排序方式: 共有8条查询结果,搜索用时 0 毫秒
1
1.
通过调用新浪微博官方API的方式,获取了四川九寨沟7.0级地震震后微博信息,对获取到的数据进行了分类统计、微博词频统计与时空特征分析。统计分析结果表明:在分类统计方面,地震发生之后24 h内,与地震相关微博中人的反应占比达到73%,救援行动占比达到11%,这时由于微博本身特点以及民众对救援的期望造成的。在词频统计方面,高频名词表明震后24 h内微博上的热点事件,而高频动词与形容词表明民众会在震后变得焦虑和不安并通过在网上互相激励来缓解震后的不安和焦虑。时间特征表明震后0~4 h内,有大量和地震相关的灾情信息会通过微博博文内容的方式发布,而随着应急救援行动的进行,在震后12 h以后,民众的情绪会逐渐平复,社会及民众的关注度也随之降低。空间特征表明,由于震后通信中断与网络堵塞,微博灾情基本成点状分布,随后随着通信与网络的恢复、应急救援的进行微博灾情逐渐变为带状分布并进而趋向于形成一个面。 相似文献
2.
云南地处云贵高原,地震活动频繁,是一个多震多灾的省份。当地民众对地震灾害的认知程度和自救互救能力,对于保护生命财产安全,减轻地震灾害损失,显得尤为重要。本文选取云南地震重点监视防御区为样本区域,对民众的地震科普知识认知情况和互联网信息智慧化推送接受程度等进行了调研。根据调查结果分析评价,10个样本区域民众的地震科普知识整体认知水平不高,“优秀”等级的州市为0,“良好”等级的州市有6个,“差”的州市有4个;对互联网智慧化推送的民众接受程度存在比较明显的群体差异。 相似文献
3.
6.
7.
8.
基于云南省建水县的建筑物、人口数量、生命线工程、地形地貌等数据,选取地震灾害损失风险评估因子,利用评估模型对设定烈度下可能造成的人员死亡、房屋破坏、滑坡密度等进行计算,给出地震灾害损失定量评估结果。在传统风险评估方法基础上,对无法建立灾害损失关系的承灾体用风险暴露量来代替灾害损失量进行风险评估。最后应用极差变换法对地震灾害损失的不同因子进行标准化,通过综合赋权划分地震灾害风险等级。结果表明:建水县地震灾害高风险的乡镇有5个,主要分布在建水北部的曲江,南部的南庄、西庄、临安、官厅一带;中风险乡镇有6个,低风险乡镇有3个。 相似文献
1