摘要
在极端天气事件频发的背景下，高密度城市洪涝灾害亟需快速、精准的灾损评估方法，以支撑面向韧性的城市设计与规划。然而，现有研究大多依赖单一模态数据，缺乏对不同影响维度之间相互关系的综合评估能力，容易导致对城市灾害影响的碎片化认知。为此，本研究提出了一种利用多模态社交媒体数据的“要素—环境—情绪”（Object–Environment–Emotion，OEE）城市雨洪灾害评估框架，涵盖灾害要素分类识别、客观环境损害分级以及主观情绪影响分级三个维度，实现多模态数据融合与机制导向的统计建模分析。首先，在多模态社交媒体数据方面，以2023年深圳特大暴雨期间的抖音视频及文本数据为研究对象，综合运用基于卷积神经网络（CNN）的语义分割、迁移学习分类以及基于朴素贝叶斯（Naïve Bayes）的情感分析方法，对OEE框架下的各维度进行评估，从而提取洪涝灾害在物理环境和公众感知层面的细粒度影响信息。其次，在机制统计建模方面，研究分析了三个维度之间的两两关联关系，识别关键影响因子，并进一步将其与城市韧性规划策略相联系。实证结果表明，建筑、天空和积水是最常见的灾害对象类型。严重环境损害区域（42.15%）主要集中于老城区核心地带及河流交汇区域，而负面情绪区域（75.03%）与客观灾害热点呈现显著的空间重叠特征。积水被识别为预测严重环境损害的最关键因素；人行道场景与更强烈的负面情绪显著相关，而植被则与较轻程度的环境损害和情绪影响相关联。进一步地，通过叠加客观环境影响与主观情绪影响，研究划分出六类灾害影响分区，并针对不同区域特征提出差异化的韧性提升策略。总体而言，OEE框架为城市韧性规划与应急管理提供了一种具有良好迁移性和空间显式表达能力的灾害影响评估工具，为理解城市洪涝灾害的多维影响机制及制定精准干预措施提供了新的研究路径。
Driven by the increasing frequency of extreme weather events, flood disasters in high-density cities urgently require rapid disaster damage assessment methods to support resilience-oriented urban design and planning. However, most existing studies rely on single-modality data and lack the means to assess the interrelations among different impact dimensions, often leading to fragmented interpretations of urban disaster impacts. This study introduces an Object–Environment–Emotion (OEE) framework—comprising disaster object classification, objective environmental damage grading, and subjective emotional impact grading—that enables multimodal data integration and mechanism-oriented statistical modeling. First, multimodal data integration: leveraging TikTok videos and texts during the 2023 Shenzhen extreme rainstorm, the study applies CNN-based semantic segmentation, transfer learning classification, and Naïve Bayes-based sentiment analysis to assess the OEE dimensions, extracting fine-grained information on both physical and perceptual impacts. Second, mechanism statistical modeling: analyses examine pairwise associations among the three dimensions, identify critical predictors, and link them to resilience planning strategies. Empirical results reveal building, sky, and waterlogging as the most prevalent disaster objects. Severe environmental damage (42.15%) was concentrated in old urban cores and river junctions, while negative emotions (75.03%) showed strong spatial overlap with objective hotspots. Waterlogging emerged as the strongest predictor of Severe Damage, with sidewalk associated with more negative emotions, whereas vegetation was linked to milder both environmental and emotional impacts. By overlaying objective and subjective impact, six zones were delineated, each matched with differentiated resilience strategies. The OEE framework thus offers a transferable, spatially explicit tool for urban resilience planning and emergency management.
科学的灾害损失评估对政府和救援机构至关重要，能够帮助决策层快速厘清灾害动态，帮助应急资源合理分配，提高救援效率。极端降雨事件通常突发且持续时间短暂，而当前城市洪水灾害评估主要依靠卫星遥感、无人机影像、街景监测以及通过问卷和访谈收集的公众反馈，这些传统方法难以支持细粒度、动态的灾害监测。随着信息技术的发展，社交媒体平台已成为实时传播公共信息的重要渠道，然而现有大多研究仍停留在单一模态数据分析层面，对于灾害评估在多维度全面性和解释能力方面存在明显局限。
基于多模态数据整合的评估和面向规划应用的机制统计建模，本研究开发了一套创新的“要素—环境—情感”（OEE）三维城市灾害评估框架，整合了灾害对象分类、客观环境损害分级和主观情绪影响分级。该框架应用了DeeplabV3+、ResNet50以及基于朴素贝叶斯的模型进行多模态社交媒体数据的OEE三维评估。其次，研究通过机制导向的统计建模策略，通过三个相互关联模型的成对关联分析三个OEE维度之间的相互关系，并提供了三个相互关系的解释。为展现该框架的有效性和实用性，研究以2023年9月7日至8日深圳市暴雨为例，测试基于社交媒体的大数据驱动、多维灾害评估框架的适用性和普遍性。
研究提出三维OEE框架，结合基于DeepLabV3+卷积神经网络的灾害要素语义分割；基于 ResNet50 的环境损害评估模型；基于朴素贝叶斯增强的 SnowNLP 情绪影响分类模型。上述三个组成部分进一步输入至三组两两关联模型中，从而实现对 OEE（要素—环境—情绪）三个维度之间关联模式的规划导向分析。研究确定了11种城市灾害要素类型，其中建筑、天空和积水在空间覆盖和时间波动中占主导地位。通过结合环境和情感评估，研究划定六类灾害损失区，并针对不同分区特征提出差异化空间响应策略。该框架具有模块化、可复制和可扩展的特点，可适用于不同城市情境下的气候极端事件评估与韧性规划实践，为城市灾害风险治理和适应性发展提供了具有实践价值的技术支撑。
图1 OEE框架工作流程
图2 深圳极端暴雨（2023年9月）
图3 OEE框架中的图像处理模块
图4 OEE评估的时间和空间分布
图5 OEE框架维度之间的统计关联
图6 基于1公里网格单元的六种分区类型空间分布
