为分析“暴雨-山洪-地质灾害”的灾变特点,利用自动化抓取技术提取了2010—2022年国内权威新闻媒体对长江中上游区域的暴雨、山洪、滑坡、泥石流等灾害的报道数据。基于自然语言处理(Natural Language Processing, NLP)技术和机器学习方...为分析“暴雨-山洪-地质灾害”的灾变特点,利用自动化抓取技术提取了2010—2022年国内权威新闻媒体对长江中上游区域的暴雨、山洪、滑坡、泥石流等灾害的报道数据。基于自然语言处理(Natural Language Processing, NLP)技术和机器学习方法,对新闻文本进行了预处理与数据清洗,实现了灾害信息的自动分类。进而,采用贝叶斯网络模型构建了灾害链的拓扑结构,推演了灾害演化过程中的各节点概率,揭示了“暴雨-山洪-地质灾害”链的情景演化规律。最后,以四川省凉山州冕宁县2020年的灾害事件为例,预测了“暴雨-山洪-地质灾害”网络中各情景节点概率,验证了贝叶斯网络模型的可靠性。结果表明,构建的“暴雨-山洪-地质灾害”的贝叶斯网络模型在山洪、泥石流、滑坡、人员伤亡、房屋倒塌等目标变量预测中,预测结果与实际数据基本一致,各目标变量的Brier检验平均结果为0.115。研究结论为“暴雨-山洪-地质灾害”的预测和情景演化分析提供了方法支撑。展开更多
文摘为分析“暴雨-山洪-地质灾害”的灾变特点,利用自动化抓取技术提取了2010—2022年国内权威新闻媒体对长江中上游区域的暴雨、山洪、滑坡、泥石流等灾害的报道数据。基于自然语言处理(Natural Language Processing, NLP)技术和机器学习方法,对新闻文本进行了预处理与数据清洗,实现了灾害信息的自动分类。进而,采用贝叶斯网络模型构建了灾害链的拓扑结构,推演了灾害演化过程中的各节点概率,揭示了“暴雨-山洪-地质灾害”链的情景演化规律。最后,以四川省凉山州冕宁县2020年的灾害事件为例,预测了“暴雨-山洪-地质灾害”网络中各情景节点概率,验证了贝叶斯网络模型的可靠性。结果表明,构建的“暴雨-山洪-地质灾害”的贝叶斯网络模型在山洪、泥石流、滑坡、人员伤亡、房屋倒塌等目标变量预测中,预测结果与实际数据基本一致,各目标变量的Brier检验平均结果为0.115。研究结论为“暴雨-山洪-地质灾害”的预测和情景演化分析提供了方法支撑。
