CN111239812A - 基于社交媒体大数据和机器学习的地震烈度快速评估方法 - Google Patents
基于社交媒体大数据和机器学习的地震烈度快速评估方法 Download PDFInfo
- Publication number
- CN111239812A CN111239812A CN201910413367.9A CN201910413367A CN111239812A CN 111239812 A CN111239812 A CN 111239812A CN 201910413367 A CN201910413367 A CN 201910413367A CN 111239812 A CN111239812 A CN 111239812A
- Authority
- CN
- China
- Prior art keywords
- intensity
- earthquake
- social media
- machine learning
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 41
- 238000010801 machine learning Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000013210 evaluation model Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 37
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 29
- 230000008451 emotion Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000005192 partition Methods 0.000 claims description 6
- 230000001066 destructive effect Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 abstract description 4
- 230000006378 damage Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000002996 emotional effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000499895 Bloomeria Species 0.000 description 1
- 229920000459 Nitrile rubber Polymers 0.000 description 1
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/282—Application of seismic models, synthetic seismograms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请公开了一种基于社交媒体大数据和机器学习的地震烈度快速评估方法，目的是为了更加高效迅速地开展烈度快速评估，为地震应急指挥与决策服务。采用的技术方案包括通过机器学习中的人工神经网络方法建立了基于社交媒体数据的地震烈度快速评估模型，对于震后的灾情快速获取和烈度快速评估具有重要的应用价值。本发明能够为震后极震区快速判定，灾情动态获取等应急工作提供有力支持，提出了一种新的地震烈度快速评估方法，对现有的地震烈度快速评估方法进行了创新和补充；本发明在未来的地震应急工作中有非常好的应用前景，可为地震灾情快速评估提供参考意见、辅助应急指挥决策，促进防震减灾工作能力提升。
Description
技术领域
本申请涉及地震灾情获取技术领域，具体而言，涉及一种基于社交媒体大数据和机器学习的地震烈度快速评估方法。
背景技术
传统的烈度评估方式是震后出动地震现场工作队，由专家和技术人员前往灾区进行实地震害调查，绘制等震线图。该方法是目前官方向公众公布烈度的唯一正式途径，但耗时过长(通常需要一周或者十天以上)。因此地震发生后，需要开展烈度快速评估工作，使得政府部门在短时间内迅速掌握地震灾情与损失分布，便于后续开展应急救援工作。
烈度快速评估方法通常包括基于统计关系的经验模型、基于强震动观测台网的烈度速报、基于遥感手段的快速评估以及基于智能手机APP的众包服务方法等。
基于统计关系模型来计算烈度是震后快速评估最为常见的方法，以震级-烈度衰减关系模型为代表。这种模型是建立在历史震例统计基础上的，以椭圆模型应用较为广泛。不同地区的烈度衰减关系是不同的，因此很多研究者尝试建立某地区的烈度衰减关系模型，取得了很多进展(汪素云等，中国分区地震动衰减关系的确定；马骏驰等，东南沿海地区震级与震中烈度的统计关系；雷建成等，西南地区近代地震的震中烈度与有感半径的统计研究；王继等，华中、华南中强地震区地震烈度衰减关系研究)。除震级-烈度衰减关系模型外，近年来也涌现出一些其它的基于统计关系的烈度快速评估模型，如聂高众、徐敬海基于历史震例数据，拟合建立了以地震震级和震源深度为输入参数的极震区烈度快速评估模型，并在2014年之后的几次破坏性地震中进行了实际应用(聂高众等，基于震源深度的极震区烈度评估模型)。基于统计关系模型的烈度快速评估方法虽然速度快，但计算结果较为粗略，其准确性无法满足日益提高的地震应急救援实际需求。
基于强震动台网的烈度速报也是常用的地震烈度快速评估方法，这种方法旨在建立地震烈度与地震动参数如PGV(地面峰值速度)和PGA(地面峰值加速度)之间的转化关系，这一领域已经有大量的相关研究成果。如金星等在2013年提出了基于强震台网的地震烈度测量方法等(金星，地震仪器烈度标准初步研究)。目前，全球已有多个国家和地区开展了烈度速报工作，较为知名的有美国的Shake map系统，日本气象厅(JMA)地震台网中心和防灾研究所(NIED)的地震烈度速报系统，中国台湾地区中央气象厅的烈度速报系统，中国大陆地区也已开展相关研究工作，并已在部分大中城市建立了类似的烈度速报系统。但总体上，受客观条件限制，我国大陆地区的强震动观测台网分布是较为不均匀的。震后，强震动台网给出的仪器烈度不能作为正式结果发布给公众，因此在地震应急应用这类方法中仍面临一定的困难(聂高众等，基于震源深度的极震区烈度评估模型)。
随着遥感技术的发展，利用遥感卫星和无人机等手段可以获取震区情况，进行大面积评估，这对于经验模型和烈度速报来说是一种补充。目前人们主要通过对航空和航天影像进行目视解译后再进行烈度评估，即首先由遥感影像直接判读出震区的受灾状况，依据建筑物震害经验判别出震区的地震烈度等级(蔡山等，利用遥感资料绘制汶川地震烈度图方法研究)，这是一种较为直观但比较粗略的方法；又或者利用光学影像判读震区建筑物的震害等级计算遥感震害指数，利用震害指数和地震烈度的关系，获取震区的烈度分布(王晓青等，2013年四川芦山7.0级地震烈度遥感评估；遥感与GIS在尼泊尔地震现场灾害调查与评估中的应用)。无人机在近年来多次破坏性地震应急中发挥了重要作用，采用遥感手段进行烈度快速评估，容易受到天气和地形的影响，在浓雾和低温等恶劣天气下难以展开工作，在高海拔地区则容易出现功能失灵。并且，这种方法的花费也较大，耗时上也长于统计模型和烈度速报。王微等人以2010年4月14日青海玉树7.1级地震为例，利用差分干涉测量技术获取人口聚集区的地震同震形变，可以实现该地区的烈度初步评估，但是该方法在精度与实际地震人工烈度评估结果存在一定的差距(王微等，基于InSAR同震形变场的烈度评估研究)。
近年来，也有机构和学者尝试基于“众包”服务的方法，发动公众参与到烈度快速评估中来。薄涛、谭庆全等设计开发了地震公众服务信息系统，通过智能手机向移动端的用户收集灾情和烈度上报信息，快速勾画烈度图，但是该方法受用户使用量限制问题较为突出(薄涛等，北京市防震减灾公众服务信息系统初探)，实际使用中困难较多。
发明内容
为了更为简便迅速开展烈度快速评估，本发明提供了一种基于社交媒体大数据和机器学习的地震烈度快速评估方法，通过机器学习中的人工神经网络方法建立了基于社交媒体数据的地震烈度快速评估模型，对于震后的灾情快速获取和烈度快速评估具有重要的应用价值。
一种基于社交媒体大数据和机器学习的地震烈度快速评估方法，包括如下步骤：
步骤一、数据的获取与处理
从我国大陆地区破坏性地震社交媒体灾情数据库中提取位置微博文本数据，并结合历史地震烈度分布矢量图和GIS技术，建立所述文本数据与烈度分区的映射关系；
步骤二、特征向量矩阵的构建
将所述文本数据转换为特征向量W，以所述特征向量W与对应的烈度标签Y建立机器学习的数据集D；
步骤三、数据集的划分
将所述数据集D划分为训练集S和测试集T，以Fast Text人工神经网络模型为基础，采用训练集S对所述映射关系进行分类训练，并经过所述测试集T的性能评价后，建立烈度快速评估模型；
步骤四、烈度的评估
新地震发生后，将新地震的位置微博文本数据输入所述烈度快速评估模型，计算得出该条位置微博的烈度分区，从而得到该条位置微博所在位置点的烈度分类结果。
具体地，所述步骤一中，所述社交媒体为微博。
具体地，所述步骤二中，W＝[v,s,q]，v表示语料矩阵，s表示情感矩阵，q表示人工特征矩阵。
具体地，所述步骤三中，所述烈度快速评估模型用于使下式最小化：
式中，xn表示第n条文本数据的特征向量，yn表示第n个烈度标签，A和B为权重矩阵。
具体地，所述步骤四还包括，新地震数据经人工验证及修正后，进入训练集，用于持续训练所述烈度快速评估模型。
具体地，所述语料矩阵通过以下方式产生：采用“jieba”中文分词系统在PYTHON中对所述文本数据进行预处理后产生N个词，去掉词频小于2的词M个，剩下N-M个词得到样本。
具体地，所述情感矩阵为表示情感类别和地震强度的向量，每条文本数据生成一个20维的情感矩阵。
具体地，所述人工特征矩阵为N个烈度和每个烈度3种相关程度组成N×3维的向量，所述3种相关程度为无、弱相关、强相关。
有益效果：本发明的基于社交媒体大数据和机器学习的地震烈度快速评估方法，具有较高的可靠性和实用性；本发明能够为震后极震区快速判定，本发明可在15分钟做出快速判断，灾情动态获取等应急工作提供有力支持，提出了一种新的烈度快速评估方法，对现有的地震烈度快速评估方法进行了创新和补充；本发明在未来的地震应急工作中有非常好的应用前景，可为地震灾情快速评估提供参考意见、辅助应急指挥决策，促进防震减灾工作能力提升。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是基于社交媒体大数据和机器学习的地震烈度快速评估方法流程图；
图2是烈度评估机器学习训练过程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。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。
参见图1，本发明实施例的基于社交媒体大数据和机器学习的地震烈度快速评估方法，包括如下步骤：
步骤一、数据的获取与处理
从我国大陆地区破坏性地震微博灾情数据库中提取文本数据，并进行数据清洗，并结合历史地震烈度分布矢量图，建立所述文本数据与烈度分区的映射关系。
步骤二、特征向量矩阵的构建
将所述文本数据转换为特征向量W，W＝[v,s,q]，其中v表示语料矩阵，s表示情感矩阵，q表示人工特征矩阵，以所述特征向量W与对应的烈度标签Y转化成分类模型能够处理的数学形式，建立用于机器学习的数据集D。具体构建过程如下：
在开始机器学习训练之前，针对输入端数据，即训练集，需要开展两项重要工作，一是为数据选取合适的特征，二是将这些特征转换为分类器可以处理的形式，即特征向量。针对震后微博自身的特点以及烈度表中对于人的感受的描述，本发明实施例通过联合语料矩阵v、情感矩阵s、人工特征矩阵q来一同构造微博的特征向量W，将微博文本数据结构化之后，转换为人工神经网络模型可以处理的数学形式。
语料矩阵v
微博的文本称之为“语料”。将微博语料转化成机器学习可以输入的形式后，得到语料矩阵v。每条微博文本数据对应着一组向量形式的语料矩阵v。用“jieba”中文分词系统在PYTHON中对微博文本数据进行预处理，具体包括解析、挖掘、中文分词、去停用词等，处理后产生N个词，去掉词频小于2的M个词，剩下N-M个词，给这0到N-M个词编码，得到样本。
情感矩阵s
地震强度会导致公众的感受不同，因此情感是可以作为一个特征来代表微博文本数据的。采用大连理工大学信息检索研究室开发的情感词汇本体，将情感特征转成空间向量形式。具体步骤如下：在大工的词汇情感本体中，情感被分为7大类和21小类，每类地震强度被表示为1、3、5、7、9五档，9表示强度最大，1表示强度最小。找出21个小类中与地震中的感受相关联的4个情感类别，它们是安心、悲伤、慌、恐惧。每个情感类别和地震强度用一个5维的01向量特征表示，每条微博文本数据由此生成一个20维的向量，完成了该条微博文本数据的情感矩阵构建。
人工特征向量q
地震烈度分为12个等级，地震现场工作中，通常从Ⅵ度起评。在我们收集到的破坏性地震烈度分布矢量图历史资料中，以2017年8月9日九寨沟7.0级地震为例，极震区烈度Ⅸ度，因此本发明实施例关注的烈度为Ⅵ度到Ⅸ度共4个等级。通过筛选地震相关微博中的高频词汇和烈度表中的宏观震害关键词，将它们作为人工特征加入特征向量来强化这种特点。将其中的每个词和每个烈度定义了一个相关程度的关系，并用人工标注了这个对应关系，例如滑坡和Ⅸ度强相关，砂土液化和VI度弱相关。因此，4个烈度和每个烈度3种相关程度组成12维的特征，每个筛选出的词经过人工标注得到12维的01特征向量。一条微博如果出现多个筛选出的词，则把他们的向量每个维度求或，得到该条微博的损害程度描述特征。最后形成的人工特征向量q如表1所示。
表1人工特征向量示例
在完成上述工作后，开始建立微博文本数据的特征向量W，即将每条微博文本数据转换成相应的特征向量矩阵。在之前建立的微博文本数据与烈度分区的映射关系基础上，每个特征向量W均对应一个烈度标签Y。烈度标签Y分为5类，0表示与地震不相关，1表示Ⅵ度，2表示Ⅶ度，3表示Ⅷ度，4表示Ⅸ度；在之后的机器学习训练中，W和Y共同构成训练模型的输入端，无数组W和Y构成了训练集。
在完成数据的特征向量W构建工作后，建立人工神经网络模型所需的数据集，首先要建立数据集D，D是一个包含m个样例的数据D＝{(x1,y1),(x2,y2),...,(xm,ym)}，其中x即为特征向量W，y即为烈度标签Y。需要注意的是，数据集D中需要包含与地震灾情信息不相关的数据作为负样本，这样才能保证模型既能尽量将数据放入正确的烈度标签的同时，也能识别非有感范围(VI度)外的数据。本发明实施例的训练集正负样本比例按照1:10分配。从已经处理过的数据中随机抽取基本与地震信息不相关的数据，作为负样本；抽取地理位置标注在烈度圈内的微博，带烈度标注，作为正样本，正样本里又分为四个烈度等级，样本总共分为5个类别，作为数据集D。
步骤三、数据集的划分
以Facebook开源的Fast Text人工神经网络模型为基础，将所述数据集D划分为训练集S和测试集T，采用训练集S对所述映射关系进行分类训练，并经过所述测试集T的性能评价后，建立烈度快速评估模型。具体划分过程如下：
参见图2，Fast Text将整个文本数据作为特征，用于预测文本的类别。该人工神经网络模型包括三层架构，分别为输入层、隐层和输出层。使用分层分类器(而非扁平式架构)，不同类别被整合进树形结构中，根据每个类别的权重和模型参数构建Huffman树，频繁出现类别的树形结构的深度要比不频繁出现类别的树形结构的深度要小，能够进一步提高计算效率。输出层采用Softmax分类器。该人工神经网络模型的目标是使下式最小化：
式中，xn表示第n条文本数据的特征向量，yn表示第n个烈度标签；A和B为权重矩阵，在训练过程中随输入的变化而调整。
训练过程如图2所示，输入端为构建好的训练集，输出端为相应的烈度标签。通过比较当前的网络的预测值和真正想要的目标值来调整权重矩阵。
数据集D并不能够直接用于模型的训练，为了后续模型性能检验的需要，将D分成两个互斥的集合，一部分用来训练，另一部分用来检验模型的准确率。
通过留出法(hold-out)来进行数据集的划分，将D划分为两个互斥的集合，一个作为训练集S，另一个作为测试集T。通常将大约2/3-4/5的样本用于训练，其余作为测试。
步骤四、烈度的分类
新地震发生后，将新地震数据输入所述烈度快速评估模型，得到烈度分类结果。此外，新地震数据经人工验证及修正后，可以进入训练集，用于持续训练所述烈度快速评估模型。
以2018年5月28日吉林松原5.7级地震为例，对该地震烈度快速评估方法进行验证，结果表明：烈度快速评估模型在实际地震中的准确率超过67％，VII度区域准确率为96％，本发明可在15分钟内做出快速判断，可见本发明具有较高的可靠性和实用性，特别是在极震区(VII度区)；本发明能够为震后极震区快速判定，灾情动态获取等应急工作提供有力支持，也对现有的地震烈度快速评估方法进行了创新和补充；本发明在未来的地震应急工作中有非常好的应用前景，可为地震灾情快速评估提供参考意见、辅助应急指挥决策，促进防震减灾工作能力提升。
此外，上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于社交媒体大数据和机器学习的地震烈度快速评估方法，其特征在于，包括如下步骤：
步骤一、数据的获取与处理
从我国大陆地区破坏性地震社交媒体灾情数据库中提取位置微博文本数据，并结合历史地震烈度分布矢量图和GIS技术，建立所述文本数据与烈度分区的映射关系；
步骤二、特征向量矩阵的构建
将所述文本数据转换为特征向量W，以所述特征向量W与对应的烈度标签Y建立机器学习的数据集D；
步骤三、数据集的划分
将所述数据集D划分为训练集S和测试集T，以Fast Text人工神经网络模型为基础，采用训练集S对所述映射关系进行分类训练，并经过所述测试集T的性能评价后，建立烈度快速评估模型；
步骤四、烈度的评估
新地震发生后，将新地震的位置微博文本数据输入所述烈度快速评估模型，计算得出该条位置微博的烈度分区，从而得到该条位置微博所在位置点的烈度分类结果。
2.根据权利要求1所述的一种基于社交媒体大数据和机器学习的地震烈度快速评估方法，其特征在于，所述步骤一中，所述社交媒体为微博。
3.根据权利要求1或2所述的一种基于社交媒体大数据和机器学习的地震烈度快速评估方法，其特征在于，所述步骤二中，W＝[v,s,q]，v表示语料矩阵，s表示情感矩阵，q表示人工特征矩阵。
4.根据权利要求1所述的一种基于社交媒体大数据和机器学习的地震烈度快速评估方法，其特征在于，所述步骤三中，所述烈度快速评估模型用于使下式最小化：
式中，xn表示第n条文本数据的特征向量，yn表示第n个烈度标签，A和B为权重矩阵。
5.根据权利要求1所述的一种基于社交媒体大数据和机器学习的地震烈度快速评估方法，其特征在于，所述步骤四还包括，新地震数据经人工验证及修正后，进入训练集，用于持续训练所述烈度快速评估模型。
6.根据权利要求3所述的一种基于社交媒体大数据和机器学习的地震烈度快速评估方法，其特征在于，所述语料矩阵通过以下方式产生：采用“jieba”中文分词系统在PYTHON中对所述文本数据进行预处理后产生N个词，去掉词频小于2的词M个，剩下N-M个词得到样本。
7.根据权利要求3所述的一种基于社交媒体大数据和机器学习的地震烈度快速评估方法，其特征在于，所述情感矩阵为表示情感类别和地震强度的向量，每条文本数据生成一个20维的情感矩阵。
8.根据权利要求3所述的一种基于社交媒体大数据和机器学习的地震烈度快速评估方法，其特征在于，所述人工特征矩阵为N个烈度和每个烈度3种相关程度组成N×3维的向量，所述3种相关程度为无、弱相关、强相关。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910413367.9A CN111239812A (zh) | 2019-05-17 | 2019-05-17 | 基于社交媒体大数据和机器学习的地震烈度快速评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910413367.9A CN111239812A (zh) | 2019-05-17 | 2019-05-17 | 基于社交媒体大数据和机器学习的地震烈度快速评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111239812A true CN111239812A (zh) | 2020-06-05 |
Family
ID=70866147
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910413367.9A Pending CN111239812A (zh) | 2019-05-17 | 2019-05-17 | 基于社交媒体大数据和机器学习的地震烈度快速评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111239812A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111985355A (zh) * | 2020-08-01 | 2020-11-24 | 桂林理工大学 | 基于深度学习和云计算的遥感建筑物震害评估方法和系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106547866A (zh) * | 2016-10-24 | 2017-03-29 | 西安邮电大学 | 一种基于情感词随机共现网络的细粒度情感分类方法 |
| CN107590196A (zh) * | 2017-08-15 | 2018-01-16 | 中国农业大学 | 一种社交网络中地震应急信息筛选评价方法及系统 |
| CN108694247A (zh) * | 2018-05-08 | 2018-10-23 | 北京师范大学 | 一种基于微博话题热度的台风灾害灾情分析方法 |
| WO2019055565A1 (en) * | 2017-09-12 | 2019-03-21 | Schlumberger Technology Corporation | SYSTEM FOR INTERPRETING SEISMIC IMAGE DATA |
-
2019
- 2019-05-17 CN CN201910413367.9A patent/CN111239812A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106547866A (zh) * | 2016-10-24 | 2017-03-29 | 西安邮电大学 | 一种基于情感词随机共现网络的细粒度情感分类方法 |
| CN107590196A (zh) * | 2017-08-15 | 2018-01-16 | 中国农业大学 | 一种社交网络中地震应急信息筛选评价方法及系统 |
| WO2019055565A1 (en) * | 2017-09-12 | 2019-03-21 | Schlumberger Technology Corporation | SYSTEM FOR INTERPRETING SEISMIC IMAGE DATA |
| CN108694247A (zh) * | 2018-05-08 | 2018-10-23 | 北京师范大学 | 一种基于微博话题热度的台风灾害灾情分析方法 |
Non-Patent Citations (2)
| Title |
|---|
| 代令令，蒋侃: "基于fastText的中文文本分类", 《计算机与现代化》 * |
| 薄涛，李小军，陈苏等: "基于社交媒体数据的地震烈度快速评估方法", 《地震工程与工程振动》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111985355A (zh) * | 2020-08-01 | 2020-11-24 | 桂林理工大学 | 基于深度学习和云计算的遥感建筑物震害评估方法和系统 |
| CN111985355B (zh) * | 2020-08-01 | 2022-09-27 | 桂林理工大学 | 基于深度学习和云计算的遥感建筑物震害评估方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113780296B (zh) | 基于多尺度信息融合的遥感图像语义分割方法及系统 | |
| Zhu et al. | Flood disaster risk assessment based on random forest algorithm | |
| CN113780211A (zh) | 一种基于改进型Yolov4-tiny的轻量级飞机检测方法 | |
| CN110555841B (zh) | 基于自注意图像融合和dec的sar图像变化检测方法 | |
| CN112287983B (zh) | 一种基于深度学习的遥感图像目标提取系统和方法 | |
| CN112950780B (zh) | 一种基于遥感影像的网络地图智能生成方法及系统 | |
| CN112528934A (zh) | 一种基于多尺度特征层的改进型YOLOv3的交通标志检测方法 | |
| CN111242351A (zh) | 基于自编码器和gru神经网络的热带气旋轨迹预测方法 | |
| CN113312499B (zh) | 一种基于知识图谱的电力安全预警方法及系统 | |
| CN114332473A (zh) | 目标检测方法、装置、计算机设备、存储介质及程序产品 | |
| CN111310623B (zh) | 基于遥感数据与机器学习对泥石流敏感性地图分析的方法 | |
| Zhang et al. | Surface and high-altitude combined rainfall forecasting using convolutional neural network | |
| CN116152678A (zh) | 小样本条件下基于孪生神经网络的海洋承灾体识别方法 | |
| Yue et al. | Using twitter data to determine hurricane category: An experiment | |
| CN114529552A (zh) | 一种基于几何轮廓顶点预测的遥感影像建筑物分割方法 | |
| CN110046595A (zh) | 一种基于级联式多尺度的密集人脸检测方法 | |
| CN106203520A (zh) | 基于深度相关向量机的sar图像分类方法 | |
| CN111239812A (zh) | 基于社交媒体大数据和机器学习的地震烈度快速评估方法 | |
| CN116662468A (zh) | 基于地理对象空间模式特征的城市功能区识别方法及系统 | |
| CN116863271A (zh) | 一种基于改进yolo v5的轻量级红外火焰检测方法 | |
| Hao et al. | Hurricane Damage Assessment with Multi-, Crowd-Sourced Image Data: A Case Study of Hurricane Irma in the City of Miami. | |
| Mirakhorlo et al. | Integration of SimWeight and Markov Chain to Predict Land Use of Lavasanat Basin | |
| CN117011219A (zh) | 物品质量检测方法、装置、设备、存储介质和程序产品 | |
| Zhang et al. | A novel combinational forecasting model of dust storms based on rare classes classification algorithm | |
| Liu et al. | Post-disaster classification of building damage using transfer learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200605 |