一种基于微博语义的天气情感地图设计

李军利，蒋 浩，何宗宜，何静磊，甘瑞杰

(1. 安徽省智慧城市与地理国情监测重点实验室，安徽 合肥 230061； 2. 安徽农业大学资源与环境学院，安徽 合肥 230036； 3. 武汉大学资源与环境科学学院，湖北 武汉 430079)

天气情感地图是一种表达情感相关的专题地图[1]，开展灾害性天气条件的微博语义情感地图设计，有助于理解群体时空行为模式与地理位置的相关性，居民感知灾害的受损程度。近年来，已有学者开展了相关研究。一方面，社交媒体可以探测个体行为，折射人类的情感[2-3]。如利用Twitter数据分析个人情感[4-5]，挖掘微博识别热点事件发生所在位置[6]，微博用户情感的地图表达[7]，感知人群在城市不同场所的活动、态度、偏好等[8-9]。另一方面，社交媒体有助于灾害事件的应急响应[10-11]。如Sandy飓风轨迹与Twitter活动位置相关性讨论[12]、2011年日本东京大地震居民情感变化与交通行为模式探讨[13]、北京“7·21”特大暴雨事件中社交媒体应急响应等[14]。上述研究均从不同角度阐述了社交媒体可以映射人的情感变化，理解灾害事件不同阶段群体情感行为变化。但之前多数情感相关研究探讨的是一维的，即正面的或负面的、积极的或消极的、高兴的或悲伤的等[15]，而实际上用户情感多数是复杂多维的，不能简单刻画，用户情感都是快乐、信任、恐惧、惊讶、悲伤、厌恶、愤怒和期待等主要情感表达的混合体[16-17]。

本文将2016年一段持续性暴雨天气过程的微博用户情感变化作为研究对象，利用合肥市新浪微博原始数据，采用语义分析的方法，提取暴雨天气过程中用户情感属性，将情感划分为8类，结合强暴雨天气前、中、后期，微博用户的情感时空变化特征，以期探索灾害性天气条件下群体情感变化的不同模式。

1 数据与方法

1.1 数据采集与预处理

利用程序获取合肥市区2016年6月20日至2016年7月10日暴雨期间带有地理位置信息的新浪微博原始数据共计61 686条，再结合气象局官方网站提供同期逐日天气数据。将本次暴雨天气划分为3期：暴雨天气过程前期，天气特征为燥热，多阴雨；暴雨天气过程中期，合肥地区进入大范围持续暴雨天气；暴雨后期，天气逐渐转好。本次试验筛选暴雨主题微博文本中包含“下雨”“暴雨”“阴天”“积水”等词汇，对与暴雨情感相关的微博文本词性进行人工判读，将这些词汇分类汇编为暴雨情感语料库，清洗掉重复无关微博，筛选出内容表达与暴雨情感有关的微博数据，将整理好的微博数据转换成一个四元组(时间戳，用户ID，情感类别，纬度和经度)，转存到地理空间数据库。

1.2 数据标准化

依据文献[16—17]的情感理论，将情感分成8类：(a)喜悦(橘色)、(b)悲伤(天蓝)、(c)期盼(黄色)、(d)恐惧(草绿)、(e)厌恶(深蓝)、(f)气愤(红色)、(g)信任(墨绿)与(h)无奈(紫色)，如图1所示。对暴雨前、中、后期各8种情感的微博数据进行分析，发现存在两种偏差：一是空间上的偏差，在城郊边缘地带，由于微博用户数量较少和居住分散，有效样本有限；二是时间上的偏差，在暴雨天气过程的前、中与后期3个阶段，微博数量存在较大差异，暴雨前期日均微博数量是中后期日均微博量的近2倍。这种偏差可能会放大格网划分的前期情感强度，本文采用一种标准化的方法来消除偏差[15]，将暴雨前期日均微博数量与中后期的数量进行比例数值修正，中后期分类修正值分别为1.87和1.78。同时，避免在偏远郊区的少量情绪分布被过分强调，引入1%为情感阈值[15]，低于情感阈值的情感不予显示。

2 天气情感地图设计

将整个暴雨过程3个阶段微博情感标准化后,应用核密度分析方法[18-19]识别与分析热点和冷区。格网设计中确定微博量字段、输出像元大小、搜索面积3个参数，其中，微博量字段设置为标准化点权重，输出像元大小设置为180 m，搜索面积设置为3000 m，对不同时期不同情感类别分别进行计算[15]。采用HSV颜色空间模型，基于“色调”“饱和度”和“值”的基本特征确定颜色[17]，并对计算结果分别进行区域方差统计，以便清晰显示不同尺度下情感分布的趋势变化情况。

在空间分布上，全暴雨时段微博用户情感展现较为密集的区域主要集中在蜀山区、包河区、瑶海区及庐阳区，其他区域分布稀疏。高密度地区具有人流量大、基础设施较为完善、商圈多及路网密集的特征。在时间分布上，暴雨前期，喜悦和悲伤的情感占据居民情感分布的主要组成部分，如图2所示。天气的异常表现引发了微博用户对于合肥天气状况的较强关注，面对雨期来临的天气现象，具有复杂的情感，一方面存在好奇和对天气突然降温的欣喜；另一方面极力厌恶灾害性天气带来的糟糕的交通现状，影响工作与生活，微博用户对于暴雨突发时的情感反应较为强烈。

暴雨中期，面对持续的降水天气，微博用户由开始时的喜悦和期盼，情绪逐渐减弱，恐惧和无奈的情感情绪呈上升趋势，如图3所示。同期，面对降水带来的生活和工作上的不适，厌恶及气愤的情感情绪也逐渐攀升。由于持续降雨，造成城市大面积雨洪，特别是影响居民交通出行，情感语义地图显示气愤和悲伤的情感分布较广。信任的情感情绪也逐渐攀升，在多数信任感的微博语义中，对天气持续凉爽，降雨也并未影响其生活与工作，该情绪的微博量也呈扩散趋势。

暴雨后期，喜悦情感的微博量快速上升，占据了用户情感主流情绪，这与持续阴雨之后的天气逐渐放晴，微博用户情绪由压抑转变成愉悦相关，如图4所示。同期，厌恶与气愤的情感情绪也逐渐下降，但仍然存在一些负面情绪微博，这与暴雨引起的经济损失和糟糕的路况，给生活与工作带来不方便相关；气愤、信任与期盼情绪的微博量也较暴雨中期呈下降趋势，这与暴雨天气过程结束，一切恢复正常，微博用户情绪也逐渐恢复正常相关。

3 结 语

本文提出了一种基于微博语义的天气情感地图设计方法，基于程序获取具有地理位置的新浪微博，通过数据清洗及标准化处理，利用情感词库，并结合人工判读，对暴雨天气过程相关情感微博文本数据进行主题情感识别。将暴雨期间微博数据分为8种情感类别，并设计了8种情感着色，结合GIS格网技术将相关微博定位到格网单元，结合核密度分析制成暴雨天气过程前、中、后期情感地图。较以往情感地图单一维度，如正面或负面的情感地图，本文研究将暴雨天气过程中微博用户多维情感空间分布及情感时间序列细粒度变化表达出来。在突发性天气灾害过程中，结合社交媒体的社会感知特性，天气情感地图可为政府相关部门制定救助与决策提供一种新的视角去感知微博用户情感变化及行为模式。

由于微博大数据本身存在有偏性，如微博用户偏好、适用人群、城市与乡村空间差异等诸多特征局限，后续研究将探索不同尺度下的微博用户情感变化与公共行为模式，融合多源数据，如社会感知大数据与传统调查数据等进行综合分析。