近年来,我国自然灾害频发,给人民的生命财产安全带来了巨大损失与隐患,如何加强抢险救灾工作的效率成为了一个迫在眉睫的问题。开展抢险救灾工作高度依赖灾损数据的搜集速度和搜集精度,而传统灾损估计模型与信息搜集方法由于存在时间滞后性等客观缺陷,并不是一种能够实时提供灾损相关信息的方法,不利于抢险救灾工作效率的提升。社交媒体作为实时信息传递的媒介,可以将用户对于灾损事件的实时情绪反馈及时记录,这种情绪反馈中包含了用户主观意识上对于灾损严重程度的衡量,即,当用户面对一个具体的灾损情景时,会针对此情景产生一个即时的情绪反应。在该情绪反应中既包含了灾损严重程度的信息,也同时包含了用户对当前程度的灾损的主观评价反映。大数据分析技术将个人的主观性通过上升到群体层面来予以减弱,能够有效消除由于个体对待灾损信息反应特异性带来的反应不足和反应过度,使得研究人员能够更客观地通过社交媒体对灾损的群体评价来研究灾损信息。因此,本研究将社交媒体数据引入灾损信息相关领域,以提升信息搜集效率与预估准确性,辅助灾损信息监控工作,提升抢险救援的工作质量,并且为稳定社会公众情绪提供帮助。本次研究首先对“利奇马”台风事件中社交媒体用户在微博平台发布的语料进行情绪分析,以抽取出微博群体对灾损事件的情绪反应,在此过程中针对研究目的通过对比筛选等步骤,选取了适宜的情绪分类模型——极端随机树模型,并且采用主动学习的思想搭建了针对极端天气条件下社交媒体文本情绪分析的语料库,使得整体分类结果准确性上升至83.10%。随后,本研究将时空信息、灾损信息与情绪分类结果相结合,分析“利奇马”台风事件中社交媒体用户显示出的情绪特征,以此构建通过情绪曲线进行灾损信息分析的灾损预警方案。预警方案的测试工作通过对“河南水灾”事件中产生的微博语料的分析来展开,验证前述语料库的普适性、语料库更新方法的适用性、情绪曲线对于灾损信息的反应程度等。同时,对河南水灾事件中表现出的情绪特征进行分析。由于语料库质量对于文本情绪分类结果的准确性至关重要,但现有公开语料库无法满足本研究对于极端天气条件下社交媒体文本细颗粒度情绪分析的要求,因此通过给予情绪类别明确定义、构建情绪判定规则并且构建针对性语料库,来提升分类结果的可靠性。语料库搭建选取人机结合标注的方法,采用主动学习的思想进行更新;研究证实,此方法能够提升人工标注效率,并提升语料库整体质量。本研究构建的语料库在“利奇马”台风事件与“河南水灾”事件中展示出了较为优越的性能。研究表明,同台风眼距受灾地距离、台风风力等变量相比,社交媒体用户情绪波动与人身伤亡和财产损失事件相关性更大,并且对于前者的反应程度明显高于后者。在同一类事件中,用户“灾前”祈福性质发言欲望显著强烈于“灾后”悲伤性质的发言欲望。就细颗粒度情绪进行分析,本研究发现极端天气条件下社交媒体情绪基调为“惧”;“悲”通常为次要情绪;“好”情绪的波动一般来自于“灾前”的祈福、祝愿平安等心理活动;而“乐”、“恶”、“怒”、“惊”四类情绪占比较小,通常与自然灾害导致的其他事件相关。各情绪曲线的波动对于抢险救灾工作的指示意义不同:“好”情绪曲线的波动预示着灾损事件即将发生,此时应注意灾前人员避离;如果“悲”、“恶”等情绪曲线出现异常波动,一般为“灾后”悲痛情绪的表达,因此应注意灾后物资调配、救援工作的展开等;而“惧”情绪曲线相较于其他曲线的波动也值得关注,如果“惧”情绪曲线与其他情绪曲线波动幅度相近,则可能发生了引起人们关注但未导致实际损失的事件,若其波动异于其他曲线,则极有可能代表着灾损事件已经爆发。根据上述发现,本研究所述“灾损预警”工作包括两个方面:一方面在灾损事件发生之前,通过特定手段预期到灾损的发生,并据此进行防范性工作;另一方面,对于正在发生或者已经发生的灾损事件,通过特定方法预估人身伤亡或财产损失的量值,为抢险救灾、灾后重建等工作提供信息支撑。由此,本研究构建的预警方案大体逻辑包含三点:其一,以历史灾害事件中构建的语料库为基础,在预期自然灾害发生时搜集社交媒体信息并进行情绪分析,与人工标注结果进行比对,对准确性未达标的语料库依据主动学习的方法进行更新;其二,在情绪监测过程中注意随机抽取时点进行语料库的检验,保证情绪分类模型结果的可靠性;其三,在灾难事件全过程中持续进行社交媒体实时数据的搜集,监测情绪波动状况,遇情绪曲线异常波动时留意是否存在较大灾损事件的发生,并考虑救援物资是否准备充分等问题。此预警方案在对“河南水灾”事件的演示中效果理想。本次研究尚且存在如下四点不足:一是研究条件不支持使用过于复杂的模型;二是目前所公布的灾损数据不足以支撑定量分析;三是情绪类别可进一步优化;四是灾难事件数量较少使得结果可能具有偶然性。此四者不足期待后续研究进行解决。