以在互联网上被免费、公开地获取（廉捷等，2011；刘经南等，2014；仇培元等，2016）。尤其是在破坏性地震发生后数小时内，大量与地震相关的信息发布并广泛传播，汇集形成海量数据，包括用户账号、发布时间、经纬度坐标、博文、图片、微视频、关注热点等，这些数据中包含有地震灾情信息，如震感、人员伤亡、房屋破坏、生命线工程破坏、地震地质灾害等（王松等，2014；何宗宜等，2015；徐敬海等，2015）。通过对这些微博“大数据”进行充分挖掘、分析、表达和应用，能客观地反映灾情时空演变规律，辅助地震灾情快速研判，服务政府应急救援决策。[HJ]
本文根据微博舆情数据特点和传播特性，研究如何利用微博舆情数据分时段提取地震有感范围，并以2014年景谷66级地震为例进行应用检验。
1研究技术框架
当破坏性地震发生后，首先根据地震三要素信息，通过微博API调用、关键字检索、网络爬虫、专业地理抓取等技术手段，实时获取微博用户发布的信息，信息主要来源于新浪、腾讯、网易、人民网等主流网站微博用户，对这些信息进行存储管理，形成结构化的数据库。其次，对微博数据进行解析、去重，提取有效信息，包括微博发布时间、博文内容、图片、空间经纬度坐标等，并对核心博文内容进行中文分词、清洗等挖掘处理，提取与地震灾情相关的特征词，根据相关标准和规则对微博数据与地震烈度判定的描述性信息进行关联匹配，建立微博地震灾情信息分类表。最后，以微博灾情节点为基础进行空间插值，将离散分布的灾情点转化为连续分布的灾情有感范围图，描述灾情时空演变规律，辅助灾情研判。具体研究技术框架如图1所示。
2微博数据获取
微博数据获取方式有网络爬虫技术和调用微博官方API接口两种途径，基于网络爬虫技术获取信息的基本流程是通过设定入口URL地址，按照一定的爬行策略将网页内容保存，并提取网页中有效地址作为下一次爬行的入口URL地址，直到爬行完毕。由于地震灾情信息抽取和空间定位要求，该方式信息获取效率不高，空间地理位置还需通过地名规则、地址匹配技术进行解析获取，另外，多次访问有账号屏蔽风险（廉捷等，2011）。因此，本文以当前用户基数较大的新浪微博为例，注册认证后获取调用新浪微博的API权限，通过调用相关API，解析服务器返回的JSON数据文档获取微博信息，该方式微博信息获取时效性高，数据格式清晰，便于数据的存储和解析。微博数据获取技术流程如图2所示。
[BT（12]3微博数据分析表达
31微博数据分析处理[BT）]
面对海量的微博信息“大数据”，为提高数据挖掘效率和准确率，需对原始数据进行解析、去重，提取微博的发布时间、内容、图片、经纬度坐标等有效信息，并对核心博文内容进行中文分词、清洗等挖掘处理，滤掉一些频繁出现而意义又不大的词，比如“的”“就”“是”“和”等语气助词、副词、介词和连词，提取与地震灾情相关的特征词、热词，对微博灾情信息进行分类和编码，具体流程如图3所示。
对微博信息进行数据挖掘完成后，建立微博與地震灾情信息分类映射是微博灾情可视化表达的关键环节。通过对2014年云南地区70余次地震新浪微博博文内容进行解析，提取主体特征词，从结果分析看，震后与地震相关的内容，主体集中于人的反应、器物反应方面，约占统计的70%以上，房屋破坏、人员伤亡、生命线工程破坏的信息以及地震地质破坏方面的较少。依据《中国地震烈度表》《地震现场工作第3部分——调查规范》等相关标准，将微博信息与地震灾情描述性信息进行关联匹配，建立了微博灾情分类表（表1）（曹彦波等，2010；张方浩等，2016b）。
32微博数据可视化表达
微博数据的空间可视化表达是实现分析灾情时空演变规律的基础，震后获取到的微博灾情数据往往是在地理上分布不规则的离散数据，为了能够更直观地了解地震灾情时空分布特征，需以这些微博数据点为基础进行空间插值。常用的空间插值算法有反距离加权插值法（Inverse Distance to a Power）、克里金插值法（Kriging）、最小曲率插值法（Minimum Curvature）、样条函数插值法、Shepard插值法和自然邻点插值方法（Natural Neighbor Interpolation）等（高洋，张健，2005）。本文将采用自然邻点插值方法来处理高度离散化分布的不规则微博灾情节点，通过插值拟合来描述灾情空间尺度上的变化特征。
由于震区绝大部分微博用户群体是一般公众，个人震感不一，对灾情的描述也有差别，为方便对微博灾情节点进行空间插值，使拟合出来的有感范围更接近实际，基于中国地震局工程力学研究所提出的“等震线长短轴半径与烈度对应经验关系”，计算微博灾情位置距震中的距离，根据距离震中远近对微博数据进行分级赋值，共分7级：1代表有感区，对应烈度表的Ⅳ度区；2代表轻微区，对应Ⅴ度区；3代表轻度区，对应Ⅵ度区；4代表中度区，对应Ⅶ度区；5代表重灾区，对应Ⅷ度区；6代表极重灾区，对应Ⅸ度区；7代表巨灾区，对应Ⅹ度及以上（表2）。
4微博数据应用实践
[KG（0.2mm]2014年10月7日21时49分39秒，云南省普洱市景谷傣族彝族自治县发生66级地震，震中位于（234°N，1005°E），震源深度50 km。这是进入新世纪以来云南省发生的震级最大的一次地震，影响范围广，引起较多的微博用户关注。笔者通过调用新浪API，以本次地震震中位置为中心，150 km为搜索半径，数据采集时段为震后24 h。共获取到1 231条微博信息，经过清洗筛选后剩余281条与本次地震相关的灾情信息，包括人的反应信息178条，器物反应信息56条，房屋破坏信息15条，其他信息26条。发布这些信息的微博用户地理位置上主要分布在普洱市、临沧市、西双版纳州3个州（市）的16個县（区），震中附近区域震感强烈，微博活跃用户群体主要集中在永平镇、距离震中较近的景谷县城威远镇以及人口密集的普洱市主城区（图4）。[KG）]
从灾情数据分类结果来看，在震后24 h内，灾情描述信息以人的反应和器物反应为主，占总信息条数的83%，而房屋破坏、地震地质、生命线破坏等情况描述较少，不到20%，主要因为微博用户群体以一般公众为主，博文的内容主体集中在微博用户自身所处环境的感觉、表情、心情和身边器物反应的描述，对于其他如房屋破坏、地震地质，生命线破坏等比较专业的灾情描述不是很多（图5）。
从震后24 h内的微博灾情数据分时段统计结果看，大量的信息集中在震后2 h，共发布145条，占总条数的50%左右，第一条微博信息发布于2014年10月7日21时56分32秒，也就是震后3 min，发布的内容为“就在1分钟前，地震了，好恐怖[泪]，这个美丽的地方又地震了”，地理位置是（101043 5°N，230588 8°E），距离本次震中64 km（图6）。对获取到的数据进行分析挖掘，提取特征词库，拟合形成了震后10 h灾情演变时空特征分布图（表3，图7）。
来自Ⅵ度区以外的临翔区和思茅区，景谷县城附近震感强烈，周边的景东、墨江、景洪、勐海、孟连、沧源有感，根据该图，可帮助决策部门在较短时间内把握宏观灾情的空间分布和重点救助区域的初步判断。震后1～4 h，随着救援力量、救灾物资的投人，灾区社会秩序逐步恢复，灾民得到救助和转移安置，通信恢复正常，微博粉丝活跃度逐渐增加，信息发布量增多，有感范围增大，但震感较强烈的区域还是在震中附近。震后8 h，随着救援行动的进一步深入，震中永平镇附近也发布有10多条相关的微博灾情信息，灾情进一步明朗，空间分布上主要集中在永平镇和威远镇一带，强有感区边界也较清晰明显。震后10 h，微博灾情有感范围基本与实际地震烈度范围一致。
5结语
“互联网+”时代背景下，微博等新兴社交平台产生的“大数据”信息丰富、多变、复杂，充分挖掘利用这些数据，对震后有感范围提取，灾情快速判定提供了新的研究方法和技术实现途径。本文提出了基于微博舆情数据的震后有感范围快速判定的技术框架，详细论述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《地震现场工作第3部分——调查规范》等规范，将微博主体特征词与地震烈度判定的描述性信息进行关联匹配，建立了微博地震灾情信息分类表，采用自然邻点方法将微博灾情节点通过插值拟合来描述地震有感范围时空变化特征。最后以景谷66级地震为例获取了震后微博灾情数据，对灾情数据进行了分析处理，生成有感范围时空演变图，对于决策部门震后快速把握灾情提供了一种可行和有效的途径。但在实际地震应用中，应将微博拟合结果与衰减模型烈度、仪器烈度、震源机制、破裂过程等信息进行对比分析和综合判定，提供更科学、合理的决策建议。
参考文献：
曹彦波，李永强，胡秀玉2010地震现场灾情信息编码体系研究[J].地震研究，33（3）：344-348
陈维锋，郭红梅，张翼，等2014四川省地震灾情快速上报接收处理系统[J].灾害学，29（2）：116-122
仇培元，陆锋，张恒才，等2016蕴含地理事件微博客消息的自动识别方法[J].地球信息科学学报，18（7）：886-893
高洋，张健2005基于自然邻点插值的数据处理方法[J].中国科学院研究生院学报，22（3）：346-351
何宗宜，苗静，彭将，等2015结合微博数据挖掘的时空特征分析[J].测绘通报，（10）：60-64
胡素平，帅向华2012网络地震灾情信息智能处理模型与地震烈度判定方法研究[J].震灾防御技术，7（4）：420-430
廉捷，周欣，曹伟，等2011新浪微博数据挖掘方案[J].清华大学学报：自然科学版，51（10）：1300-1305
刘经南，方媛，郭迟，等2014位置大数据的分析处理研究进展[J].武汉大学学报：信息科学版，39（4）：379-385
聂高众，安基文，邓砚2012地震应急灾情服务进展[J].地震地质，34（4）：783-789
帅向华，侯建盛，刘钦2009基于地震现场离散点灾情报告的灾害空间分析模拟研究[J].地震地质，31（2）：321-333
帅向华，胡素平，郑向向2013地震灾情网络媒体获取与处理模型研究[J].自然灾害学报，（3）：178-184
汪素云，俞言祥，高阿甲，等2000中国分区地震动衰减关系的确定[J].中国地震，16（2）：99-106
王景来，宋志峰2001地震灾害快速评估模型[J].地震研究，24（2）：162-167
王松，吴亚东，李秋生，等2014基于时空分析的微博演化可视化[J].西南科技大学学报，29（3）：68-75
徐敬海，褚俊秀，聂高众，等2015基于位置微博的地震灾情提取[J].自然灾害学报，24（5）：12-18
杨天青，席楠，张翼，等2016基于离散灾情信息的地震烈度分布快速判定方法研究[J].地震，36（2）：48-59
张方浩，和仕芳，吕佳丽，等2016b基于互联网的地震灾情信息分类编码与初步应用研究[J].地震研究，39（4）：664-671
张方浩，蒋飞蕊，李永强，等2016a云南地区地震烈度评估模型研究[J].中国地震，32（3）：572-583
章熙海，宋法奇，胡晓荣，等2014基于PDA的地震灾情信息流动采集系统的设计与实现[J].地震，34（2）：131-137
郑黎辉，黄声明，林岩钊，等2012基于智能手机的地震灾情快速上报系统的设计与实现[J].国际地震动态，（6）：164-164
摘要：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66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。
关键词：微博舆情数据；灾情判定；有感范围提取
中图分类号：P315941文献标识码：A文章编号：1000-0666（2017）02-0303-08
0引言
地震发生后，灾情信息的快速获取、处理、分析和研判是各级党委政府、各级抗震救灾指挥部成员单位部署抗震救灾工作，派遣救援力量、调配救灾物资的关键环节，尤其是震后2 h的黑箱期内，如何快速判定灾区影响范围灾情时空分布、震害规模、强度等是地震应急灾情快速获取及服务的关键（聂高众等，2012）。目前，在震后有感范围确定方面，主要有以下几个途径：一是通过“三网一员”、政府、地震部门应急人员电话、传真，网站灾情填报等方式获取灾情，绘制有感范围图；二是根据烈度衰减模型快速计算生成地震影响场来预估灾区范围和强度（汪素云等，2000；王景来，宋志峰，2001；张方浩等，2016a）；三是基于智能手持采集终端（PDA、12322、IOS/Andrio手机端APP等）获取地震信息，生成有感范围分布图（郑黎辉等，2012；陈维锋，2014；章熙海等，2014）；四是通过网络爬虫在网站上获取灾情信息，通过地址匹配、空间定位解析后插值生成有感范围分布图（帅向华等，2009，2013；胡素平，帅向华，2012；杨天青等，2016）。在实际地震应急中，上述几种途径在信息获取的时效性、获取效率、信息量、空间范围上存在一定的局限性，短时间内都难以全面客观地反应灾区有感范围的强度和分布，“互联网+”时代的来临为我们在震后灾情快速获取方面提供了一种新的解决思路。
根据中国互联网络信息中心（CNNIC）发布的《第38次中国互联网络发展状况统计报告》显示，截至2016年6月，中国网民规模达710亿，互联网普及率为488%，手机网民规模达656亿，微博客用户242亿。从统计数字可以看出，随着移动互联网技术的飞速发展，数量众多的个人成为信息传播的重要载体。相对于手机信令、浮动车、微信等数据，以新浪微博为代表的新兴社交平台具有实时性、互动性、强扩散、空间分布广泛性等特点，微博数据可以在互联网上被免费、公开地获取（廉捷等，2011；刘经南等，2014；仇培元等，2016）。尤其是在破坏性地震发生后数小时内，大量与地震相关的信息发布并广泛传播，汇集形成海量数据，包括用户账号、发布时间、经纬度坐标、博文、图片、微视频、关注热点等，这些数据中包含有地震灾情信息，如震感、人员伤亡、房屋破坏、生命线工程破坏、地震地质灾害等（王松等，2014；何宗宜等，2015；徐敬海等，2015）。通过对这些微博“大数据”进行充分挖掘、分析、表达和应用，能客观地反映灾情时空演变规律，辅助地震灾情快速研判，服务政府应急救援决策。[HJ]
本文根据微博舆情数据特点和传播特性，研究如何利用微博舆情数据分时段提取地震有感范围，并以2014年景谷66级地震为例进行应用检验。
1研究技术框架
当破坏性地震发生后，首先根据地震三要素信息，通过微博API调用、关键字检索、网络爬虫、专业地理抓取等技术手段，实时获取微博用户发布的信息，信息主要来源于新浪、腾讯、网易、人民网等主流网站微博用户，对这些信息进行存储管理，形成结构化的数据库。其次，对微博数据进行解析、去重，提取有效信息，包括微博发布时间、博文内容、图片、空间经纬度坐标等，并对核心博文内容进行中文分词、清洗等挖掘处理，提取与地震灾情相关的特征词，根据相关标准和规则对微博数据与地震烈度判定的描述性信息进行关联匹配，建立微博地震灾情信息分类表。最后，以微博灾情节点为基础进行空间插值，将离散分布的灾情点转化为连续分布的灾情有感范围图，描述灾情时空演变规律，辅助灾情研判。具体研究技术框架如图1所示。
2微博数据获取
微博数据获取方式有网络爬虫技术和调用微博官方API接口两种途径，基于网络爬虫技术获取信息的基本流程是通过设定入口URL地址，按照一定的爬行策略将网页内容保存，并提取网页中有效地址作为下一次爬行的入口URL地址，直到爬行完毕。由于地震灾情信息抽取和空间定位要求，该方式信息获取效率不高，空间地理位置还需通过地名规则、地址匹配技术进行解析获取，另外，多次访问有账号屏蔽风险（廉捷等，2011）。因此，本文以当前用户基数较大的新浪微博为例，注册认证后获取调用新浪微博的API权限，通过调用相关API，解析服务器返回的JSON数据文档获取微博信息，该方式微博信息获取时效性高，数据格式清晰，便于数据的存储和解析。微博数据获取技术流程如图2所示。
[BT（12]3微博数据分析表达
31微博数据分析处理[BT）]
面对海量的微博信息“大数据”，为提高数据挖掘效率和准确率，需对原始数据进行解析、去重，提取微博的发布时间、内容、图片、经纬度坐标等有效信息，并对核心博文内容进行中文分词、清洗等挖掘处理，滤掉一些频繁出现而意义又不大的词，比如“的”“就”“是”“和”等语气助词、副词、介词和连词，提取与地震灾情相关的特征词、热词，对微博灾情信息进行分类和编码，具体流程如图3所示。
对微博信息进行数据挖掘完成后，建立微博與地震灾情信息分类映射是微博灾情可视化表达的关键环节。通过对2014年云南地区70余次地震新浪微博博文内容进行解析，提取主体特征词，从结果分析看，震后与地震相关的内容，主体集中于人的反应、器物反应方面，约占统计的70%以上，房屋破坏、人员伤亡、生命线工程破坏的信息以及地震地质破坏方面的较少。依据《中国地震烈度表》《地震现场工作第3部分——调查规范》等相关标准，将微博信息与地震灾情描述性信息进行关联匹配，建立了微博灾情分类表（表1）（曹彦波等，2010；张方浩等，2016b）。
32微博数据可视化表达
微博数据的空间可视化表达是实现分析灾情时空演变规律的基础，震后获取到的微博灾情数据往往是在地理上分布不规则的离散数据，为了能够更直观地了解地震灾情时空分布特征，需以这些微博数据点为基础进行空间插值。常用的空间插值算法有反距离加权插值法（Inverse Distance to a Power）、克里金插值法（Kriging）、最小曲率插值法（Minimum Curvature）、样条函数插值法、Shepard插值法和自然邻点插值方法（Natural Neighbor Interpolation）等（高洋，张健，2005）。本文将采用自然邻点插值方法来处理高度离散化分布的不规则微博灾情节点，通过插值拟合来描述灾情空间尺度上的变化特征。
由于震区绝大部分微博用户群体是一般公众，个人震感不一，对灾情的描述也有差别，为方便对微博灾情节点进行空间插值，使拟合出来的有感范围更接近实际，基于中国地震局工程力学研究所提出的“等震线长短轴半径与烈度对应经验关系”，计算微博灾情位置距震中的距离，根据距离震中远近对微博数据进行分级赋值，共分7级：1代表有感区，对应烈度表的Ⅳ度区；2代表轻微区，对应Ⅴ度区；3代表轻度区，对应Ⅵ度区；4代表中度区，对应Ⅶ度区；5代表重灾区，对应Ⅷ度区；6代表极重灾区，对应Ⅸ度区；7代表巨灾区，对应Ⅹ度及以上（表2）。
4微博数据应用实践
[KG（0.2mm]2014年10月7日21时49分39秒，云南省普洱市景谷傣族彝族自治县发生66级地震，震中位于（234°N，1005°E），震源深度50 km。这是进入新世纪以来云南省发生的震级最大的一次地震，影响范围广，引起较多的微博用户关注。笔者通过调用新浪API，以本次地震震中位置为中心，150 km为搜索半径，数据采集时段为震后24 h。共获取到1 231条微博信息，经过清洗筛选后剩余281条与本次地震相关的灾情信息，包括人的反应信息178条，器物反应信息56条，房屋破坏信息15条，其他信息26条。发布这些信息的微博用户地理位置上主要分布在普洱市、临沧市、西双版纳州3个州（市）的16個县（区），震中附近区域震感强烈，微博活跃用户群体主要集中在永平镇、距离震中较近的景谷县城威远镇以及人口密集的普洱市主城区（图4）。[KG）]
从灾情数据分类结果来看，在震后24 h内，灾情描述信息以人的反应和器物反应为主，占总信息条数的83%，而房屋破坏、地震地质、生命线破坏等情况描述较少，不到20%，主要因为微博用户群体以一般公众为主，博文的内容主体集中在微博用户自身所处环境的感觉、表情、心情和身边器物反应的描述，对于其他如房屋破坏、地震地质，生命线破坏等比较专业的灾情描述不是很多（图5）。
从震后24 h内的微博灾情数据分时段统计结果看，大量的信息集中在震后2 h，共发布145条，占总条数的50%左右，第一条微博信息发布于2014年10月7日21时56分32秒，也就是震后3 min，发布的内容为“就在1分钟前，地震了，好恐怖[泪]，这个美丽的地方又地震了”，地理位置是（101043 5°N，230588 8°E），距离本次震中64 km（图6）。对获取到的数据进行分析挖掘，提取特征词库，拟合形成了震后10 h灾情演变时空特征分布图（表3，图7）。
来自Ⅵ度区以外的临翔区和思茅区，景谷县城附近震感强烈，周边的景东、墨江、景洪、勐海、孟连、沧源有感，根据该图，可帮助决策部门在较短时间内把握宏观灾情的空间分布和重点救助区域的初步判断。震后1～4 h，随着救援力量、救灾物资的投人，灾区社会秩序逐步恢复，灾民得到救助和转移安置，通信恢复正常，微博粉丝活跃度逐渐增加，信息发布量增多，有感范围增大，但震感较强烈的区域还是在震中附近。震后8 h，随着救援行动的进一步深入，震中永平镇附近也发布有10多条相关的微博灾情信息，灾情进一步明朗，空间分布上主要集中在永平镇和威远镇一带，强有感区边界也较清晰明显。震后10 h，微博灾情有感范围基本与实际地震烈度范围一致。
5结语
“互联网+”时代背景下，微博等新兴社交平台产生的“大数据”信息丰富、多变、复杂，充分挖掘利用这些数据，对震后有感范围提取，灾情快速判定提供了新的研究方法和技术实现途径。本文提出了基于微博舆情数据的震后有感范围快速判定的技术框架，详细论述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《地震现场工作第3部分——调查规范》等规范，将微博主体特征词与地震烈度判定的描述性信息进行关联匹配，建立了微博地震灾情信息分类表，采用自然邻点方法将微博灾情节点通过插值拟合来描述地震有感范围时空变化特征。最后以景谷66级地震为例获取了震后微博灾情数据，对灾情数据进行了分析处理，生成有感范围时空演变图，对于决策部门震后快速把握灾情提供了一种可行和有效的途径。但在实际地震应用中，应将微博拟合结果与衰减模型烈度、仪器烈度、震源机制、破裂过程等信息进行对比分析和综合判定，提供更科学、合理的决策建议。
参考文献：
曹彦波，李永强，胡秀玉2010地震现场灾情信息编码体系研究[J].地震研究，33（3）：344-348
陈维锋，郭红梅，张翼，等2014四川省地震灾情快速上报接收处理系统[J].灾害学，29（2）：116-122
仇培元，陆锋，张恒才，等2016蕴含地理事件微博客消息的自动识别方法[J].地球信息科学学报，18（7）：886-893
高洋，张健2005基于自然邻点插值的数据处理方法[J].中国科学院研究生院学报，22（3）：346-351
何宗宜，苗静，彭将，等2015结合微博数据挖掘的时空特征分析[J].测绘通报，（10）：60-64
胡素平，帅向华2012网络地震灾情信息智能处理模型与地震烈度判定方法研究[J].震灾防御技术，7（4）：420-430
廉捷，周欣，曹伟，等2011新浪微博数据挖掘方案[J].清华大学学报：自然科学版，51（10）：1300-1305
刘经南，方媛，郭迟，等2014位置大数据的分析处理研究进展[J].武汉大学学报：信息科学版，39（4）：379-385
聂高众，安基文，邓砚2012地震应急灾情服务进展[J].地震地质，34（4）：783-789
帅向华，侯建盛，刘钦2009基于地震现场离散点灾情报告的灾害空间分析模拟研究[J].地震地质，31（2）：321-333
帅向华，胡素平，郑向向2013地震灾情网络媒体获取与处理模型研究[J].自然灾害学报，（3）：178-184
汪素云，俞言祥，高阿甲，等2000中国分区地震动衰减关系的确定[J].中国地震，16（2）：99-106
王景来，宋志峰2001地震灾害快速评估模型[J].地震研究，24（2）：162-167
王松，吴亚东，李秋生，等2014基于时空分析的微博演化可视化[J].西南科技大学学报，29（3）：68-75
徐敬海，褚俊秀，聂高众，等2015基于位置微博的地震灾情提取[J].自然灾害学报，24（5）：12-18
杨天青，席楠，张翼，等2016基于离散灾情信息的地震烈度分布快速判定方法研究[J].地震，36（2）：48-59
张方浩，和仕芳，吕佳丽，等2016b基于互联网的地震灾情信息分类编码与初步应用研究[J].地震研究，39（4）：664-671
张方浩，蒋飞蕊，李永强，等2016a云南地区地震烈度评估模型研究[J].中国地震，32（3）：572-583
章熙海，宋法奇，胡晓荣，等2014基于PDA的地震灾情信息流动采集系统的设计与实现[J].地震，34（2）：131-137
郑黎辉，黄声明，林岩钊，等2012基于智能手机的地震灾情快速上报系统的设计与实现[J].国际地震动态，（6）：164-164
