A New Method to Detect the Development Situation of Disasters Based on Social Media Co-word Network
-
摘要: 对灾害发生过程中产生的社交媒体数据进行主题演化探测和分析可以反映灾情的发展态势。提出了一种基于共词网络社区演化进行灾情发展态势感知的方法,首先依据词频-逆文档频率方法筛选出与主题相关的关键词汇,基于关键词的共现关系,构建以关键词为节点的社交媒体共词网络,结合模块度最优化思想,对社交媒体共词网络进行主题社区探测;然后在验证主题探测的基础上,基于时间窗口划分,对相邻时间窗口的主题社区进行演化类型判别,进而得到主题社区演化的结果;最后以2012年“7.21北京特大暴雨”灾害事件为例,利用该方法对收集到的含关键词的微博数据进行主题演化分析。实验结果表明,该方法能够很好地反映主题的演化过程,并能进一步揭示灾情的发展态势,帮助应急管理者了解灾害的发展过程,从而辅助管理者在合适的时间采取相应的应急响应措施。Abstract: The development trend of disasters can be perceived through mining and analyzing the topics evolution of social media data in disasters. A method of studying the evolution of the topic communities based on the common word network is proposed, so the development trend of the disaster situation can be sensed. Firstly, according to the word frequency-inverse document frequency analysis, the key words related to the topics are selected and a social media co-word network with keywords as nodes is constructed. Thus, the topic community detection is performed on the social media co-word network based on the module optimization. Secondly, on the basis of verifying the topic detection, and the time window division, the evolution types of the topic communities in adjacent time windows are distinguished, and then the result of the topic community evolution is obtained. Finally, taking the 7.21 Beijing Heavy Rainstorm disaster event in 2012 as an example, the proposed method is used to analyze the collected microblog data. The experiment shows that the method can reflect the evolution process of the topics well. It can further reveal the development trend of the disaster, and help emergency managers understand the development process of disasters, so as to assist managers to take appropriate emergency response measures in appropriate time.
-
Keywords:
- social media /
- co-word network /
- disaster situation /
- topic mining /
- topic evolution
-
地标是指在一定空间范围内能够被大众熟知, 并且在认知和地理意义上均能成为标志的空间形态[1]。在空间认知过程中, 地标是空间知识表达和推理的重要依据[2], 具有多个方向辨识和记忆的功能:在空间位置描述中能够用来辅助描述待定目标的位置、传递信息; 在路径选择和导航中, 可以有效提高环境的结构化理解, 并逐渐建立路径知识和结构知识[3-6]。
当前地标提取的主要方法是依据相关影响因子来构建显著度模型, 通过计算地物目标的显著度提取地标。Sorrows等[7]将地标定义为地理空间中独立于观察者之外的显著可辨别元素, 同时提出地标具有视觉、结构和语义3方面的显著性, 认为地物能否成为地标应取决于其是否具有强烈的视觉特征、独特的语义和重要的空间位置[8]。一些学者提出并发展了以上述3个指标构成的显著度计算模型, 其中, Raubal和Winter[9]从视觉吸引力、语义吸引力、结构吸引力3个方面来构建显著度计算模型。由于地物所处环境与需求的差异, 需要根据影响因素来计算地物显著性, Caduff和Timpf[10]提出了一种更加复杂的显著度计算模型, 包括感知、认知和场景3种显著性向量和一系列成员变量。为获取能够用于智能化路径引导的层次性空间知识, 赵卫峰等[11]提出了一种利用兴趣点(point of interest, POI)数据在城市环境中提取地标的方法。该方法从公众认知、空间分布和个体特征3个方面分析影响POI显著性的因素, 构建包括公众认知度、城市中心度和特征属性值3个指标向量的POI显著度计算模型。为及时准确地获取用于智慧位置服务的城市层次性空间知识, 王明等[12]从签到次数、签到用户数和用户影响因子等方面讨论POI显著度, 提出一种基于签到数据的POI显著度计算模型。显著度计算模型的核心是通过选取认为重要的多个因子, 并将其置入一维线性空间, 进而分类并加权最终用于评价。特征因子选取的不确定性、地物目标空间分布特征顾及不足, 会使得提取的地标对空间分布的敏感度较弱、相关性不强。
本文有效利用地物目标个体与邻近目标所构成的区域, 将目标高度作为几何形态基础, 以Voronoi图势力范围构建地物目标缝隙, 用于描述目标之间的相互作用。利用地物的Voronoi几何性质, 构建显著性计算模型, 以实现地标提取, 降低特征选取复杂度, 增强提取方法的普适性, 并验证地物目标的几何形态与邻近目标分布对地标提取的重要性。
1 Voronoi复合特征构建
通常情况下, 在不考虑地物特殊语义、结构、文化等因素时, 在可视范围内能够给观察者留下直观印象的往往是那些面积特征、高度特征较为突出的地物, 它们具有较强的视觉感染力和参考性。高度特征作为地物典型几何特征之一, 不仅是直观的视觉信息, 而且是地物在局部空间范围内可视的重要特征[13]。研究表明, 人们在对外界事物的认知中, 87%的信息直接与视觉能力有关, 视觉感受是地标的一个不可分割特征[14]。
1.1 Voronoi图与相关定义
Voronoi图是空间剖分的一种基础几何结构, 它表现为一组生长元同时向四周扩张, 直至相遇所形成的各生长元空间势力范围集合[15-16]。Voronoi图蕴涵邻近与势力范围等许多优良的空间概括性质, 被认为是研究和解决地理信息科学空间关系与空间分析、空间优化配置等相关问题的有力工具[17-20]。
定义1 普通Voronoi图:设点集P={p1(x1, y1)…pn(xn, yn)}⊂R2, 对于p(x, y)∈R2, 存在pi(xi, yi)与pj(xj, yj), 则称式(1)表达的区域为pi的Voronoi区域:
$$ \operatorname{vor}\left(p_{i}\right)=\left\{\left\|p_{i}-p\right\| \leqslant\left\|p_{j}-p\right\|, i \neq j, i, j \in N\right\} $$ (1) 式中, $\left\| {{p_i} - p} \right\| = \sqrt {{{({x_i} - x)}^2} + {{({y_i} - y)}^2}} $。则由式(2)表达的图形称为点集P的Voronoi图:
$$\mathit{\boldsymbol{V}} = \left\{ {{\mathop{\rm vor}\nolimits} \left( {{p_1}} \right) \cdots {\mathop{\rm vor}\nolimits} \left( {{p_n}} \right)} \right\}$$ (2) 空间目标之间的位置邻近包括欧氏距离邻近与Voronoi邻近两种, Voronoi邻近在度量及邻近目标分布方面更具有优势[21]。
定义2 Voronoi邻近:存在空间目标集合O={o1, o2…on}⊂R2, 对于∀oi, oj(i≠j), vor(oi)、vor(oj)分别为目标oi与oj的Voronoi区域, 如果式(3)成立, 则目标oi与oj为Voronoi邻近:
$$ \operatorname{vor}\left(o_{i}\right) \bigcap \operatorname{vor}\left(o_{j}\right) \neq \varnothing $$ (3) 定义3 Voronoi k阶邻近:存在目标集合O={o1, o2…on}⊂R2, 对于∀oi, oj(i≠j), 如果目标oi经过最小Voronoi邻近步数k到达目标oj, 则称oi与oj为Voronoi k阶邻近。
1.2 Voronoi k阶邻域缝隙
Voronoi区域面积在一定程度上反映生长元的影响范围, 同时也受空间范围内的地物密集程度的影响。顾及地物密集程度, 依据Voronoi邻近关系、Voronoi区域面积分布与空间相关性[22-24], 对于独立地物目标, 设其面积为S, Voronoi势力范围面积为Svor, 将其缝隙描述为:
$$q = \frac{{{S_{{\rm{vor}}}} - S}}{{{S_{{\rm{vor}}}}}}$$ (4) 扩展缝隙到k阶邻近地物, 将Voronoi k阶邻域缝隙描述为:
$$Q = q + \mathop \sum \limits_{i = 1}^k \mathop \sum \limits_{j = 1}^n {q_{ij}}$$ (5) 其中, qij为地物目标的k阶邻近目标; n为k阶邻近目标数目。
图 1所示为参考目标与其3阶邻近目标, 斜线填充部分为Voronoi k阶邻域缝隙。图 1与图 2分别表示目标地物与邻近地物处于不同Voronoi k阶邻域缝隙大小下的分布。
1.3 Voronoi k阶邻域可视性
以不同角度进行观察时, 由于地物目标之间相互遮挡, 不同方向上可视性存在差异, 为此, 顾及视角范围内地物之间的相关性, 考虑将空间范围分割为多个可视域来模拟多视角下地物目标的可视性。而Voronoi区域互不重叠, 并且连续覆盖整个二维空间, 这种连续覆盖可将空间地物目标联系起来, 表达目标之间的邻近关系。因此, 依据Voronoi k阶邻近关系进行可视域分割。设地物目标的Voronoi 1阶邻近目标数为m, 以m个目标为基础, 将以该目标为参考的局部空间范围分割为m个可视域。设参考地物为c, 则其k阶邻近地物集合Nk可表示为:
$${N_k} = \left\{ {{\rm{vo}}{{\rm{r}}_1}, {\rm{vo}}{{\rm{r}}_2} \cdots {\rm{vo}}{{\rm{r}}_k}} \right\}$$ (6) 其中, vori为c的i阶邻近地物集合, i≤k:
$${\rm{vo}}{{\rm{r}}_i} = \left\{ {{f_{i1}}, {f_{i2}} \cdots {f_{in}}} \right\}$$ (7) 设|vor1|=m, 则c的可视域描述为:
$$ {V_k} = {\rm{vi}}{{\rm{s}}_1} \cup {\rm{vi}}{{\rm{s}}_2} \cup \cdots \cup {\rm{vi}}{{\rm{s}}_m} $$ (8) 那么, 对于∀f∈visi, ∃f(i-1)n∈vori-1…∃f(1)n∈vor1, 如果式(9)成立:
$$ f \in \operatorname{vor}_{i} \cap \min \left(\sum\left\|f-f_{(m) n}\right\|\right), 1 \leqslant m \leqslant i-1 $$ (9) 则称Vk是c的可视域分割。
图 3中目标a的1阶邻近目标有7个, 对应地可分割为7个可视域, 其中箭头方向为可视域形成的方向。图 4表示可视域7在经过两次分割后的结果示意, 目标f11∈vor1, 目标f21, f22, f23∈vor。
在阶数k一定的条件下, 可视域分割模拟参考地物能够被观察到的概率, 可反映参考目标的重要程度。图 5为目标可视域分割结果。
visi地物集合由部分c的k阶邻近地物构成:
$${\rm{vi}}{{\rm{s}}_i} = \left\{ {{f_{1*}}, {f_{2*}} \cdots {f_{k*}}} \right\}$$ (10) 加入地物的高度, 用fi.h表达高度, 那么visi可根据高度进一步地描述为有序数列形式:
$${\rm{vi}}{{\rm{s}}_i} = \left( {{f_1}, {f_2} \cdots {f_k}} \right), {f_i}.h \le {f_{i + 1}}.h$$ (11) 如果存在对应有序数列d:
$$ d=\left(d_{1}, d_{2} \cdots d_{k}\right), d_{i}=\left\|f_{i}-c\right\| $$ (12) 那么, visi内地物高度变化趋势可以表示为:
$$h = - gd + b$$ (13) 其中, g、b值可用(h, d)估计。当g > 0时, visi内地物高度呈现降低趋势, 认为从该方向观察可视域内其他地物不存在相互遮挡, 表明在该分割方向是可视的, 并且k越大可视性越强; 若g≤0, visi内地物高度呈现逐渐增长或不变趋势, 该分割方向地物之间存在相互遮挡, 表明不可视。
进一步, 用可视的分割数概率度量参考地物c的可视性, 描述为g', 即:
$$ g^{\prime}=|g| / m, g=\left\{\text { vis }_{i}, g_{i}<0\right\} $$ (14) 1.4 地标提取计算
以地物高度、Voronoi k阶邻域缝隙和Voronoi k阶邻域可视性为显著度因子构建显著度计算模型, 计算可视域内地物的显著度。为消除显著度因子因度量方法的差异产生的影响, 对显著度因子进行正规化处理, 其中, 地物高度、Voronoi k阶邻域缝隙变换到区间[0, 1], Voronoi k阶邻域可视性变换到区间[-1, 1]。将显著度模型描述为:
$$ f(X)=w_{1} h+w_{2} / Q+w_{3} g^{\prime} $$ (15) 其中, wi(i∈{1, 2, 3})为权重。
2 对比实验与分析
文献[25]从网页获取地物描述信息, 通过描述语料库对地物进行分类处理, 其提取原理为地标的语言空间词频定量描述。首先根据分词建立地物描述的词与词联系(Graph of Place); 其次将Graph分为环境、商业、旅游与其他4类; 最后建立每个类别的Graph概率描述。当将某个地物的相关描述通过分词与Graph转换为向量后, 即可与已存在Graph构成的向量计算距离, 进而判断类别。与文献[25]方法对比, 依据提取结果的重合度来验证本文方法。选取昆明市二环内部分矢量数据(图 6(a)), 比例尺为1:2 000, 采用当地坐标系, 包含1 918个面状地物, 对应生成的Voronoi图如图 6(b)所示。收集地物的网页形式描述, 根据地物属性分为环境、商业、旅游与其他4类, 并采用搜狗输入法词库进行分词处理(约包含110万个词汇), 得到每类的Graph(分别为1 245、3 543、2 196、1 588个)以及Graph的相关频率。
首先对实验区域内地物进行可视域分割, 并计算Voronoi k阶邻域缝隙和Voronoi k阶邻域可视性, 然后按照显著性度量模型进行地标提取。地物的数据结构中, id为地物目标唯一标识; h、area、areav分别描述地物高度、面积和Voronoi区域面积; kv表示所属参考地物的Voronoi邻近阶数; gv表示所属参考地物的可视分割区域标识。根据式(12), w1、w2、w3分别设为0.4, 0.3, 0.3, 图 7(a)中紫色目标为利用本文方法所提取的地标, 共35个, 图 7(b)中红色目标为利用文献[25]的方法提取的地标, 共42个, 其中本文方法与文献[25]方法地标所占比分别为1.82%与2.18%。两个方法提取的地标重合数量为23个, 重合度为65.71%。
实验结果的重合度随着可视域范围增加而发生变化, 如图 8所示, 地物目标可视范围从Voronoi 1阶变化到10阶, 随着可视域范围变大, 重合度也在逐步增大, 并且最终稳定在65%左右。
图 9统计了地标元素及其邻近地物构成的k阶邻域缝隙情况。k阶邻域缝隙较大的地标对应地在图 10中可视性不强, 如地标16、27。而对于k阶邻域缝隙较小的地标, 均具备较强的可视性, 如地标15、28。这表明在地标周围通常会密集存在较多地物, 且它们之间高差较为明显。
两种方法的实验结果重合度为65.71%, 表明地物目标的几何形态与邻近目标分布是认知形成地标的主要因素, 说明本文方法是可行的。对比发现, 重合地物主要为云南陆军讲武堂、云南省博物馆、翠湖宾馆及东风大楼。表 1列举了显著性较强的10个地物, 这些地物在实际生活中都具有较强的视觉特征, 可以作为地标。对于未重合的部分地标, 主要原因为, 从Voronoi图出发, 仅考虑将地物高度、缝隙与可视性作为显著性因子; 相较于对比方法, 本文方法并没有对实验区域的地物进行分类处理, 也忽略地物功能性因素和文化语义因素, 造成地标提取结果存在差异。
表 1 地标特征定量化描述Table 1. Quantitative Descriptions of Landmark Feature编号 名称 地物面积/m2 Voronoi面积/m2 高度/m 缝隙 可视性 1 云南陆军讲武堂 1391.02 2527.09 26 2.91 0.71 2 昆明市体育馆 5998.18 7856.72 36 3.01 o.75 3 东风大楼 4858.74 5396.36 71 2.97 0.79 4 金马碧鸡坊 4350.27 5929.61 81 3.48 0.86 5 云南日报社 3742.01 5427.32 72 3.96 0.81 6 云南省博物馆 4011.62 5327.01 89 3.34 0.90 7 云大医院 3921.04 4267.38 91 3.12 0.89 8 东寺塔 3627.05 4516.57 40 3.04 0.76 9 翠湖宾馆 2949.76 3627.32 63 3.07 0.83 10 昆明邮电大楼 6190.04 7834.13 92 4.01 0.91 3 结语
为了有效地提取地标, 多数方法往往通过使用纹理、语义与人文特征将地物嵌入高维空间, 使地标与普通地物之间差异最大化。而本文方法依据平面Voronoi图的性质, 结合可视域分割快速地选取地物几何特征, 并作为显著性因子, 其优点在于:(1)从平面Voronoi图出发来选取显著性影响因子, 降低了特征选择的复杂程度; (2)结合多个可视域的可视性分析, 更符合实际情况中多视角的空间认知。
复合Voronoi几何特征的地标提取方法可作为地标精炼的基础, 并可验证地物目标与其邻近地物目标的几何分布特征对地标的重要性, 地物功能性因素和语义因素将在后续工作中着重研究。
-
表 1 单个社区随时间演化过程示例
Table 1 Example of Single Community Evolution
时间 演化类型 社区 t1 出现 C11 t2 生长 C21 t3 分裂 C31, C32 t4 收缩-保持-出现 C41, C42, C43 t5 合并 C51 t6 消亡 表 2 基于共词网络的社交媒体应急信息挖掘方法的准确率和召回率
Table 2 Accuracy and Recall Rate of Social Media Emergency Information Mining Methods Based
纯度 准确率 召回率 0.3 0.63 0.42 0.4 0.63 0.42 0.5 0.74 0.32 0.6 0.74 0.32 0.7 0.82 0.23 0.8 0.90 0.11 -
[1] Sakaki T, Okazaki M, Matsuo Y.Earthquake Shakes Twitter Users: Real-Time Event Detection by Social Sensors[C].The 19th International Conference on World Wide Web, New York, USA, 2010
[2] Power R, Robinson B, Moseley A.Comparing Felt Reports and Tweets About Earthquakes[C].International Conference on Information and Communication Technologies for Disaster Management, Vienna, Austria, 2016
[3] Wang Yandong, Ruan Shisi, Wang Teng, et al.Rapid Estimation of an Earthquake Impact Area Using a Spatial Logistic Growth Model Based on Social Media Data[J]. International Journal of Digital Earth, 2019, 12(11):1-20 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=10.1080/17538947.2018.1497100
[4] 白华, 林勋国.基于中文短文本分类的社交媒体灾害事件检测系统研究[J].灾害学, 2016, 31(2):19-23 doi: 10.3969/j.issn.1000-811X.2016.02.005 Bai Hua, Lin Xunguo.Sina Weibo Disaster Information Detection Based on Chinese Short Text Classification[J].Journal of Catastrophology, 2016, 31(2):19-23 doi: 10.3969/j.issn.1000-811X.2016.02.005
[5] Kryvasheyeu Y, Chen H, Obradovich N, et al.Rapid Assessment of Disaster Damage Using Social Media Activity[J].Science Advances, 2016, 2(3):e1500779 doi: 10.1126/sciadv.1500779
[6] Arthur R, Boulton C A, Shotton H, et al.Social Sensing of Floods in the UK[J].Plos One, 2018, 13(1): e0189327 doi: 10.1371/journal.pone.0189327
[7] 梁春阳, 林广发, 张明锋.社交媒体数据对反映台风灾害时空分布的有效性研究[J].地球信息科学学报, 2018, 20(6):807-816 http://d.old.wanfangdata.com.cn/Periodical/dqxxkx201806012 Liang Chunyang, Lin Guangfa, Zhang Mingfeng, et al.Accessing the Effectiveness of Social Media Data in Mapping the Distribution of Typhoon Disasters[J]. Journal of Geo-information Science, 2018, 20(6):807-816 http://d.old.wanfangdata.com.cn/Periodical/dqxxkx201806012
[8] Resch B, Florian U, Havas C.Combining Machine-Learning Topic Models and Spatiotemporal Analysis of Social Media Data for Disaster Footprint and Damage Assessment[J].Cartography and Geographic Information Science, 2018, 45(4): 362-376 doi: 10.1080/15230406.2017.1356242
[9] 王艳东, 李昊, 王腾, 等.基于社交媒体的突发事件应急信息挖掘与分析[J].武汉大学学报·信息科学版, 2016, 41(3):290-297 http://ch.whu.edu.cn/CN/abstract/abstract4565.shtml Wang Yandong, Li Hao, Wang Teng, et al.The Mining and Analysis of Emergency Information in Sudden Events Based on Social Media[J].Geomatic and Information Science of Wuhan University, 2016, 41(3):290-297 http://ch.whu.edu.cn/CN/abstract/abstract4565.shtml
[10] Bakillah M, Li R Y, Liang S H L.Geo-Located Community Detection in Twitter with Enhanced Fast-Greedy Optimization of Modularity:The Case Study of Typhoon Haiyan[J].International Journal of Geographical Information Systems, 2015, 29(2):258-279 doi: 10.1080/13658816.2014.964247
[11] Mukkamala A, Beck R.Social Media for Disaster Situations: Methods, Opportunities and Challenges[C].2017 IEEE Global Humanitarian Technology Conference, San Jose, USA, 2017
[12] Li L, Zhang Q, Tian J, et al.Characterizing Information Propagation Patterns in Emergencies:A Case Study with Yiliang Earthquake[J].International Journal of Information Management, 2018, 38(1):34-41 doi: 10.1016/j.ijinfomgt.2017.08.008
[13] Kim J, Hastak M.Social Network Analysis: Characteristics of Online Social Networks After a Disaster [J].International Journal of Information Management, 2018, 38(1):86-96 doi: 10.1016/j.ijinfomgt.2017.08.003
[14] David C C, Ong J C, Legara E F T.Tweeting Supertyphoon Haiyan:Evolving Functions of Twitter During and After a Disaster Event[J].Plos One, 2016, 11(3):e0150190 doi: 10.1371/journal.pone.0150190
[15] 王艳东, 付小康, 李萌萌.一种基于共词网络的社交媒体数据主题挖掘方法[J].武汉大学学报·信息科学版, 2018, 43(12):2 287-2 294 http://ch.whu.edu.cn/CN/abstract/abstract6318.shtml Wang Yandong, Fu Xiaokang, Li Mengmeng.A New Social Media Topic Mining Method Based on Co-word Network[J].Geomatic and Information Science of Wuhan University, 2018, 43(12):2 287- 2 294 http://ch.whu.edu.cn/CN/abstract/abstract6318.shtml
[16] Lu X, Brelsford C.Network Structure and Community Evolution on Twitter: Human Behavior Change in Response to the 2011 Japanese Earthquake and Tsunami[J].Scientific Reports, 2015, 4(1):6 773 doi: 10.1038/srep06773
[17] 王晓光.科学知识网络的形成与演化(Ⅰ):共词网络方法的提出[J].情报学报, 2009, 28(4):599-605 doi: 10.3772/j.issn.1000-0135.2009.04.015 Wang Xiaoguang.Formation and Evolution of Science Knowledge Network(Ⅰ):A New Research Method Based on Co-word Network[J].Journal of the China Society for Scientific and Technical Information, 2009, 28(4):599-605 doi: 10.3772/j.issn.1000-0135.2009.04.015
[18] 路永和, 李焰锋.改进TF-IDF算法的文本特征项权值计算方法[J].图书情报工作, 2013, 57(3):90-95 http://www.cnki.com.cn/Article/CJFDTotal-TSQB201303018.htm Lu Yonghe, Li Yanfeng.Improvement of Text Feature Weighting Method Based on TF-IDF Algorithm[J].Library and Information Service, 2013, 57(3):90-95 http://www.cnki.com.cn/Article/CJFDTotal-TSQB201303018.htm
[19] Jiang B.Head/Tail Breaks:A New Classification Scheme for Data with a Heavy-Tailed Distribution[J].The Professional Geographer, 2013, 65(3):482-494 doi: 10.1080/00330124.2012.700499
[20] Blondel V D, Guillaume J L, Lambiotte R, et al.Fast Unfolding of Communities in Large Networks[J].Journal of Statistical Mechanics:Theory and Experiment, 2008, 2 008(10): P10008 doi: 10.1088/1742-5468/2008/10/P10008
[21] Brodka P, Saganowski S, Kazienko P.Group Evolution Discovery in Social Networks [C].International Conference on Advances in Social Networks Analysis and Mining, Kaohsiung, Taiwan, 2011
[22] Musial K, Kazienko P, Brodka P, et al.User Position Measures in Social Networks [C].Social Network Mining and Analysis, Paris, France, 2009
[23] 孙继松, 何娜, 王国荣, 等."7.21"北京大暴雨系统的结构演化特征及成因初探[J].暴雨灾害, 2012, 31(3):218-225 Sun Jisong, He Na, Wang Guorong, et al. Preliminary Analysis on Synoptic Configuration Evolvement and Mechanism of a Torrential Rain Occurring in Beijing on 21st July 2012[J].Torrential Rain and Disasters, 2012, 31(3):218-225
[24] Vieweg S. Microblogging During Two Natural Hazards Events: What Twitter May Contribute to Situational Awareness[C]. Sigchi Conference on Human Factors in Computing Systems, Atlanta, USA, 2010
-
期刊类型引用(4)
1. 陈玥雯,于沁弘,陈靖雯,陈冰滢,李霄鹤. 传统村落地标景观显著度评价指标体系构建与应用. 福建林业科技. 2024(03): 124-130 . 百度学术
2. 周媛,周瑄. 基于计算机图形学的按键布局设计方法研究. 设计. 2023(02): 124-127 . 百度学术
3. 吕峥,孙群,赵国成,陆川伟,胡健健. 顾及方向关系的农村居民地聚类方法. 武汉大学学报(信息科学版). 2023(04): 631-638 . 百度学术
4. 何阳,闫浩文,王卓,王小龙. 面向微地图的地标提取方法及个性化寻路应用. 地球信息科学学报. 2022(05): 827-836 . 百度学术
其他类型引用(3)