疏散分析的社会感知和大数据计算

疏散分析的社会感知和大数据计算

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，沿海州和县采取了保护措施，包括庇护所和撤离海岸。

与  危害与脆弱性研究所（HVRI）合作，该项目利用数十亿个带有地理标记的推文作为疏散分析的新数据源（与传统调查数据相比）。具体来说，我们关注由灾难事件（飓风）触发的疏散的不同方面，包括疏散顺应性，疏散目的地，疏散时间和疏散决策因素。在GIBD开发的Big Geo-social数据计算框架的支持下，我们分析了数十亿条带有地理标记的推文，以揭示疏散情况下Twitter用户位置，活动，活动空间，社交网络和情感的集体和个体的时空分布。以下是该项目中一些选定研究的一些发现。虽然我们在此项目中使用Twitter数据， 

疏散率和目的地

马修飓风是自2005年卡特里娜飓风以来最致命的大西洋风暴，在2016年10月上旬对海地，古巴，巴哈马和美国部分地区造成了破坏。这一非同寻常的威胁引发了美国历史上最大的撤离行动之一，引发了巨大的社交媒体反应。我们开发了一种新颖的方法来分析数百万条地理定位的推文，以评估南卡罗来纳州的疏散反应，从而提供了一种有效且几乎实时的疏散依从性测量方法。

下图说明了对1384个本地Twitter用户的撤离顺序的响应：（a）在撤离前的时间段（10 / 02-10 / 04）中的本地用户位置。（b）后撤离期间（10/07 6pm – 10/09 10am）的本地用户位置。蓝色圆点代表移出风险区域（八个沿海县）的用户，红色圆点代表未撤离的用户。结果表明，在整个研究区域中有54.0％（1384个中的747个）本地用户被疏散了，这与之前的研究结果一致。有关更多信息，请参阅Martin Y.，Li Z. ，  Cutter S.（2017年）   利用Twitter评估撤离依从性：飓风马修（  PloS ONE）的时空分析。

Irma飓风是2017年大西洋飓风季节的第5类飓风（https://en.wikipedia.org/wiki/Hurricane_Irma）。下图显示了飓风艾尔玛的疏散分析。左图显示了在2017年9月2日至04日撤离之前9000多个本地Twitter用户。右图显示了2017年9月9日至11日在撤离期间这些Twitter的位置。（请注意，该分析基于Twitter数据集覆盖了邻近的美国，因此不会考虑到其他国家/地区的用户）。

Martin Y.和Li Z的分析和映射。

活动空间和疏散

人们从本县撤离的能力在很大程度上取决于流动性，从长远来看，这也限制了人们的活动空间。Twitter用户的带有地理标签的推文是记录其历史旅行记录的一种方法。

我们使用飓风“马修”作为研究案例，测试了撤离组和未撤离组之间通过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大于未疏散人员的长期活动空间。下图显示了比较已撤离的Twitter用户和未撤离的Twitter用户的活动空间。

社交网络与疏散

如Floyd飓风（Dow and Cutter，2002）和Katrina飓风（Burnside，Miller＆Rivera，2007; Taylor等）所示，当地邻居，朋友或亲戚对是否撤离的影响会影响个人的撤离决定。 2009）。此外，研究人员发现，实际上看到朋友，亲戚，邻居和其他有影响力的人撤离是说服人们也离开的重要因素之一（Drabek＆Boggs，1968； Lindell，Lu，＆Prater，2005）。

通过分析飓风马修期间疏散和未疏散用户的社交网络，我们发现相同社交网络社区中的人们更有可能做出相同的疏散决定。下图显示了基于对这两类人的提及的社交网络（灰色圆圈表示一些小社区，在这些社区中，所有成员都有相同的疏散决定）。

转载自： http://gis.cas.sc.edu/gibd/social-media-and-evacuation/