结合台风属性数据和多标签分类方法,以BERT-BiLSTM(Bidirectional Encoder Representations from Transformers-Bidirectional Long Short-Term Memory)为分类模型,提出基于微博文本与深度学习的台风灾情识别方法,对2010—2019年登陆广...结合台风属性数据和多标签分类方法,以BERT-BiLSTM(Bidirectional Encoder Representations from Transformers-Bidirectional Long Short-Term Memory)为分类模型,提出基于微博文本与深度学习的台风灾情识别方法,对2010—2019年登陆广东省的强台风/超强台风灾情进行识别,在粗分类获取台风灾情相关微博文本的基础上,进一步细分类为交通影响、社会影响、电力影响、林业影响和内涝积水等5类灾情。结果表明:1)提出的台风灾情识别方法粗分类和细分类精度分别达到0.907和0.814;2)强台风/超强台风的灾情占比受台风强度、路径和受灾地区发展水平等因素影响而存在差异;3)台风登陆前,灾情主要为台风预防措施导致的交通影响和社会影响。台风登陆后,灾情表现出单峰和双峰特征,反映台风灾情的变化趋势和特点。展开更多
文摘结合台风属性数据和多标签分类方法,以BERT-BiLSTM(Bidirectional Encoder Representations from Transformers-Bidirectional Long Short-Term Memory)为分类模型,提出基于微博文本与深度学习的台风灾情识别方法,对2010—2019年登陆广东省的强台风/超强台风灾情进行识别,在粗分类获取台风灾情相关微博文本的基础上,进一步细分类为交通影响、社会影响、电力影响、林业影响和内涝积水等5类灾情。结果表明:1)提出的台风灾情识别方法粗分类和细分类精度分别达到0.907和0.814;2)强台风/超强台风的灾情占比受台风强度、路径和受灾地区发展水平等因素影响而存在差异;3)台风登陆前,灾情主要为台风预防措施导致的交通影响和社会影响。台风登陆后,灾情表现出单峰和双峰特征,反映台风灾情的变化趋势和特点。
