CN113408563B - 一种微博舆情动态时空关联下浒苔灾害空间分布推估方法 - Google Patents
一种微博舆情动态时空关联下浒苔灾害空间分布推估方法 Download PDFInfo
- Publication number
- CN113408563B CN113408563B CN202010904271.5A CN202010904271A CN113408563B CN 113408563 B CN113408563 B CN 113408563B CN 202010904271 A CN202010904271 A CN 202010904271A CN 113408563 B CN113408563 B CN 113408563B
- Authority
- CN
- China
- Prior art keywords
- enteromorpha
- year
- microblog
- formula
- disaster
- 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.)
- Active
Links
- 241000196252 Ulva Species 0.000 title claims abstract description 137
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 24
- 230000005855 radiation Effects 0.000 claims abstract description 19
- 238000011161 development Methods 0.000 claims abstract description 8
- 230000005484 gravity Effects 0.000 claims abstract description 7
- 241000196253 Ulva prolifera Species 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 240000004808 Saccharomyces cerevisiae Species 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims description 2
- 230000003203 everyday effect Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 244000097202 Rathbunia alamosensis Species 0.000 description 1
- 235000009776 Rathbunia alamosensis Nutrition 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种微博舆情动态时空关联下浒苔灾害空间分布推估方法，使用历年的浒苔灾害和对应的微博社会舆情数据,根据浒苔灾害的覆盖面积、分布长宽、旋转角度与漂移重心，微博社会舆情的热点辐射范围、热点辐射强度、标准差椭圆角度、标准差椭圆范围构建双向联想神经网络，实现在得到微博社会舆情数据时可以推估浒苔空间分布于态势的目的。在使用双向联想神经网络预测浒苔灾害的过程中，使用残差网络对双向联想神经网络稳定状态下的结果进行校正，使用基于APRIORI算法提取得到的浒苔与微博时空关联规则对神经网络运行的结果进行校正，最后得到推估的当前浒苔灾害空间分布与发展的态势。
Description
技术领域
本发明属于地理信息知识发现领域，具体涉及一种微博舆情动态时空关联下的浒苔灾害空间分布推估方法。
背景技术
在历年浒苔灾害发生的过程中，业务化部门需要进行浒苔灾害的每日应急监测工作。在每日监测的过程中，往往缺失全部或者缺失部分直接的浒苔监测数据，比如：无人机与飞机遥感航拍受天气制约较大、卫星的监测范围大但容易受云、雾等影响、海洋监测船监测范围较小且效率较低等。而在历年浒苔灾害出现、发展、爆发、消亡、消失的过程中，处于不同地点的新浪微博用户会在新浪微博上发布有关于浒苔灾害的相关资讯与个人观点，因此在浒苔灾害发生时新浪微博上存在着一定数量的社会舆情数据，可以辅助确定浒苔灾害的发生的时间与空间分布信息。但微博社会舆情信息的指向性较宽、密度与价值较低，例如微博社会舆情信息仅能提供微博发布者的地理位置、微博文本内容与社会关注度等，直接指向浒苔灾害空间分布与受灾情况的信息较少。如何在当日直接监测数据缺失或数据质量不佳的情况下，基于微博社会舆情，推估当日浒苔发展态势及空间分布，以满足浒苔灾害应急救援的需要是一个关键难点。
发明内容
为解决上述关键难点问题，以微博舆情动态推估当日浒苔发展态势，本研究充分考虑微博社会舆情的时空分布、数量等特征与对应浒苔发展的特征之间的时空关联关系，提出了一种微博舆情动态时空关联下的浒苔灾害空间分布推估方法；
本发明采用的技术方案首先对基于MODIS影像进行监测的灾害监测结果进行特征提取，这些特征包括覆盖面积(CA)，浒苔分布的最小面积外接矩形的长度(L1)、宽度(L2)与角度(θ0)，浒苔灾害漂移重心
以浒苔监测结果的日期为截止日期，提取当年度到截止日期的微博数据的特征，这些特征包括微博分布的标准差椭圆(SDE)的中心坐标(SDEx,SDEy)、角度(α)、长轴(σx)、短轴σy，分布热点区域(Bm)的辐射强度
与辐射范围
接着，使用浒苔灾害的特征与对应微博社会舆情的特征训练双向联想记忆神经网络(BAM)。将用于训练的浒苔灾害特征与社会舆情特征以年为单位划分为N个子集Yi,(i＝1,2,…，N)。每次仅取一年作为测试集，其余为训练集，训练出对应的双向联想神经网络BAMyear及其结果集Yyear′。合并所有的结果集Yyear′,形成新的结果集Y′，将Y′与测试集Y进行残差网络训练；将微博分布的特征进行关联规则提取，得到微博特征规则(ruleX)；将浒苔灾害的特征进行关联规则提取，得到浒苔特征规则(ruleY)；最后将需要推估浒苔态势的微博社会舆情进行特征提取，将提取得到的特征输入BAM，在BAM运行的过程中使用残差网络、RuleX与RuleY约束其结果，得到对应的浒苔灾害特征以推估浒苔态势，其具体步骤如下：
步骤一：浒苔灾害特征提取，所需提取的浒苔灾害特征包括浒苔灾害的覆盖面积、浒苔灾害的漂移重心、浒苔灾害分布最小外接矩形的长、宽与旋转角度。设历史上的浒苔灾害发生时，存在一组数量为Nd可供浒苔灾害解译分析的MODIS影像，其年份分别为Year＝{year1,year2,…,yearN}，对于集合Year中的任意一年year存在可以解译浒苔灾害的MODIS日期为
其中N为总年份数，Nyear为第year年的天数；
步骤11：根据公式(1)，计算出基于MODIS影像提取得到的浒苔灾害的覆盖面积(CA)；
CA＝n×cellsize×cellsize (1)
公式(1)中，n为浒苔灾害在图像中实际覆盖的像元数，cellsize为影像的分辨率，通常为250m；
步骤12：根据公式(2)与(3)，计算出浒苔灾害的漂移重心
公式(2)与(3)中，xi与yi分别为浒苔发生位置的横坐标与纵坐标，n为浒苔灾害在图像中实际覆盖的像元数；
步骤13：对监测范围中的任一点(xi,yi)的浒苔灾害，对其实施一个角度为θ的逆时针旋转，得到新的坐标位置(x′i(θ),y′i(θ))，其计算公式为公式(4)与公式(5)；θ的范围为[0°,180°]，步长为1°，初值为0°；计算θ取不同值时的横坐标x′i(θ)与纵坐标y′i(θ)；将所有x′i(θ)与y′i(θ)的极差作为浒苔分布外接矩形的长L1(θ)与宽L2(θ)，其计算公式分别为公式(6)与公式(7)；计算θ取不同值时的最小外接矩形面积S(θ)，如公式(8)所示；选取外接矩形面积最小时对应的θ0作为浒苔分布的角度特征，如公式(9)所示；取θ0对应的长L1(θ0)与宽L2(θ0)作为浒苔分布的长度与宽度特征，如公式(10)与公式(11)所示；
L1(θ)＝R(X′),X＝{x′0(θ),x′1(θ),…,x′n-1(θ)} (6)
L2(θ)＝R(Y′),Y＝{y′0(θ),y′1(θ),…,y′n-1(θ)} (7)
S(θ)＝L1(θ)L2(θ) (8)
minS(θ)→θ0 (9)
L1＝L1(θ0) (10)
L2＝L2(θ0) (11)
公式(6)与公式(7)中，R(·)表示极差函数；公式(9)中min表示取最小值；
步骤二：微博社会舆情特征提取，所需提取的微博社会舆情特征包括热点辐射范围，热点辐射强度、标准差椭圆分布范围与标准差椭圆旋转角度。利用新浪微博开放接口获取关键字为“浒苔”、“绿潮”的微博数据，发布时间为年份集合Year中的每天。获取的微博社会舆情数据包括微博文本内容、微博发文位置、微博发布时间；设某一天day存在可解译浒苔灾害的MODIS影像，其年份为year，则其对应的社会舆情数据为第year年在发生日期day之前的所有数据。对Year中的每一年year对应的日期Day中的每一天day，进行微博社会舆情特征的提取；
步骤21：根据局部莫兰指数，发掘日期为(year,day)的社会舆情的热点位置B，B＝{B1,B2,…,BM},M为发掘出的热点位置数量。对任一社会舆情点，根据其空间位置，计算其与所有热点位置的直线距离，选择距离最近的热点位置作为其热点位置。热点位置Bm所对应的社会舆情点集合为Pm，Pm中每条数据与热点位置Bm之间的横坐标距离集合为DXm，纵坐标距离集合为DYm；
步骤22：根据公式(12)与(13)，计算任一热点位置Bm(Bm∈B)的辐射范围
与
公式(12)与(13)中，
为集合Pm的元素数量，
与
分别表示集合DXm与DYm中第i个元素；
步骤23：根据公式(14)与公式(15)，计算任一热点位置Bm(Bm∈B)的辐射强度ρ(Bm)；
公式(14)与(15)中，λ(Bm,ti)表示单位时间内Bm辐射范围内舆情数据点的平均数，t0表示单位时间，E[·]表示平均，N(·)表示计数；
步骤24：设所有的社会舆情点集合P的数量为np，根据公式(16)与公式(17)计算微博社会舆情点的中心坐标(SDEx,SDEy)；根据公式(18)计算微博社会舆情点的标准差椭圆旋转角度α；根据公式(19)与公式(20)计算微博社会舆情点标准差椭圆在X与Y轴的分布范围σx与σy；
公式(18)、(19)与(20)中，
为第i个舆情点的横坐标xi到中心横坐标SDEx的距离，
为第i个舆情点的纵坐标yi到中心纵坐标SDEy的距离；
步骤三：基于浒苔灾害特征与微博社会舆情特征进行双向联想神经网络构建；
步骤31：对于日期为(year,day)的浒苔灾害，将微博社会舆情特征作为
将浒苔灾害的特征作为
将Xyear,day与Yyear,day中的每个特征从十进制数据处理为二进制形式，并将0替换为-1；对Year集合与对应的Day集合中的每一日期(year,day)的浒苔灾害数据与微博社会舆情数据执行此步骤，形成X集合与Y集合，其中X＝{Xyear,day|year∈Year,day∈Dayyear}，Y＝{Yyear,day|year∈Year,day∈Dayyear}，X与Y中均包含Nd个元素，X与Y中每个元素的序列长度分别为NX与NY；
步骤32：根据公式(21)，计算权重矩阵W，得到双向联想神经网络BAM；
公式(21)中，k为X与Y中记录的序列号，W是一个大小为NX×NY的矩阵；
步骤四：取不同年的浒苔灾害特征与微博社会舆情特征作为测试集，剩余年作为训练集，进行不同年份的双向联想网络训练。基于不同年份的测试集与结果集，构建残差网络；
步骤41：对于年份集合Year中的任一元素year，循环执行(1)—(3)；
(1)在X与Y中匹配年份为year的记录，将符合要求的结果记为Xyear与Yyear，不符合要求的结果记为Xyear′与Yyear′，其数量均为Nyear′；
(2)根据公式(22)，计算权重矩阵Wyear，其对应的双向联想神经网络为BAMyear；
(3)根据公式(23)、公式(24)与公式(25)，输入Xyear，循环迭代计算，直到Xyear与Yyear稳定，即不发生变化为止，得到预测的Yyear″；
公式(23)、(24)与(25)中，f(a,b)为激活函数；
步骤42：汇总所有的Yyear″，将其中的-1替换为0，并恢复为十进制，形成新的预测浒苔灾害的特征的序列集合Y′；关于Y与Y′的残差网络，可以描述为公式(26)；以均方根(MSE)误差最小为原则，对公式(26)进行拟合，可以得到参数ω1与b1的值；
Y-Y′＝ω1Y′+b1 (26)
公式(26)中，ω1为权重模板，b1为偏置；
步骤五：基于历年浒苔灾害与微博社会舆情特征，提取浒苔与微博社会舆情时空规则；
步骤51：设A与B分别为X或Y中某两个特征的状态，D为X或Y所有记录的集合，d为这两个特征状态分别为A与B的所有记录集合，根据公式(27)，可以计算A发生时，B亦发生的置信度confidence(A→B)；
步骤52：基于APRIORI算法，以置信度最大为目标，发掘集合X与Y中置信度为100％的规则，记为ruleX与ruleY；
步骤六：输入待预测浒苔灾害对应的微博社会舆情数据，进行基于微博社会舆情的浒苔分布预测；
步骤61：输入待预测浒苔灾害分布的年份year′与日期day′，并使用微博开放接口获取年份为year′、日期在day′之前、关键词为“浒苔”、“绿潮”的微博社会舆情数据；
步骤62：执行步骤二，并获取当前舆情信息特征
，将x′处理为二进制形式，并将其中的0替换为-1；
步骤63：根据公式(28)、(29)与(25)，在BAM中输入x′，进行循环
计算，当x′与y′保持稳定，即不再发生变化时结束循环；
公式(28)与(29)中，p、q分别为x′与y′中元素的序列号；
步骤64：将y′q中的-1替换为0，并复原为浒苔灾害分布的特征
步骤65：根据公式(30)，使用残差网络对BAM的结果进行修正,得到修正后的结果y″；
y″＝ω1(y′+I)+b1 (30)
步骤66：对y″中的各类特征，使用ruleY中所有规则进行判断，若符合规则，将y″作为最终结果，若不符合规则，则将y″中不满足的部分替换为满足ruleY中条件的任意值作为最终结果。
本发明使用历年的浒苔灾害和对应的微博社会舆情数据，根据浒苔灾害的覆盖面积、分布长宽、旋转角度与漂移重心，微博社会舆情的热点辐射范围、热点辐射强度、标准差椭圆角度、标准差椭圆范围构建双向联想神经网络，实现在得到微博社会舆情数据时可以推估浒苔空间分布于态势的目的。在使用双向联想神经网络预测浒苔灾害的过程中，使用残差网络对双向联想神经网络稳定状态下的结果进行校正，使用基于APRIORI算法提取得到的浒苔与微博时空关联规则对神经网络运行的结果进行校正，最后得到推估的当前浒苔灾害空间分布与发展的态势。与传统使用遥感影像的人工解译方法相比，本方法具有经济性、高效性和自动化程度高等特点；
附图说明
图1为本发明流程图。
图2为本发明所用的微博社会舆情数据及探索出的热点区域。
图3为本发明的实验结果与对比。
具体实施方式
本实例选取2016年、2017年、2018年与2019年浒苔灾害及其对应的微博社会舆情数据作为实验用的训练数据，2019年的浒苔灾害及其对应的微博社会舆情数据作为实验中的测试数据。实验所用的微博社会舆情数据格式为shapefile格式，共探索出北京、青岛、济南与南通四个热点区域，在ArcMap中显示如图2。针对浒苔灾害特征提取、微博社会舆情特征提取、双向联想神经网络构建、残差网络构建、浒苔与微博社会舆情时空特征提取与基于微博社会舆情的浒苔分布预测的整个过程，给出本发明的一个实施例；
(一)浒苔灾害特征提取
2016年—2019年共存在45组数据质量较好的，可用于浒苔灾害监测的MODIS影像，其具体年份Year与对应日期Day见表1，其中用于训练的数据为2016年、2017年、2018年，用于测试的为2019年；
表1实例中数据日期分布。
步骤11：根据公式(1)，计算出基于MODIS影像提取得到的浒苔灾害的覆盖面积(CA)，例如2016年5月16日，浒苔灾害的分布面积CA＝615km2；
步骤12：根据公式(2)与(3)，计算出浒苔灾害的漂移重心，例如2016年5月16日，浒苔灾害的分布重心坐标
为(373.86km,3731.48km)；
步骤13：根据公式(4)—(11)，计算出浒苔灾害分布的长度、宽度与旋转角度，例如2016年5月16日，浒苔灾害分布的长度L1500.58km，宽度L2为217.19km，旋转角度θ0为141°；
(二)微博社会舆情特征提取
步骤21：根据局部莫兰指数，在2016年—2018年的舆情数据中共挖掘出4个舆情分布热点区域，如图2所示。B＝{北京、济南、青岛与南通}；
步骤22：根据公式(12)与(13)，计算每个热点位置的辐射范围
与
例如2016年5月16日，微博社会舆情中，北京的辐射范围为
步骤23：根据公式(14)与公式(15)，计算每个热点位置的辐射强度ρ(Bm)。例如2016年5月16日，微博社会舆情中，北京的辐射强度为ρ(B0)＝4；
步骤24：根据公式(16)与公式(17)计算微博社会舆情点的中心坐标(SDEx,SDEy)。例如2016年5月16日，微博社会舆情点的中心坐标(SDEx,SDEy)为(191.87km,4024.20km)。根据公式(18)计算微博社会舆情点的标准差椭圆旋转方向α。例如2016年5月16日，其标准差椭圆旋转方向α＝102.83°。根据公式(19)与公式(20)计算微博社会舆情点标准差椭圆在X与Y轴的分布范围σx与σy。例如2016年5月16日，其分布范围σx＝189.08km与σy＝208.82km。
(三)基于浒苔灾害特征与微博社会舆情特征进行双向联想神经网络构建
对于日期为(year,day)的浒苔灾害，将微博社会舆情特征作为
将浒苔灾害的特征作为
以2016年5月16日的浒苔灾害为例，构建出的X2016,5.16＝(150.58km,38.10km,4,113.24km,224.99km,4,39.33km,401.70km,3,737.43km,430.69km,0,191.87km,4024.20km,102°,189.03km,20.88km),Y2016,5.16＝(615km2,373.86km,3731.48km,141°,500.58km,217.19km)。将Xyear,day与Yyear,day中的每个特征从十进制数据处理为二进制数据，并将0替换为-1。例如将X2016,5.16集合中的覆盖面积CA特征处理为1-1-111-1-1111；
步骤32：根据公式(21)，计算权重矩阵W，得到双向联想神经网络BAM；
(四)取不同年的浒苔灾害特征与微博社会舆情特征作为测试集，剩余年作为训练集，进行不同年份的双向联想网络训练。基于不同年份的测试集与结果集，构建残差网络；
步骤41：对于年份集合Year中的任一元素year，循环执行(1)—(3)；
(1)以2016年为例，在X与Y中匹配年份为2016年的记录，将符合要求的结果记为X2016与Y2016，不符合要求的结果记为X2016′与Y2016′，其数量均为37。
(2)根据公式(22)，计算权重矩阵W2016，对应的网络结构代号为BAM2016
(3)根据公式(23)、公式(24)与公式(25)，输入X2016，循环迭代计算，直到X2016与Y2016稳定，即不发生变化为止，得到预测的Y2016″；
步骤42：汇总Y2016″，将其中的-1替换为0，并恢复为十进制，形成形成新的预测浒苔灾害的特征的序列集合Y′；关于Y与Y′的残差网络，可以描述为公式(26)；以均方根(MSE)误差最小为原则，对公式(26)进行拟合，可以得到参数矩阵ω1与b1的值；
(五)基于历年浒苔灾害与微博社会舆情特征，提取浒苔与微博社会舆情时空规则；
基于APRIORI算法，以置信度最大为目标，发掘集合X与Y中置信度为100％的规则，记为ruleX与ruleY。例如ruleX中，L2≤81.18km时，CA≤647km2；
(六)输入待预测浒苔灾害对应的微博社会舆情数据，进行基于微博社会舆情的浒苔分布预测；
步骤61：输入待预测浒苔分布的年份2019年与日期6月23日，并使用微博开放接口获取年份为2020年、日期在6月23日之前、关键词为“浒苔”、“绿潮”的微博社会舆情数据；
步骤62：执行步骤二，并获取当前舆情信息特征；
x′＝(78.61km,544.66km,10,500.41km,196.08km,8,152.55km,198.48km,5,167.18km,224.14km,4,15.91km,4029.59km,171°,695.94km,14.08km)，将x′处理为二进制形式，并将所有0替换为-1；
步骤63：根据公式(28)、(29)与(25)，在BAM中输入x′，循环计算，当x′与y′保持稳定，即不再发生变化时结束循环，得到最终的结果y′；
步骤64：将y′中的-1替换为0，并复原为浒苔灾害分布的特征y′＝(2299.17km2,336.09km,3946.37km,6.12°,512.05km,180.29km)；
步骤65：根据公式(30)，使用残差网络对BAM的结果进行修正,得到修正后的结果y″＝(2295.38km2,331.31km,3895.31km,11.62°,288.52km，233.26km)；
步骤66：对y″中的各类特征，使用ruleY中所有规则进行判断，若符合规则，将y″作为最终结果，若不符合规则，则将y″中不满足的部分替换为满足ruleY中条件的任意值作为最终结果。2019年6月23日的预测结果符合ruleY，因此不进行修正直接作为结果。
测试分析：将本方法预测的浒苔分布结果与实际的浒苔分布结果进行对比(如图3)，可以看出两者具有较高的一致性，其结果优于单纯使用双向联想神经网络进行预测得到的结果。本发明结果的虚警概率为31％，漏判概率为25％，准确度为79％，说明本方法的有效性。此外，与传统使用遥感影像的人工解译方法相比，本方法具有经济性、高效性和自动化程度高等特点。
Claims (7)
1.一种微博舆情动态时空关联下浒苔灾害空间分布推估方法，其特征在于：使用历年的浒苔灾害和对应的微博社会舆情数据，提取出对应的浒苔灾害特征与微博社会舆情特征构建双向联想神经网络，在使用双向联想神经网络预测浒苔灾害的过程中，使用残差网络对双向联想神经网络稳定状态下的结果进行校正，使用基于APRIORI算法提取得到的浒苔与微博时空关联规则对神经网络运行的结果进行校正，最后得到推估的当前浒苔灾害的空间分布与发展的态势，实现在得到微博社会舆情数据时可以推估浒苔空间分布于发展态势的目的；该方法具体包括以下步骤：
步骤一，浒苔灾害特征提取，所需提取的浒苔灾害特征包括浒苔灾害的覆盖面积、浒苔灾害的漂移重心、浒苔灾害分布最小外接矩形的长、宽与旋转角度；
步骤二，微博社会舆情特征提取，所需提取的微博社会舆情特征包括热点辐射范围，热点辐射强度、标准差椭圆分布范围与标准差椭圆旋转角度；
步骤三，基于浒苔灾害特征与微博社会舆情特征进行双向联想神经网络构建；
步骤四，取不同年的浒苔灾害特征与微博社会舆情特征作为测试集，剩余年作为训练集，进行不同年份的双向联想网络训练，基于不同年份的测试集与结果集，构建残差网络；
步骤五，基于历年浒苔灾害与微博社会舆情特征，提取浒苔与微博社会舆情时空规则；
步骤六，输入待预测浒苔灾害对应的微博社会舆情数据，进行基于微博社会舆情的浒苔分布预测。
2.根据权利要求1所述的一种微博舆情动态时空关联下浒苔灾害空间分布推估方法，其特征在于：步骤一的具体实现方式如下，
设历史上的浒苔灾害发生时，存在一组数量为Nd可供浒苔灾害解译分析的MODIS影像，其年份分别为Year＝{year1，year2，...，yearN}，对于集合Year中的任意一年year存在可以解译浒苔灾害的MODIS日期为
其中N为总年份数，Nyear为第year年的天数；
步骤11，根据公式(1)，计算出基于MODIS影像提取得到的浒苔灾害的覆盖面积(CA)；
CA＝n×cellsize×cellsize (1)
公式(1)中，n为浒苔灾害在图像中实际覆盖的像元数，cellsize为影像的分辨率；
步骤12，根据公式(2)与(3)，计算出浒苔灾害的漂移重心
公式(2)与(3)中，xi与yi分别为浒苔发生位置的横坐标与纵坐标，n为浒苔灾害在图像中实际覆盖的像元数；
步骤13，对监测范围中的任一点(xi，yi)的浒苔灾害，对其实施一个角度为θ的逆时针旋转，得到新的坐标位置(x′i(θ)，y′i(θ))，其计算公式为公式(4)与公式(5)；θ的范围为[0°，180°]，步长为1°，初值为0°；计算θ取不同值时的横坐标x′i(θ)与纵坐标y′i(θ)；将所有x′i(θ)与y′i(θ)的极差作为浒苔分布外接矩形的长L1(θ)与宽L2(θ)，其计算公式分别为公式(6)与公式(7)；计算θ取不同值时的最小外接矩形面积S(θ)，如公式(8)所示；选取外接矩形面积最小时对应的θ0作为浒苔分布的角度特征，如公式(9)所示；取θ0对应的长L1(θ0)与宽L2(θ0)作为浒苔分布的长度与宽度特征，如公式(10)与公式(11)所示；
L1(θ)＝R(X′)，X＝{x′0(θ)，x′1(θ)，...，x′n-1(θ)} (6)
L2(θ)＝R(Y′)，Y＝{y′0(θ)，y′1(θ)，...，y′n-1(θ)} (7)
S(θ)＝L1(θ)L2(θ) (8)
minS(θ)→θ0 (9)
L1＝L1(θ0) (10)
L2＝L2(θ0) (11)
公式(6)与公式(7)中，R(·)表示极差函数；公式(9)中min表示取最小值。
3.根据权利要求1所述的一种微博舆情动态时空关联下浒苔灾害空间分布推估方法，其特征在于：步骤二的具体实现方式如下，
利用新浪微博开放接口获取关键字为“浒苔”、“绿潮”的微博数据，发布时间为年份集合Year中的每天，获取的微博社会舆情数据包括微博文本内容、微博发文位置、微博发布时间；设某一天day存在可解译浒苔灾害的MODIS影像，其年份为year，则其对应的社会舆情数据为第year年在发生日期day之前的所有数据，对Year中的每一年year对应的日期Day中的每一天day，进行微博社会舆情特征的提取；
步骤2.1，根据局部莫兰指数，发掘日期为(year，day)的社会舆情的热点位置B，B＝{B1，B2，...，BM}，M为发掘出的热点位置数量；对任一社会舆情点，根据其空间位置，计算其与所有热点位置的直线距离，选择距离最近的热点位置作为其热点位置，热点位置Bm所对应的社会舆情点集合为Pm，Pm中每条数据与热点位置Bm之间的横坐标距离集合为DXm，纵坐标距离集合为DYm；
步骤2.2，根据公式(12)与(13)，计算任一热点位置Bm的辐射范围
与
Bm∈B；
公式(12)与(13)中，
为集合Pm的元素数量，
与
分别表示集合DXm与DYm中第i个元素；
步骤2.3，根据公式(14)与公式(15)，计算任一热点位置Bm的辐射强度ρ(Bm)；
公式(14)与(15)中，λ(Bm，t0)表示单位时间内Bm辐射范围内舆情数据点的平均数，t0表示单位时间，E[·]表示平均，N(·)表示计数；
步骤2.4，设所有的社会舆情点集合P的数量为np，根据公式(16)与公式(17)计算微博社会舆情点的中心坐标(SDEx，SDEy)；根据公式(18)计算微博社会舆情点的标准差椭圆旋转角度α；根据公式(19)与公式(20)计算微博社会舆情点标准差椭圆在X与Y轴的分布范围σx与σy；
公式(18)、(19)与(20)中，
为第i个舆情点的横坐标xi到中心横坐标SDEx的距离，
为第i个舆情点的纵坐标yi到中心纵坐标SDEy的距离。
4.根据权利要求1所述的一种微博舆情动态时空关联下浒苔灾害空间分布推估方法，其特征在于：步骤三的具体实现方式如下，
步骤31，对于日期为(year，day)的浒苔灾害，将微博社会舆情特征作为
将浒苔灾害的特征作为
将Xyear，day与Yyear，day中的每个特征从十进制数据处理为二进制形式，并将0替换为-1；对Year集合与对应的Day集合中的每一日期(year，day)的浒苔灾害数据与微博社会舆情数据执行此步骤，形成X集合与Y集合，其中X＝{Xyear，day|year∈Year，day∈Dayyear}，Y＝{Yyear，day|year∈Year，day∈Dayyear}，X与Y中均包含Nd个元素，X与Y中每个元素的序列长度分别为NX与NY；
步骤32，根据公式(21)，计算权重矩阵W，得到双向联想神经网络BAM；
公式(21)中，k为X与Y中记录的序列号，W是一个大小为NX×NY的矩阵。
5.根据权利要求4所述的一种微博舆情动态时空关联下浒苔灾害空间分布推估方法，其特征在于：步骤四中的具体实现过程如下，
步骤41，对于年份集合Year中的任一元素year，循环执行(1)-(3)；
(1)在X与Y中匹配年份为year的记录，将符合要求的结果记为Xyear与Yyear，不符合要求的结果记为Xyear′与Yyear′，其数量均为Nyear′；
(2)根据公式(22)，计算权重矩阵Wyear，其对应的双向联想神经网络为BAMyear；
(3)根据公式(23)、公式(24)与公式(25)，输入Xyear，循环迭代计算，直到Xyear与Yyear稳定，即不发生变化为止，得到预测的Yyear″；
公式(23)、(24)与(25)中，f(a，b)为激活函数；
步骤42，汇总所有的Yyear″，将其中的-1替换为0，并恢复为十进制，形成新的预测浒苔灾害的特征的序列集合Y′；关于Y与Y′的残差网络，可以描述为公式(26)；以均方根(MSE)误差最小为原则，对公式(26)进行拟合，可以得到参数ω1与b1的值；
Y-Y′＝ω1Y′+b1 (26)
公式(26)中，ω1为权重模板，b1为偏置。
6.根据权利要求1所述的一种微博舆情动态时空关联下浒苔灾害空间分布推估方法，其特征在于：步骤五的具体实现方式如下，
步骤51，设A与B分别为X或Y中某两个特征的状态，D为X或Y所有记录的集合，d为这两个特征状态分别为A与B的所有记录集合，根据公式(27)，计算A发生时，B亦发生的置信度confidence(A→B)；
步骤52，基于APRIORI算法，以置信度最大为目标，发掘集合X与Y中置信度为100％的规则，记为ruleX与ruleY。
7.根据权利要求1所述的一种微博舆情动态时空关联下浒苔灾害空间分布推估方法，其特征在于：步骤六的具体实现过程如下：
步骤61，输入待预测浒苔灾害分布的年份year′与日期day′，并使用微博开放接口获取年份为year′、日期在day′之前、关键词为“浒苔”、“绿潮”的微博社会舆情数据；
步骤62，执行步骤二，并获取当前舆情信息特征
将x′处理为二进制形式，并将其中的0替换为-1；
步骤63，根据公式(28)、(29)与(25)，在BAM中输入x′，进行循环计算，当x′与y′保持稳定，即不再发生变化时结束循环；
公式(28)与(29)中，p、q分别为x′与y′中元素的序列号；
步骤64，将y′q中的-1替换为0，并复原为浒苔灾害分布的特征
步骤65，根据公式(30)，使用残差网络对BAM的结果进行修正，得到修正后的结果y″；
y″＝ω1(y′+I)+b1 (30)
步骤66，对y″中的各类特征，使用ruleY中所有规则进行判断，若符合规则，将y″作为最终结果，若不符合规则，则将y″中不满足的部分替换为满足ruleY中条件的任意值作为最终结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010904271.5A CN113408563B (zh) | 2020-09-01 | 2020-09-01 | 一种微博舆情动态时空关联下浒苔灾害空间分布推估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010904271.5A CN113408563B (zh) | 2020-09-01 | 2020-09-01 | 一种微博舆情动态时空关联下浒苔灾害空间分布推估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113408563A CN113408563A (zh) | 2021-09-17 |
| CN113408563B true CN113408563B (zh) | 2022-08-16 |
Family
ID=77677490
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010904271.5A Active CN113408563B (zh) | 2020-09-01 | 2020-09-01 | 一种微博舆情动态时空关联下浒苔灾害空间分布推估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113408563B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113569823B (zh) * | 2021-09-26 | 2021-12-17 | 中国石油大学(华东) | 一种多指数决策的浒苔混合像元分解方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109508476A (zh) * | 2018-10-17 | 2019-03-22 | 四川佳联众合企业管理咨询有限公司 | 基于深度网络学习的山火预测建模方法 |
| US10326847B1 (en) * | 2017-01-26 | 2019-06-18 | Hrl Laboratories, Llc | System and method for assessing spatiotemporal impact of emergency events based on social media posting behavior |
| CN110533212A (zh) * | 2019-07-04 | 2019-12-03 | 西安理工大学 | 基于大数据的城市内涝舆情监测预警方法 |
| CN110930008A (zh) * | 2019-11-15 | 2020-03-27 | 中国矿业大学 | 一种基于卷积神经网络的矿山灾害事件检测方法 |
| CN111401368A (zh) * | 2020-03-24 | 2020-07-10 | 武汉大学 | 一种基于深度学习的新闻视频标题提取方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9940508B2 (en) * | 2010-08-26 | 2018-04-10 | Blast Motion Inc. | Event detection, confirmation and publication system that integrates sensor data and social media |
-
2020
- 2020-09-01 CN CN202010904271.5A patent/CN113408563B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10326847B1 (en) * | 2017-01-26 | 2019-06-18 | Hrl Laboratories, Llc | System and method for assessing spatiotemporal impact of emergency events based on social media posting behavior |
| 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 |
| CN109508476A (zh) * | 2018-10-17 | 2019-03-22 | 四川佳联众合企业管理咨询有限公司 | 基于深度网络学习的山火预测建模方法 |
| CN110533212A (zh) * | 2019-07-04 | 2019-12-03 | 西安理工大学 | 基于大数据的城市内涝舆情监测预警方法 |
| CN110930008A (zh) * | 2019-11-15 | 2020-03-27 | 中国矿业大学 | 一种基于卷积神经网络的矿山灾害事件检测方法 |
| CN111401368A (zh) * | 2020-03-24 | 2020-07-10 | 武汉大学 | 一种基于深度学习的新闻视频标题提取方法 |
Non-Patent Citations (2)
| Title |
|---|
| "Sina Weibo Incident Monitor and Chinese Disaster Microblogging Classification";Hua Bai.et al;《Journal of Digital Information Management》;20150630;第13卷(第3期);全文 * |
| "基于微博文本的暴雨内涝灾情判别与舆情研究";肖杨;《中国优秀硕士学位论文全文数据库》;20200415(第4期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113408563A (zh) | 2021-09-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112818903B (zh) | 一种基于元学习和协同注意力的小样本遥感图像目标检测方法 | |
| Song et al. | Relaxation‐based point feature matching for vector map conflation | |
| CN105005760B (zh) | 一种基于有限混合模型的行人再识别方法 | |
| Tong et al. | A new genetic method for subpixel mapping using hyperspectral images | |
| Mayer et al. | DeepSolar for Germany: A deep learning framework for PV system mapping from aerial imagery | |
| WO2023168781A1 (zh) | 一种基于时空交互关系的土壤镉风险预测方法 | |
| CN113408563B (zh) | 一种微博舆情动态时空关联下浒苔灾害空间分布推估方法 | |
| CN116069882B (zh) | 空域网格图生成方法 | |
| CN112668461B (zh) | 一种具有野生动物识别的智能监管系统 | |
| Yu et al. | Multi-temporal remote sensing of land cover change and urban sprawl in the coastal city of Yantai, China | |
| Kong et al. | A new method for building roof segmentation from airborne LiDAR point cloud data | |
| CN107967454B (zh) | 顾及空间邻域关系的双路卷积神经网络遥感分类方法 | |
| CN104715476B (zh) | 一种基于直方图幂函数拟合的显著目标检测方法 | |
| Norman et al. | Fusion of multispectral imagery and LiDAR data for roofing materials and roofing surface conditions assessment | |
| Yayla et al. | Estimation of target station data using satellite data and deep learning algorithms | |
| Feng et al. | National-scale mapping of building footprints using feature super-resolution semantic segmentation of Sentinel-2 images | |
| Zeng et al. | Neighborhood geometry based feature matching for geostationary satellite remote sensing image | |
| Dahiya et al. | Automated extraction of slum built-up areas from multispectral imageries | |
| Tao et al. | Optimal selection from extremely redundant satellite images for efficient large-scale mapping | |
| Tian et al. | Detecting spatiotemporal dynamic landscape patterns using remote sensing and the lacunarity index: a case study of Haikou City, China | |
| Zheng et al. | Multiscale Fusion Network for Rural Newly Constructed Building Detection in Unmanned Aerial Vehicle Imagery | |
| Wu et al. | New scheme for impervious surface area mapping from SAR images with auxiliary user-generated content | |
| Wang et al. | Multi-channel recurrent attention network for building extraction from high resolution remote sensing images | |
| Cheng et al. | Automated detection of impervious surfaces using night-time light and Landsat images based on an iterative classification framework | |
| Liu et al. | Fast stitching of UAV images based on improved SURF algorithm |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |