近日，郑州大学林琳、吴泽宁团队提出利用社会感知数据和深度神经网络模型的缺灾情资料城市洪灾风险近实时量化方法，为社交媒体数据的感知在缺灾情资料地区的城市洪灾风险快速制图方面探索了新的思路。这一研究成果以《Rapid urban flood risk mapping for data-scarce environments using social sensing and region-stable deep neural network》为题在著名地球科学期刊《Journal of Hydrology》上发表，该成果得到国家超级计算郑州中心“嵩山”超级计算机的大力支持。

城市洪涝灾害的发生和致灾过程从理论和方法上都是复杂的，灾害的高时空变化性、连锁性和损失的突变性增加了风险量化的难度，有效利用社会感知数据可实时获取海量、分散化的灾情信息，并借助空间分析技术和机器学习方法对社会感知数据空间覆盖度提升和质量控制的优势、以及深度学习方法对复杂物理过程高效拟合的优势，可提高社会感知数据驱动的城市洪灾风险量化方法的可靠度、准确度和时效性。

本研究面向灾情数据匮乏环境提出一种基于社会感知数据和区域稳定深度神经网络（Region-stableDeepNeuralNetwork, RS-DNN）的近实时洪水风险量化方法。该方法通过使用社会感知技术近实时提取灾情信息，同时考虑风险分布因素，对风险邻域演化规律和分布因子阈值设定方法进行研究，提出区域稳定算法（RS-DNN），该算法可实现由社会感知分散化洪灾风险到全域大尺度空间的快速演化，从而实现城市洪灾风险分布图的快速绘制。该方法可适用于不同灾害过程的城市洪涝灾害风险快速制图研究。

城市洪水风险快速制图方法框架图