洪涝灾害灾情分析方法和相关设备

1.本发明涉及洪涝灾害灾情评估与分析技术领域，尤其涉及一种洪涝灾害灾情分析方法和相关设备。


背景技术：

2.近年来，全球气候的异常变化使得暴雨及洪涝灾害发生的频率显著增加，从而造成了大量人员伤亡和财产损失，严重影响着人类社会的可持续发展。随着科学技术的进步，以卫星遥感为代表的对地观测技术在洪涝灾害的灾情监测中发挥出了重要作用。以卫星遥感为代表的对地观测技术监测范围广，且可通过对比灾害前后的成像变化来分析受灾情况，从而为灾情评估和辅助救援提供有效的信息参考。但该技术也存在一定的局限性，比如卫星较长的重访周期，使得很难对受灾区域进行连续监测，卫星遥感更多的是对灾区受灾情况的宏观描述，如确定淹没区范围等，但它很难进一步了解淹没区的受灾情况，也很难具体评价哪些地区受灾害影响最为严重。随着互联网的发展及智能移动设备的普及，以社交媒体为代表的众源数据为减灾带来了新的机遇。与遥感数据相比，社交媒体从受灾体本身的视角对灾情进行详细描述，有效的补充了遥感影像数据。
3.当前，不少研究人员使用社交媒体数据展开减灾研究，包括结合社交媒体数据与遥感影像数据进行灾情评估等。但相关研究并不充分，尤其是对于社交媒体数据空间信息匮乏的问题考虑不足。当洪涝发生时，淹没区的受灾状况往往限制了社交媒体数据的分布，这使得很难获得淹没区的受灾情况，该区域往往没有社交媒体数据存在，从而难以对这些地区进行有效的灾情评估和分析。


技术实现要素：

4.本发明提供一种洪涝灾害灾情分析方法和相关设备，用以至少部分解决上述技术问题。
5.本发明提供一种洪涝灾害灾情分析方法，包括：
6.确定受灾区域，通过设置主题关键词和所述受灾区域内的受灾子区域位置信息，从互联网多源搜索平台获取预设时间范围内的社交媒体数据集，根据所述社交媒体数据集构建社交媒体数据位置指向网络；
7.获取所述受灾区域的遥感影像数据，结合所述社交媒体数据位置指向网络和所述受灾区域的遥感影像数据，分析所述受灾区域内受灾子区域的受灾程度。
8.可选地，所述根据所述社交媒体数据集构建社交媒体数据位置指向网络，包括：
9.基于预先训练的深度学习模型，从所述社交媒体数据集中提取每个社交媒体数据对应的所述受灾子区域位置信息；
10.基于每个所述社交媒体数据对应的所述受灾子区域位置信息，和每个所述社交媒体数据对应的数据获取区域位置信息，得到位置指向关系；
11.基于所述位置指向关系进行建模，构建社交媒体数据位置指向网络。
12.可选地，所述基于每个所述社交媒体数据对应的所述受灾子区域位置信息，和每个所述社交媒体数据对应的数据获取区域位置信息，得到位置指向关系，包括：
13.以所述受灾子区域位置信息为第一类型节点划分标准，根据每个所述社交媒体数据对应的所述受灾子区域位置信息，确定每个所述社交媒体数据对应的第一节点，其中，所述第一类型节点包括多个第一节点；
14.以所述数据获取区域位置信息为第二类型节点划分标准，根据每个所述社交媒体数据对应的数据获取区域位置信息，确定每个所述社交媒体数据对应的第二节点，其中，所述第二类型节点包括多个第二节点；
15.根据每个所述社交媒体数据对应的第一节点和每个所述社交媒体数据对应的第二节点，确定与所述第一节点有指向关联的至少一个所述第二节点，并建立第一节点和第二节点间的位置指向关系，其中，所述第一节点为被指向节点。
16.可选地，所述对所述位置指向关系进行建模，构建社交媒体数据位置指向网络，包括：
17.根据所述第一节点和第二节点间的位置指向关系，确定所述第一节点和第二节点间的指向边对应的权重；
18.根据每个所述社交媒体数据对应的所述受灾子区域位置信息，得到每个所述第二节点包括的社交媒体数据的数量，确定每个所述第二节点的权重度；
19.根据所述与第一节点有指向关联的至少一个所述第二节点，和所述第一节点和第二节点间的指向边对应的权重，确定所述第一节点的权重度；
20.根据所述第一节点和第二节点间的指向边对应的权重、所述第一节点的权重度和所述第二节点的权重度，构建社交媒体数据位置指向网络。
21.可选地，所述获取所述受灾区域的遥感影像数据，结合所述社交媒体数据位置指向网络和所述受灾区域的遥感影像数据，分析所述受灾区域内受灾城市的受灾程度，包括：
22.获取所述受灾区域的遥感影像数据，结合所述社交媒体数据位置指向网络和所述受灾区域的遥感影像数据，通过空间叠加分析所述受灾区域内受灾子区域的受灾程度。
23.可选地，所述方法还包括：
24.根据所述社交媒体数据位置指向网络和所述受灾区域内的受灾子区域位置信息，确定指向受灾区域内的受灾子区域的社交媒体数据子集；
25.对所述指向受灾区域内的受灾子区域的社交媒体数据子集进行分析，得到受灾区域内的受灾子区域在多个时间范围分别对应的专题关键词；
26.根据所述受灾区域内的受灾子区域在多个时间范围分别对应的专题关键词，得到受灾区域内的受灾子区域在多个时间范围分别对应的受灾情况。
27.本发明还提供一种洪涝灾害灾情分析装置，包括：
28.构建模块，用于确定受灾区域，通过设置主题关键词和所述受灾区域内的受灾子区域位置信息，从互联网多源搜索平台获取预设时间范围内的社交媒体数据集，根据所述社交媒体数据集构建社交媒体数据位置指向网络；
29.分析模块，用于获取所述受灾区域的遥感影像数据，结合所述社交媒体数据位置指向网络和所述受灾区域的遥感影像数据，分析所述受灾区域内受灾子区域的受灾程度。
30.可选地，所述构建模块包括：
31.提取子模块，用于基于预先训练的深度学习模型，从所述社交媒体数据集中提取每个社交媒体数据对应的所述受灾子区域位置信息；
32.第一构建子模块：用于基于每个所述社交媒体数据对应的所述受灾子区域位置信息，和每个所述社交媒体数据对应的数据获取区域位置信息，得到位置指向关系；
33.第二构建子模块，用于基于所述位置指向关系进行建模，构建社交媒体数据位置指向网络。
34.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述洪涝灾害灾情分析方法。
35.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述洪涝灾害灾情分析方法。
36.本发明提供的洪涝灾害灾情分析方法和相关设备，通过获取社交媒体数据构建社交媒体数据位置指向网络，通过结合社交媒体数据位置指向网络和受灾区域的遥感影像数据，能对受灾区域内受灾子区域的受灾程度进行详细的评估和分析，而且能对受灾区域内受灾子区域的受灾情况进行连续的监测。
附图说明
37.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
38.图1是本发明提供的洪涝灾害灾情分析方法的流程示意图之一；
39.图2是本发明提供的社交媒体数据位置指向网络的结构图；
40.图3是本发明提供的融合社交媒体数据位置指向网络的洪涝灾情分析示意图；
41.图4是本发明提供的融合社交媒体数据的受灾区域连续灾情监测示意图；
42.图5是本发明提供的洪涝灾害灾情分析方法的流程示意图之二；
43.图6是本发明提供的洪涝灾害灾情分析装置的结构示意图；
44.图7是本发明提供的电子设备的结构示意图。
具体实施方式
45.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
46.图1是本发明提供的洪涝灾害灾情分析方法的流程示意图之一，如图1所示，本发明提供一种洪涝灾害灾情分析方法，包括步骤110和步骤120：
47.步骤110、确定受灾区域，通过设置主题关键词和所述受灾区域内的受灾子区域位置信息，从互联网多源搜索平台获取预设时间范围内的社交媒体数据集，根据所述社交媒体数据集构建社交媒体数据位置指向网络。
48.本发明实施例，在发生洪涝灾害的情况下，确定受洪涝灾害的受灾区域，根据受灾区域，可以确定受灾区域内受灾子区域的详细位置信息。
49.需要说明的是，根据受灾区域，可以确定多个受灾子区域位置信息，受灾子区域位置信息可以根据实际的受灾区域的位置信息进行设置，本发明在此不做限定。
50.受灾子区域位置信息，可以是受灾地域名，也可以是受灾城市名。
51.通过设置主题关键词和受灾区域内的受灾子区域位置信息，采用“受灾子区域位置信息 洪涝相关主题关键词”的搜索方式，能准确的从互联网多源搜索平台获取与受灾区域内受灾子区域相关的社交媒体数据。
52.例如，以受灾区域内受灾子区域对应的地域名作为受灾城市位置信息，联合“洪涝”、“暴雨”等洪涝相关主题关键词，从包括新浪微博、微信公众号等互联网多源搜索平台进行搜索，并获取包括受灾子区域对应的地域名和主题关键词的社交媒体数据。
53.从互联网多源搜索平台获取预设时间范围内的社交媒体数据集，预设时间范围可以是所选受灾区域受灾害影响较为严重的时间段，通过预设时间范围，获取预设时间范围内的社交媒体数据集，可以对预设时间范围内的受灾区域的受灾情况进行持续的分析。
54.基于深度学习的方法或者自然语言处理的方法，对获取得到的社交媒体数据集进行分析，得到社交媒体数据集中各社交媒体数据对应的受灾子区域位置信息和获取社交媒体数据时社交媒体数据自带的地理位置信息，以社交媒体数据对应的受灾子区域位置信息为被指向节点，以获取社交媒体数据时社交媒体数据自带的地理位置信息为指向节点，构建社交媒体数据位置指向网络。
55.在本发明提供的实施例中，通过提取社交媒体数据中的受灾子区域位置信息和社交媒体数据自带的地理位置信息，有效解决了社交媒体数据本身地理位置信息匮乏的缺点，并且结合复杂网络的构建方法，对社交媒体数据中的受灾子区域位置信息和社交媒体数据自带的地理位置信息的指向关系进行建模，从而构建社交媒体数据位置指向网络，从公众观测的视角量化受灾区域内不同受灾子区域的受关注程度，从而反应不同地区的受灾程度。
56.步骤120、获取所述受灾区域的遥感影像数据，结合所述社交媒体数据位置指向网络和所述受灾区域的遥感影像数据，分析所述受灾区域内受灾子区域的受灾程度。
57.本发明实施例，获取受灾区域的遥感影像数据，基于淹没区提取方法得到受灾区域内洪涝淹没区的分布情况。
58.根据受灾区域的遥感影像数据，得到受灾区域内洪涝淹没区的宏观灾情信息，结合社交媒体数据位置指向网络，从公众的视角详细反映受灾的局部细节，分析受灾区域内受灾子区域的受灾程度，对受灾区域内受灾子区域的受灾情况进行灾害的持续观测。
59.本发明提供的洪涝灾害灾情分析方法和相关设备，通过获取社交媒体数据构建社交媒体数据位置指向网络，通过结合社交媒体数据位置指向网络和受灾区域的遥感影像数据，能对受灾区域内受灾子区域的受灾程度进行详细的评估和分析，而且能对受灾区域内受灾子区域的受灾情况进行连续的监测。
60.可选地，所述根据所述社交媒体数据集构建社交媒体数据位置指向网络，包括：
61.基于预先训练的深度学习模型，从所述社交媒体数据集中提取每个社交媒体数据对应的所述受灾子区域位置信息；
62.基于每个所述社交媒体数据对应的所述受灾子区域位置信息，和每个所述社交媒体数据对应的数据获取区域位置信息，得到位置指向关系；
63.基于所述位置指向关系进行建模，构建社交媒体数据位置指向网络。
64.本发明实施例，通过预先训练好的深度学习模型，对社交媒体数据中包括的受灾子区域位置信息进行自动化打标，从而形成社交媒体数据对应的被指向地理位置节点，得到每个社交媒体数据对应的所述受灾子区域位置信息。
65.根据社交媒体数据自带的地理位置信息，得到每个社交媒体数据对应的数据获取区域位置信息，得到社交媒体数据对应的指向地理位置节点。
66.数据获取区域位置信息，可以是数据获取地域名，也可以是数据获取城市名。
67.以每个社交媒体数据对应的数据获取区域位置信息为社交媒体数据对应的指向地理位置节点，以每个社交媒体数据对应的所述受灾子区域位置信息为社交媒体数据对应的被指向地理位置节点，得到节点间的位置指向关系。
68.例如，社交媒体数据对应的被指向地理位置为gc，社交媒体数据对应的指向地理位置go，gc和go作为社交媒体数据对应的被指向地理位置节点vc和社交媒体数据对应的指向地理位置节点vo的实际地理位置属性，节点间通过位置指向建立联系，指向关系为：vo→vc
。
69.根据节点间的位置指向关系进行建模，获取节点的权重和节点间指向边的权重，根据节点间的位置指向关系，以及节点的权重和节点间指向边的权重，构建社交媒体数据位置指向网络。
70.可选地，所述基于每个所述社交媒体数据对应的所述受灾子区域位置信息，和每个所述社交媒体数据对应的数据获取区域位置信息，得到位置指向关系，包括：
71.以所述受灾子区域位置信息为第一类型节点划分标准，根据每个所述社交媒体数据对应的所述受灾子区域位置信息，确定每个所述社交媒体数据对应的第一节点，其中，所述第一类型节点包括多个第一节点；
72.以所述数据获取区域位置信息为第二类型节点划分标准，根据每个所述社交媒体数据对应的数据获取区域位置信息，确定每个所述社交媒体数据对应的第二节点，其中，所述第二类型节点包括多个第二节点；
73.根据每个所述社交媒体数据对应的第一节点和每个所述社交媒体数据对应的第二节点，确定与所述第一节点有指向关联的至少一个所述第二节点，并建立第一节点和第二节点间的位置指向关系，其中，所述第一节点为被指向节点。
74.本发明实施例，将受灾子区域位置信息作为第一类型节点划分的标准，根据每个社交媒体数据对应的受灾子区域位置信息，确定社交媒体数据集包括的受灾子区域位置信息集合，以受灾城市位置信息集合中的受灾子区域位置信息为第一类型节点，第一类型节点包括多个第一节点，每一第一节点对应一个受灾子区域位置信息，确定每个社交媒体数据对应的第一节点。
75.例如，将社交媒体数据对应的受灾子区域作为第一类型节点划分的标准，从社交媒体数据集的社交媒体数据中提取受灾地域名，每一受灾地域名对应多个社交媒体数据，以受灾地域名为第一节点，根据每个社交媒体数据对应的受灾地域名，确定每个社交媒体数据对应的第一节点。
76.将社交媒体数据的数据获取区域位置信息为第二类型节点划分标准，根据每个社交媒体数据对应的数据获取区域位置信息，确定社交媒体数据集包括的数据获取区域位置信息集合，以数据获取区域位置信息集合中的数据获取区域位置信息为第二类型节点，第二类型节点包括多个第二节点，每一第二节点对应一个数据获取区域位置信息，确定每个社交媒体数据对应的第二节点。
77.例如，从社交媒体数据自带的地理位置信息中，以发布每一社交媒体数据的发布地区域名，作为社交媒体数据的数据获取区域位置信息，从社交媒体数据集的社交媒体数据中提取每一社交媒体数据的发布地区域名，每一发布地区域包括多个社交媒体数据，以社交媒体的发布地区域名为第二节点，根据每个社交媒体数据对应的发布地区域名，确定每个社交媒体数据对应的第二节点。
78.获取社交媒体数据集中每个社交媒体数据对应的第一节点和第二节点，以第一节点为被指向节点，第二节点为指向节点，根据每一社交媒体数据对应的第一节点和第二节点，建立节点间的指向关系，由于第一节点对应多个社交媒体数据，第二节点包括多个社交媒体数据，故与第一节点有指向关联的第二节点至少存在一个。
79.需要说明的是，每一条社交媒体数据，都能确定第一节点和第二节点间的指向关系，即每一社交媒体数据都标识社交媒体数据对应的第一节点和第二节点之间的指向关系。
80.可选地，所述对所述位置指向关系进行建模，构建社交媒体数据位置指向网络，包括：
81.根据所述第一节点和第二节点间的位置指向关系，确定所述第一节点和第二节点间的指向边对应的权重；
82.根据每个所述社交媒体数据对应的所述受灾子区域位置信息，得到每个所述第二节点包括的社交媒体数据的数量，确定每个所述第二节点的权重度；
83.根据所述与第一节点有指向关联的至少一个所述第二节点，和所述第一节点和第二节点间的指向边对应的权重，确定所述第一节点的权重度；
84.根据所述第一节点和第二节点间的指向边对应的权重、所述第一节点的权重度和所述第二节点的权重度，构建社交媒体数据位置指向网络。
85.本发明实施例，根据第一节点和第二节点间的位置指向关系，构建可量化的节点间的关联关系，根据从第二节点指向第一节点的社交媒体数据的数量，确定第一节点和第二节点间的指向边对应的权重。
86.例如，节点之间指向边对应的权重为w
o_c
，其表达公式如下：
[0087][0088]
其中，n
o_c
为从第二节点vo指向第一节点vc的社交媒体数据的数量，n为社交媒体数据集中社交媒体数据的总数量。
[0089]
根据每个社交媒体数据对应的受灾子区域位置信息，构建可量化节点的大小表示指标，得到每个社交媒体数据对应的第二节点，进而得到每个第二节点包括的社交媒体数据的数量，确定每个第二节点的权重度。
[0090]
根据与第一节点有指向关联的至少一个第二节点，以及第一节点和第二节点间的
指向边对应的权重，确定第一节点的权重度。
[0091]
例如，权重度的求取公式如下：
[0092][0093][0094]
其中，do为第二节点vo的权重度，n
o_o
表示从社交媒体数据对应的指向地理位置go处获取到的社交媒体数据的数量，dc为第一节点vc的权重度，为指向第一节点vc的所有指向边对应的权重之和，i为数据获取区域位置信息集中数据获取区域位置信息对应的索引。
[0095]
根据第一节点和第二节点间的指向边对应的权重、第一节点的权重度和第二节点的权重度，构建社交媒体数据位置指向网络。
[0096]
需要说明的是，第一节点和第二节点间的指向边对应的权重，决定着在社交媒体数据位置指向网络中，第一节点和第二节点之间的指向边的线条的粗细程度，指向边对应的权重越大，指向边在社交媒体数据位置指向网络中使的线条越粗。
[0097]
第一节点和第二节点的权重度的大小，决定着在社交媒体数据位置指向网络中，第一节点和第二节点的节点标识的大小，节点的权重度越大，节点在社交媒体数据位置指向网络中对应的标识越大。
[0098]
图2是本发明提供的社交媒体数据位置指向网络的结构图，如图2所示，节点的权重度越大，节点对应的节点标识也越大，图中圆形标识为第二节点，方形标识为第一节点。第二节点的权重度越大，表示第二节点包含的社交媒体数据越多，表明该地区公众活跃度越高。第一节点的权重度越大，表明第一节点越受公众的关注，从侧面表明该区域的灾情越严重。节点间的指向边的权重越大，则节点间的连线越粗，表明节点间的联系越密切，也表明第一节点所受到的关注的空间分布及大小。
[0099]
可选地，所述获取所述受灾区域的遥感影像数据，结合所述社交媒体数据位置指向网络和所述受灾区域的遥感影像数据，分析所述受灾区域内受灾城市的受灾程度，包括：
[0100]
获取所述受灾区域的遥感影像数据，结合所述社交媒体数据位置指向网络和所述受灾区域的遥感影像数据，通过空间叠加分析所述受灾区域内受灾子区域的受灾程度。
[0101]
本发明实施例，获取受灾区域的遥感影像数据，根据受灾区域的遥感影像数据，结合社交媒体数据位置指向网络，分析受灾区域内受灾子区域的受灾程度。
[0102]
通过地理信息系统(geographicalinformationsystem,gis)的空间叠加技术，将社交媒体数据位置指向网络和受灾区域的遥感影像数据进行空间叠加，进而分析受灾区域内受灾子区域的受灾程度。
[0103]
在本发明实施例中，通过gis的空间叠加技术，将受灾区域的遥感影像数据和社交媒体数据位置指向网络相结合，不仅能直观的展现受灾区域内受灾子区域的受灾情况，而且能从公众的视角反映受灾的局部细节，能更好的对受灾区域的受灾程度进行评估和分析。
[0104]
图3是本发明提供的融合社交媒体数据位置指向网络的洪涝灾情分析示意图，如图3所示，将社交媒体数据位置指向网络与从遥感影像数据中提取的洪涝淹没区提取信息相结合，遥感影像数据反映了受灾区域的宏观受灾情况。在图3中，社交媒体数据的数据获
取区域使用圆形标识，受洪涝灾害影响，使得淹没区附近很少出现社交媒体数据，也体现了传统的基于社交媒体数据的自身上传位置来挖掘洪涝灾情的方法的局限性。社交媒体数据指向的受灾子区域使用方形标识，使用方形标识过的受灾子区域是公众最关注的地区。在图3中，框选子区域1到框选子区域7，结合遥感影像数据可知，这些框选子区域都有较为显著的淹没区，且公众对这些框选子区域的关注程度较高，表明这些框选子区域的受灾程度较为严重，引起了公众的广泛关注。
[0105]
可选地，所述方法还包括：
[0106]
根据所述社交媒体数据位置指向网络和所述受灾区域内的受灾子区域位置信息，确定指向受灾区域内的受灾子区域的社交媒体数据子集；
[0107]
对所述指向受灾区域内的受灾子区域的社交媒体数据子集进行分析，得到受灾区域内的受灾子区域在多个时间范围分别对应的专题关键词；
[0108]
根据所述受灾区域内的受灾子区域在多个时间范围分别对应的专题关键词，得到受灾区域内的受灾子区域在多个时间范围分别对应的受灾情况。
[0109]
本发明实施例，选取受洪涝灾害影响严重的受灾子区域，根据社交媒体数据位置指向网络，获取指向受洪涝灾害影响严重的受灾子区域的社交媒体数据子集。
[0110]
将社交媒体数据子集按照时间范围进行划分，得到社交媒体数据时间划分子集，对每一社交媒体数据时间划分子集进行数据处理，得到受灾区域内的受灾子区域在多个时间范围分别对应的专题关键词。
[0111]
对受灾区域内的受灾子区域在多个时间范围分别对应的专题关键词进行分析，得到受灾区域内的受灾子区域在多个时间范围分别对应的受灾情况。
[0112]
图4是本发明提供的融合社交媒体数据的受灾区域连续灾情监测示意图，如图4所示，7月22日，受灾城市受灾情况严重，相关部门已开展救援，专题关键词“挖掘机”、“抢险”、“决堤”、“险情”等描述了当前灾情的具体状况和救援情形；7月23日至7月25日，专题关键词“负伤”、“生命”、“抗洪”、“昏迷”等表明了当前减灾救援工作的艰辛，同时“脱离”、“好转”、“转移”等专题关键词也表明了当前救援的成效；7月26日至7月27日，专题关键词“牺牲”、“搜救”等表明在减灾中救援人员的具体伤亡情况，专题关键词“英雄”、“英勇”表明了公众对于救灾工作的满意度和对救援人员的感激。
[0113]
在本发明实施例中，通过对不同时间范围内的社交媒体数据进行数据处理和分析，得到受灾区域内的受灾子区域在多个时间范围分别对应的专题关键词和受灾区域内的受灾子区域在多个时间范围分别对应的受灾情况，能在设定的时间范围内，连续的对受灾区域内受灾子区域的灾情进行分析。
[0114]
图5是本发明提供的洪涝灾害灾情分析方法的流程示意图之二，如图5所示，本发明另一实施例，根据受灾子区域位置信息，联合“洪涝”和“暴雨”等主体关键词，作为搜索的关键词条件，从互联网多源搜索平台获取社交媒体数据集。
[0115]
基于深度学习模型或者自然语言处理方法，对获取到的社交媒体数据集中的社交媒体数据进行去重和结构化，提取社交媒体数据的发布时间、发布地位置标签和文本内容，并将分析得到的社交媒体数据的发布时间、位置标签和文本内容进行数据存储。
[0116]
基于每个社交媒体数据对应的位置标签，得到每个社交媒体数据对应的数据获取区域位置信息；基于每个社交媒体数据对应的文本内容，进行深度学习，得到每个社交媒体
数据对应的受灾子区域位置信息。
[0117]
根据每个社交媒体数据对应的数据获取区域位置信息和每个社交媒体数据对应的受灾子区域位置信息，构建节点间的地理位置指向关系。
[0118]
根据节点间的地理位置指向关系，计算节点的权重度，即节点度，计算节点间指向边对应的权重，即边权重，并根据节点间的地理位置指向关系、节点的权重度和节点间指向边对应的权重，得到社交媒体数据位置指向网络。
[0119]
获取受灾区域的遥感影像数据，基于淹没区提取方法，得到淹没区提取数据，将遥感影像数据的淹没区提取数据和社交媒体数据位置指向网络进行空间叠加。
[0120]
根据遥感影像数据的淹没区提取数据和社交媒体数据位置指向网络的空间叠加结果，对受灾区域的受灾程度进行分析，得到受灾区域受灾程度的分析结果。
[0121]
对不同时间范围内的社交媒体数据进行数据处理，得到受灾区域内的受灾子区域在多个时间范围分别对应的专题关键词，对受灾区域的受灾情况进行连续的分析。
[0122]
图6是本发明提供的洪涝灾害灾情分析装置的结构示意图，如图6所示，本发明提供的洪涝灾害灾情分析装置，包括：
[0123]
构建模块610，用于确定受灾区域，通过设置主题关键词和所述受灾区域内的受灾子区域位置信息，从互联网多源搜索平台获取预设时间范围内的社交媒体数据集，根据所述社交媒体数据集构建社交媒体数据位置指向网络；
[0124]
分析模块620，用于获取所述受灾区域的遥感影像数据，结合所述社交媒体数据位置指向网络和所述受灾区域的遥感影像数据，分析所述受灾区域内受灾子区域的受灾程度。
[0125]
可选地，所述构建模块包括：
[0126]
提取子模块，用于基于预先训练的深度学习模型，从所述社交媒体数据集中提取每个社交媒体数据对应的所述受灾子区域位置信息；
[0127]
第一构建子模块：用于基于每个所述社交媒体数据对应的所述受灾子区域位置信息，和每个所述社交媒体数据对应的数据获取区域位置信息，得到位置指向关系；
[0128]
第二构建子模块，用于基于所述位置指向关系进行建模，构建社交媒体数据位置指向网络。
[0129]
可选地，所述第一构建子模块，具体用于：
[0130]
以所述受灾子区域位置信息为第一类型节点划分标准，根据每个所述社交媒体数据对应的所述受灾子区域位置信息，确定每个所述社交媒体数据对应的第一节点，其中，所述第一类型节点包括多个第一节点；
[0131]
以所述数据获取区域位置信息为第二类型节点划分标准，根据每个所述社交媒体数据对应的数据获取区域位置信息，确定每个所述社交媒体数据对应的第二节点，其中，所述第二类型节点包括多个第二节点；
[0132]
根据每个所述社交媒体数据对应的第一节点和每个所述社交媒体数据对应的第二节点，确定与所述第一节点有指向关联的至少一个所述第二节点，并建立第一节点和第二节点间的位置指向关系，其中，所述第一节点为被指向节点。
[0133]
可选地，所述对所述位置指向关系进行建模，构建社交媒体数据位置指向网络，包括：
[0134]
根据所述第一节点和第二节点间的位置指向关系，确定所述第一节点和第二节点间的指向边对应的权重；
[0135]
根据每个所述社交媒体数据对应的所述受灾城市位置信息，得到每个所述第二节点包括的社交媒体数据的数量，确定每个所述第二节点的权重度；
[0136]
根据所述与第一节点有指向关联的至少一个所述第二节点，和所述第一节点和第二节点间的指向边对应的权重，确定所述第一节点的权重度；
[0137]
根据所述第一节点和第二节点间的指向边对应的权重、所述第一节点的权重度和所述第二节点的权重度，构建社交媒体数据位置指向网络。
[0138]
可选地，所述分析模块620，具体用于：
[0139]
获取所述受灾区域的遥感影像数据，结合所述社交媒体数据位置指向网络和所述受灾区域的遥感影像数据，通过空间叠加分析所述受灾区域内受灾子区域的受灾程度。
[0140]
可选地，所述装置还包括持续分析模块，用于
[0141]
根据所述社交媒体数据位置指向网络和所述受灾区域内的受灾子区域位置信息，确定指向受灾区域内的受灾子区域的社交媒体数据子集；
[0142]
对所述指向受灾区域内的受灾子区域的社交媒体数据子集进行分析，得到受灾区域内的受灾子区域在多个时间范围分别对应的专题关键词；
[0143]
根据所述受灾区域内的受灾子区域在多个时间范围分别对应的专题关键词，得到受灾区域内的受灾子区域在多个时间范围分别对应的受灾情况。
[0144]
在此需要说明的是，本发明实施例提供的上述洪涝灾害灾情分析装置，能够实现上述洪涝灾害灾情分析方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再赘述。
[0145]
本发明提供的洪涝灾害灾情分析装置，通过获取社交媒体数据构建社交媒体数据位置指向网络，通过结合社交媒体数据位置指向网络和受灾区域的遥感影像数据，能对受灾区域内受灾子区域的受灾程度进行详细的评估和分析，而且能对受灾区域内受灾子区域的受灾情况进行连续的监测。
[0146]
图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(communications interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行洪涝灾害灾情分析方法，该方法包括：确定受灾区域，通过设置主题关键词和所述受灾区域内的受灾子区域位置信息，从互联网多源搜索平台获取预设时间范围内的社交媒体数据集，根据所述社交媒体数据集构建社交媒体数据位置指向网络；获取所述受灾区域的遥感影像数据，结合所述社交媒体数据位置指向网络和所述受灾区域的遥感影像数据，分析所述受灾区域内受灾子区域的受灾程度。
[0147]
此外，上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施
例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0148]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的洪涝灾害灾情分析方法，该方法包括：确定受灾区域，通过设置主题关键词和所述受灾区域内的受灾子区域位置信息，从互联网多源搜索平台获取预设时间范围内的社交媒体数据集，根据所述社交媒体数据集构建社交媒体数据位置指向网络；获取所述受灾区域的遥感影像数据，结合所述社交媒体数据位置指向网络和所述受灾区域的遥感影像数据，分析所述受灾区域内受灾子区域的受灾程度。
[0149]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的洪涝灾害灾情分析方法，该方法包括：确定受灾区域，通过设置主题关键词和所述受灾区域内的受灾子区域位置信息，从互联网多源搜索平台获取预设时间范围内的社交媒体数据集，根据所述社交媒体数据集构建社交媒体数据位置指向网络；获取所述受灾区域的遥感影像数据，结合所述社交媒体数据位置指向网络和所述受灾区域的遥感影像数据，分析所述受灾区域内受灾子区域的受灾程度。
[0150]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0151]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0152]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。