Big Geo-social Data

利用大地理社会数据进行疏散分析

  • dqy 
转载自:http://gis.cas.sc.edu/gibd/social-media-and-evacuation/ 飓风是美国最常见的自然灾害之一。为了减少死亡人数和经济损失,沿海各州和各县采取保护措施,包括避难和远离海岸撤离。 该项目与  危害和脆弱性研究所(HVRI)合作,利用数十亿个地理标记推文作为疏散分析的新数据源(与传统调查数据相比)。具体而言,我们关注灾害事件(飓风)引发的疏散的不同方面,包括疏散合规,疏散目的地,疏散时间和疏散决策因素。由GIBD开发的大地理社交数据计算框架支持,我们分析数十亿个地理标记的推文,以揭示推特用户的位置,运动,活动空间,社交网络和情绪在疏散背景下的集体和个体时空模式。以下是该项目中几项选定研究的一些发现。 疏散率和目的地 飓风马修是2005年卡特里娜飓风以来最致命的大西洋风暴,于2016年10月初在海地,古巴,巴哈马和美国的部分地区造成严重破坏。这一特殊威胁引发了美国历史上最大规模的撤离之一。引发了大规模的社交媒体反应。我们开发了一种新方法来分析数以百万计的地理定位推文,以评估南卡罗来纳州的疏散响应,这导致了一种有效且几乎实时的测量疏散合规性的方法。 下图说明了对1384名本地Twitter用户的疏散命令的响应:(a)在疏散前期间(10 / 02-10 / 04)的本地用户位置。(b)撤离后期间的当地用户地点(10/07下午6点至10月10日上午10点)。蓝点表示移动到风险区域以外的用户(八个沿海县),红点是未撤离的用户。结果显示,54.0%(1384名中的747名)当地使用者在整个研究区域撤离,这与先前研究的结果一致。欲了解更多信息,请参阅Martin Y.,Li Z. ,  Cutter S.(2017)   利用Twitter来衡量疏散合规性:飓风马修,  PloS ONE的时空分析。 飓风伊尔玛是2017年大西洋飓风季的第一次5级飓风(https://en.wikipedia.org/wiki/Hurricane_Irma)。下图显示了Hurricane Irma的疏散分析。2017年9月2日至04日疏散前,左侧地图显示超过9000名本地Twitter用户。右图显示了2017年9月9日至11日疏散期间这些推特的位置。(请注意,分析基于Twitter数据集覆盖连续的美国,因此不考虑前往其他国家的用户)。 分析和地图由Martin Y.和Li Z. 活动空间和疏散 人们从其家乡撤离的能力在很大程度上依赖于流动性,这也限制了一个人的长期活动空间。Twitter用户的地理标记推文是记录其历史旅行记录的一种方式。 我们测试了使用飓风马修作为研究案例的疏散组和非疏散组之间的Twitter数据反映的长期估计活动空间是否不同。我们发现,疏散人员的长期活动空间比非疏散人员长。下图显示了比较疏散和非疏散Twitter用户的活动空间。 社交网络和疏散 当地邻居,朋友或亲属对是否疏散的影响会影响个人的疏散决定,如飓风弗洛伊德(Dow and… Read More »利用大地理社会数据进行疏散分析