城市内涝场景下的微地图制作方法

1. 引言

21世纪以来，随着我国城市化水平的上升，城市内涝灾害发生的频率与强度，以及由此带来的损失在逐年增加，已对国民经济、人民生命财产安全与城市可持续发展构成严重威胁。因此，在城市内涝灾害应急救援过程中，要及时加强与交通部门的沟通，提高制图时效。

使用传统的监测手段，虽然可以对城市内涝应急灾害救援起到缓解作用，但是在制图方面存在人力成本高、时空局限性、信息时效性低和空间可视性差等不足。具体而言，仅依靠专业制图人员，不仅制图时效低，且地图表示内容与用户需求信息也不一致。

为了使地图的内容刚好够用而不冗余，低门槛高时效的微地图被提出，其核心是面向平民大众的"草根"地图，数学精度要求不高，制作者无需经过严格的专业培训，地图用户也能够随时参与地图制作，能够使得地图的传播和分发更加快捷和方便。

以志愿者地理信息（Volunteered Geographic Information，VGI）为代表的社会感知方法是对物理传感器的重要补充，VGI是用户创建内容（User-Generated Content, UGC）、Web2.0等思想与地理信息系统相结合的产物，反映了互联网时代地理信息新的获取与应用方式，在自然灾害监测和预警中发挥着重要的作用。

总之，现有技术虽然能够有助于微地图制图，但依然存在如下2个方面的问题：①当通过现有技术手段快速识别出城市内涝点时，地图信息会出现冗余，导致用户寻路时信息模糊不清；②普通用户不能及时掌握灾害现场信息，信息获取滞后于灾情，受灾群众无法通过制图参与到灾害的响应与监测工作中，灾害场景下地图制作的现势性有待提升。

2. 研究方法

灾害应急导航微地图作为微地图的一个典型应用，其核心思想是地图制作和传播方式发生了变化：用户角色由用图者变为制图者，传播方式由点对点和点对多转变为多对多的传播，提高了地图的制作和传播时效。

2.1 数据获取与预处理

微博拥有庞大的活跃用户群体，适用于研究特定主题，可以为灾害信息的获取提供数据支撑。为了实时获取城市内涝点的分布情况，选用微博作为社交媒体文本数据来源。通过提供的应用编程接口（Application Programming Interfaces, API）访问微博平台，使用Selenium工具获取微博文本数据。

根据获取到的城市内涝数据，对其进行预处理。经过去重、删除与内涝无关微博文本数据、删除表情符号等，来提高数据的质量和可用性。在命名实体识别中可将微博文本数据中城市内涝点的识别转化为序列标注问题。

2.2 内涝点提取

命名实体识别是自然语言处理中的一项关键性任务，用于识别文本中特定意义的实体，如人名、地名、组织机构、专有名词等，其中BiLSTM-CRF模型是一种基于深度学习技术的语言处理模型。

BiLSTM (Bidirectional LSTM）即双向长短时记忆网络，是循环神经网络的一种。BiLSTM-CRF方法是基于双向长短时记忆网络和条件随机场（Conditional Random Fields，CRF）的结合算法，它通过结合BiLSTM和CRF来提高语言处理任务的准确性。

图1 BiLSTM-CRF结构

2.3 最优路径推荐方法

由于微博文本数据形式复杂多样，用户表述不一致造成内涝点可视化结果冗余，给用户带来视觉干扰，不利于用户在紧急情况下寻路。因此生成道路网级别的城市内涝地图，并结合最短路径算法为用户推荐突发事件下的最优路径。

现有大多数导航系统利用最短路径算法生成街道网络中的起点和目的地之间的路线，如Dijkstra或A*最短路径算法。Dijkstra算法是基于一个简单的图结构，只需要距离信息来生成最短路径，用于计算有权图中从单个源点到其他所有顶点的最短路径的算法。

图2 灾害应急导航示意

3. 实验设计与结果分析

3.1 实验设置与模型评价标准

使用BiLSTM-CRF模型实现地理命名实体识别，模型参数设置具体为：词向量嵌入维度为70，隐藏层输出维度为128，输出向量维度为31，学习率为0.00001，训练次数为100次。模型训练按照7:3的比例划分为训练集和测试集，其中训练集约12万字，测试集约5万字。

3.2 实验场景

2021年7月20日，河南省郑州市持续遭遇极端特大暴雨，这次暴雨在短时间内达到600mm以上的降水量，导致城市内涝严重，造成了巨大的灾害损失和人员伤亡。本文选择郑州市为研究区域。

在微博上根据时间点获取的文本数据，采用关键词"#河南郑州暴雨#"关键词进行模糊查询，通配符为"#"，用于包括"郑州暴雨"或"郑州暴雨互助"的其他变体，使用这种方法，筛选关于需要积水内涝的帖子，共收集到6300条微博文本数据。

3.3 城市内涝点提取结果

使用已训练好的模型进行内涝点识别，根据输出的标记序列识别出文本中的内涝点。模型测试结果表明实验训练整体准确率为92.7%，召回率91.4%，F1值为92.1%。使用该模型对实体识别的预测准确程度较高，能够较为准确地识别出内涝点。

图3 郑州市内涝点可视化结果

3.4 与官方发布的积水点对比

为了验证从社交媒体中提取结果的准确性，获取到官方发布的2021年7月19日至7月23日河南省郑州市积水点分布数据。官方发布的积水点共有47个，积水点集中分布在郑州市北部，且从微博文本中提取到的城市内涝点与官方数据中大部分的积水点大致重合。

图4 官方发布积水点对比

3.5 最优路径推荐

通过地理编码的方式可以快速将城市内涝点展现在地图上，但微博文本数据形式复杂，如果用户描述的是同一个地方，由于用户表述的差异性，在地理编码后显示的空间信息有所差异。

基于以上问题，为了弥补城市内涝点可视化信息冗余的不足，生成城市道路网级别的内涝地图，以更加直观的方式展现出涝点位置，为用户的寻路提供更加便捷式的服务。

图5 道路网级别的城市内涝地图

3.6 微地图场景应用
图6 在线地图实时生成显示涝点路段

结合自然语言处理和最短路径推荐，将识别出的不同时段的城市涝点路段视为障碍路段，为用户推荐一条耗时最短、更为安全的道路。4个图层叠加生成道路网级别的城市涝点地图，结合最短路径推荐技术，可以为用户提供导航微地图服务。

图7 应急导航微地图

为了满足多用户的需求，根据用途可将城市内涝场景下绘制的地图赋予不同的标签，例如回家最近路线、救援地图、驾驶地图、步行地图、暴雨互助地图、最近救援物资地图等。一张地图至少赋予一个标签，不仅方便其他用户的精准查找与使用，同时也为城市救援行动提供一定的参考价值。

4. 讨论

社交媒体作为人们实时分享信息的平台，通过发布文本信息来描述内涝现象，分享实际情况和求助信息。高效实时地获取灾害数据，可以帮助大众实时掌握灾害现场信息，有助于提高灾害的实时响应与监测。

与传统的制图方法相比，传统的制图方法数据获取主要依赖于遥感影像和水位监测站，由专业制图人员统一制图，单向传播给用户。用户被动接收信息，由于专业制图人员制图过程中所表达的专业的地理信息内容可能不是用户想要的信息，从而导致地理信息冗余，造成读图中断。

而社交媒体数据正好补充了传统检测方法数据的不足，其提供了实时、全面多样化且低成本的数据来源，有助于更好地了解内涝事件的发生和影响，进而指导紧急响应和灾害管理工作。

表1 传统制图方法与微地图制图方法对比
	传统制图方法	微地图制图方法
数据来源	遥感影像、水位监测站	社交媒体文本数据
覆盖范围	有限	广泛
表达地理信息内容	专业、冗余	简单、有针对性
制图周期	长	短
制图对象	专业制图人员	专业制图人员、非专业制图人员
传播方式	点到点，点对多	多对多
获取信息时效性	低	高
地图制作现势性	低	高
制图成本	高	低

尽管利用社交媒体数据可以实时提取城市内涝点并辅助用户寻路，但是利用社交媒体数据制图结果的验证存在一定困难，利用官方发布的积水点进行对比，发现提取结果与大部分官方积水点重叠，但也存在不重合的积水点。

因此，利用社交媒体数据进行洪水制图并非要代替传统的监测手段，而是为传统监测数据提供有力的补充信息，为城市内涝监测和防灾工作提供有价值的参考。未来研究工作中会将社交媒体数据作为其中的一个信息源，与其他数据源（如气象数据、水位数据等）相结合，共同形成全面的内涝识别模型。

5. 结论

社交媒体数据作为灾害突发事件的数据来源之一，在城市内涝方面具有多重作用，不仅可以提供实时的内涝情况信息，还可以为内涝风险评估、城市规划和决策制定等方面提供有力支持，促进城市内涝的科学化和精细化管理。

基于此，本文提出了一种在城市内涝场景下的制图方法。以"郑州7.20特大暴雨"为案例，对于实时获取的微博文本数据，分时段有效地识别出海量文本信息中所含的城市内涝点，赋予地理空间信息。在此基础上，生成道路网级别的城市内涝地图，结合Dijkstra算法推荐应急场景下的最优路径，辅助用户寻路并生成微地图。

根据社交媒体文本信息制作微地图可以实时捕捉内涝事件的发生和演变过程，能够帮助城市管理部门更快速地了解内涝情况，及时采取应对措施，从而减轻灾害损失。但是社交媒体上的文本数据往往带有主观性和不确定性，后续研究将通过建立模型对文本数据进行有效地分类并判断文本内容的正确性，提高数据的可用性。