رسانه های اجتماعی به طور فزاینده ای برای به دست آوردن اطلاعات به موقع سیل برای کمک به مدیریت بلایای سیل و آگاهی از موقعیت استفاده می شود. با این حال، از آنجایی که داده‌ها در رسانه‌های اجتماعی عظیم، زائد و بدون ساختار هستند، به دست آوردن اطلاعات مؤثر به‌طور مستقیم و واضح دشوار است. برای به دست آوردن خودکار اطلاعات سیل و استنتاج فرآیندهای توسعه سیل از رسانه های اجتماعی، نویسندگان این مقاله یک رویکرد مدل سازی مبتنی بر رویداد و چند سطحی شامل یک مدل داده و دو روش را پیشنهاد می کنند. از طریق تقسیم سلسله مراتبی رویدادها (تقسیم به وضعیت جسم فضایی، فاز و ویژگی)، ساختار اطلاعات سیل (شامل زمان، مکان، موضوع، احساسات و شرایط فاجعه) تعریف می شود. ما یک روش ساخت موجودیت و یک روش کسر فرآیند توسعه ایجاد کردیم تا به انتقال خودکار از داده‌های درهم ریخته به فرآیندهای توسعه سیل منظم دست یابیم. با در نظر گرفتن رویداد طغیان رودخانه های یانگ تسه و هوآی در سال 2020، ما با موفقیت اطلاعات واقعی سیل و فرآیند توسعه را از داده های رسانه های اجتماعی به دست آوردیم که کارایی مدل و روش ها را تأیید می کرد. در همین حال، الگوی کاوی مکانی-زمانی با استفاده از موجودیت‌های سطوح مختلف انجام شد. نتایج نشان داد که سیل از غرب به شرق بوده و میزان خسارت با تعداد متون رسانه‌های اجتماعی مرتبط با سیل به‌ویژه متون احساسی همبستگی مثبت دارد. به طور خلاصه، از طریق مدل و روش های موجود در این مقاله، می توان به سرعت و به طور خودکار اطلاعات سیل و فرآیندهای توسعه پویا را به دست آورد. و الگوهای مکانی و زمانی موجودات سیلاب قابل بررسی است. استخراج به موقع اطلاعات سیل و احساسات عمومی نسبت به رویدادهای سیل به منظور انجام بهتر امدادرسانی در بلایا و مدیریت پس از بلایا مفید است.

کلید واژه ها:

رسانه های اجتماعی ؛ رویداد سیل ؛ فرآیند توسعه ؛ سازمان اطلاعات ; سطح شناختی ؛ مقیاس فضایی و زمانی

1. مقدمه

سیل ها باعث ایجاد تعداد زیادی تلفات و خسارات اقتصادی در سراسر جهان شده است و توسعه پایدار جهانی را با چالش های جدی مواجه کرده است [ 1 ، 2 ، 3 ، 4 ]. شرق و جنوب آسیا مناطقی هستند که اکثریت مردم در آن تحت تأثیر بلایای سیل قرار می گیرند و خسارات اقتصادی ناشی از سیل در بین مخاطرات طبیعی مختلف رتبه اول را دارند [ 5 ، 6 ]. به عنوان مثال، در چین، رویداد طوفان شدید باران “7.20” در ژنگژو، استان هنان در سال 2021 باعث 14.786 میلیون تلفات انسانی و خسارت اقتصادی مستقیم 120.06 میلیارد یوان شد [ 7 ].]؛ در ژوئیه 2020، رویداد سیل شدید در حوضه رودخانه یانگ تسه و هوای در مجموع 34.173 میلیون تلفات انسانی با خسارت مستقیم اقتصادی 132.2 میلیارد یوان ایجاد کرد [ 8 ].
در حال حاضر، به دلیل تغییرات آب و هوایی جهانی، فراوانی و بزرگی سیل در حال افزایش است [ 9 ، 10 ] که نیاز به تقویت بیشتر ظرفیت و کارایی مدیریت بلایا و آگاهی از موقعیت را به دنبال داشته است. به عبارت دیگر، هنگامی که یک رویداد سیل رخ می دهد، آژانس های مدیریت اضطراری باید سریعتر و موثرتر وضعیت و تأثیر رویداد سیل را تعیین کنند [ 11 ]. بنابراین، رسانه های اجتماعی به دلیل اطلاعات دست اول فراوان و مکانیسم بازتوییت سریع به تدریج برای کمک به مدیریت بلایا مورد استفاده قرار می گیرند [ 12 ، 13 ]]. در طول رویدادهای سیل، اطلاعات زیادی درباره بلایا، اطلاعات واکنش اضطراری، و اطلاعات افکار عمومی توسط مردم و دولت از طریق رسانه های اجتماعی ارسال و منتشر می شود [ 14 ، 15 ]. متون حاوی اطلاعات ارسال شده از طریق رسانه های اجتماعی به عنوان داده های افکار عمومی سیل (داده های FPO) در این مقاله تعریف می شوند. علاوه بر این، داده‌های FPO حاوی اطلاعات مکانی-زمانی غنی است که اطلاعات معنایی را غنی می‌کند و به الگوبرداری مکانی-زمانی کمک می‌کند [ 16 ]. در نتیجه، رسانه‌های اجتماعی به منبع داده جدیدی برای کمک به مدیریت بلایای سیل و آگاهی موقعیتی تبدیل شده‌اند و داده‌های مشاهداتی دست اول را برای درک رویدادهای سیل ارائه می‌کنند [ 17 ، 18 ، 19 ].
با این حال، در حالی که رسانه های اجتماعی داده های فراوانی را ارائه می دهند، مشکلات پردازش داده ها و استخراج اطلاعات نیز به شدت افزایش یافته است [ 20 ]. داده های FPO بدون ساختار، پراکنده و اضافی هستند، بنابراین یک مدل داده یکپارچه برای سازماندهی منطقی اطلاعات مورد نیاز است [ 21 ]]، بهبود استفاده از اطلاعات و ارزش اطلاعات. علاوه بر این، عناصر رویدادهای سیل پیچیده هستند و سیل به سرعت توسعه می یابد. تسلط بر الگوهای توسعه و قوانین حوادث سیل برای مدیریت بلایا مفید خواهد بود. بنابراین، ساخت یک مدل داده FPO چند سطحی و چند بعدی که عناصر ایستا و توسعه پویا را ترکیب می‌کند، منجر به استخراج اطلاعات توسعه بلایا و افکار عمومی به موقع و ارائه پشتیبانی اطلاعاتی قابل اعتماد برای پیشگیری، کاهش و امداد از بلایا می‌شود.
این مقاله با هدف پاسخگویی به سه سوال انجام شده است:
Q1: چه نوع مدل داده ای باید برای سازماندهی داده های FPO ساخته شود. علاوه بر این، چه عناصری باید در مدل دخیل باشند و چگونه باید توسعه پویا وقایع را بیان کرد؟
Q2: چگونه می توان روند توسعه رویدادهای سیل را از داده های عظیم FPO بر اساس مدل داده استنباط کرد؟
Q3: آیا الگوهایی در احساسات و موضوعات در طول سیل وجود دارد؟
برای پاسخ به این سؤالات، ابتدا یک مدل چند سطحی و مبتنی بر رویداد برای سازماندهی داده‌های FPO ساختیم. با توجه به پیچیدگی توسعه رویداد سیل از ابعاد مختلف شناختی رویدادها (رویداد، شی فضایی، فاز و وضعیت ویژگی)، یک مدل داده چند سطحی FPO شامل عناصر ایستا (زمان، مکان، موضوع، احساسات و شرایط فاجعه) و توسعه پویا ساخته شد.
سپس، با در نظر گرفتن الزامات چند دانه بندی و اتوماسیون آگاهی موقعیتی از رویدادهای سیل، بر اساس ایده تجمیع، یک روش ساخت برای نهادهای افکار عمومی سیل (نهادهای FPO) با مقیاس های مکانی-زمانی متغیر و یک روش کسر توسعه برای سیل. رویدادهای مبتنی بر مدل داده‌های FPO مورد مطالعه قرار گرفتند.
در نهایت، مدل داده‌های FPO و روش‌های مبتنی بر موارد واقعی را برای به دست آوردن اطلاعات توسعه سیل و انجام تحلیل‌های مکانی-زمانی اعمال و تأیید کردیم.
بخش 2 مرور ادبیات را پوشش می دهد. در بخش 3 و بخش 4 ، ما ساختار مدل داده‌های FPO و روش‌های ساخت موجودیت‌های FPO و استنتاج توسعه رویداد سیل را توضیح می‌دهیم. بخش 5 یک مطالعه موردی را ارائه می‌کند که در آن مدل و روش‌های خود را برای یک مورد واقعی به کار بردیم و تحلیل‌هایی را انجام دادیم. در بخش 6 ، کار خود را ارزیابی می کنیم و فرصت ها و چالش ها را مورد بحث قرار می دهیم.

2. بررسی ادبیات

اطلاعات غنی و متنوع در مورد سیل به اشتراک گذاشته شده در پلتفرم های رسانه های اجتماعی یک فرصت منحصر به فرد برای مدیران اورژانس برای به دست آوردن داده های مکانی-زمانی در مقیاس بزرگ با ارزش بسیار زیاد [ 22 ، 23 ] و برای افراد برای انجام اقدامات موثر برای کاهش تلفات بلایا [ 24 ] ارائه می دهد. با این حال، از حجم عظیم داده های FPO، تنها بخش کوچکی برای آگاهی از موقعیت و مدیریت اضطراری بلایا مرتبط و مفید است. بنابراین، استخراج اطلاعات مرتبط ضروری از داده های عظیم FPO بسیار مهم است [ 11 ].
در حال حاضر، فناوری‌های کافی و نسبتاً بالغ برای جمع‌آوری داده‌های FPO و استخراج اطلاعات در طول سیل وجود دارد. برای استخراج اطلاعات مکان داده‌های FPO، استفاده از تطبیق قوانین و فناوری تشخیص نهاد نام‌گذاری شده رایج است [ 25 ، 26 ]. علاوه بر این، بک الله [ 27 ] داده های موقعیت جغرافیایی را با خوشه بندی بر اساس شباهت معنایی به دست آورد. عمران [ 28 ، 29 ] یک مجموعه توییت سیل مشروح شده توسط انسان ساخت و آن را از طریق یادگیری ماشینی آموزش داد تا به طبقه بندی متن و استخراج اطلاعات بلایای طبیعی دست یابد. از داده های متنی و تصویری برای قضاوت در مورد شدت سیل با نتایج قابل توجه استفاده شده است [ 30 , 31].
در همین حال، داده‌های FPO نه تنها اطلاعات مربوط به بلایای طبیعی، بلکه اطلاعات افکار عمومی از جمله در مورد موضوعات محبوب و احساسات مردم را نیز ارائه می‌کند، که همچنین اطلاعات حیاتی برای مدیریت بلایا هستند. فن آوری های نسبتاً بالغ برای استخراج چنین اطلاعاتی نیز پیشنهاد شده است. برای تشخیص و ردیابی موضوع بدون موضوعات از پیش تعریف شده، محققان معمولاً از LDA، نوع LDA، BBTM و غیره استفاده می کنند [ 32 ، 33 ، 34 ]. برای موضوعات از پیش تعریف‌شده، وظایف به‌عنوان طبقه‌بندی‌های نظارت‌شده در نظر گرفته می‌شوند تا روش‌های یادگیری ماشینی مرتبط و یادگیری عمیق را بتوان اعمال کرد [ 35 ، 36]. برای استخراج احساسات، الگوریتم‌ها و روش‌های کارآمد فراوانی از جمله روش‌های یادگیری نظارت شده و روش‌های مبتنی بر واژگان [ 37 ] و ابزارهای یکپارچه‌ای مانند Senta و SentiStrength وجود دارد.
آگاهی موقعیتی از سیل با تکنیک های غنی و موثر استخراج اطلاعات به سرعت در حال توسعه است، و مطالعات متعدد نشان داده اند که رسانه های اجتماعی می توانند به عنوان ابزاری برای بهبود آگاهی موقعیتی در طول بحران استفاده شوند [ 38 ، 39 ]. محققان توسعه بلایا و الگوهای حرکتی افراد را با تجزیه و تحلیل ویژگی‌های مکانی و زمانی فاجعه و اطلاعات افکار عمومی درک می‌کنند [ 20 ، 40 ]. تحقیقات بر روی نقشه برداری سیل در زمان نزدیک با استفاده از داده های FPO در فرآیندهای مکانی نیز منتشر شده است [ 41 ، 42 ، 43 ].
با این حال، هیچ مدل داده موثری برای مدیریت یکپارچه اطلاعات استخراج‌شده فاجعه و افکار عمومی وجود ندارد، که حجم کار تجزیه و تحلیل دستی مورد نیاز برای آگاهی موقعیتی را افزایش می‌دهد در حالی که به اندازه کافی فرآیند توسعه رویدادها را ارائه نمی‌دهد. در این راستا، هدف ما ارائه مدل داده‌های بلایای سیل و روش‌های مرتبط با تحقق تولید خودکار داده‌های FPO برای فرآیند توسعه سیل و تحول افکار عمومی و بیان رویدادهای سیل از ابعاد و دیدگاه‌های چندگانه بود.

3. مدل

ما یک مدل چند سطحی مبتنی بر رویداد از داده‌های افکار عمومی سیل (EMMFPO) را پیشنهاد می‌کنیم که برای سازماندهی اطلاعات از داده‌های FPO پراکنده و ارزیابی توسعه سیل استفاده می‌شود. مدل داده شامل دو بخش است: یکی عبارت استاتیک است که اطلاعات عنصر را سازماندهی می کند و دیگری عبارت پویا است که فرآیند توسعه سیل را نشان می دهد. در این قسمت ایده های ساخت مدل و ساختارهای این دو نوع بیان را به ترتیب معرفی می کنیم.

3.1. توضیحات EMMFPO

با توجه به آگاهی مردم از رویدادها، سه بعد فضا، زمان و محتوا را انتخاب کردیم و رویدادها را به چهار سطح شناختی رویداد، شی، فاز و وضعیت تقسیم کردیم. بر اساس موقعیت مکانی، مدل رویداد را به چند شیء فضایی تقسیم می کند. هر چرخه زندگی کامل در هر جسم به عنوان یک فاز تعریف می شود و زمانی که وضعیت سیل در یک فاز، وضعیت جدیدی ایجاد می شود.
وضعیت، با اشاره به تحقیقات مربوطه [ 19 ، 20 ]، به سه نوع پیش هشدار، پاسخ و بازیابی تقسیم می شود که به طور خلاصه می توان به ترتیب قبل، حین و بعد از سیل فهمید. پیش اخطار وضعیتی است که تحت آن دولت یک هشدار زودهنگام صادر می کند تا به همه اطلاع دهد که ممکن است سیل بیاید. واکنش وضعیتی است که تحت آن دولت فعالانه در کار امداد و نجات، از جمله شناسایی مناطق فاجعه‌زده و نجات قربانیان شرکت می‌کند. بهبود وضعیتی است که تحت آن دولت خسارات ناشی از بلایای طبیعی پس از سیل را ارزیابی می کند و اقدامات مبارزه با سیل را برای الهام بخشیدن به احساسات مردم منتشر می کند.
این مدل از کلاس عبارت استاتیک برای توصیف اطلاعات عنصر ایستا استفاده می کند و کلاس عبارت پویا را بر اساس کلاس عبارت استاتیک برای به دست آوردن اطلاعات فرآیند توسعه پویا استخراج می کند. شماتیکی از مدل در شکل 1 نشان داده شده است که عمدتاً رابطه تقسیم بین سطوح مختلف و ایده های بیان پویا و ایستا را نشان می دهد.
افراد در هر سطح، موجودیت های FPO نامیده می شوند و در شکل 1 ، هر مستطیل عبارت ایستا یک موجودیت است. از نظر انتخاب اطلاعات عنصر موجودیت، به دنبال کارهای مربوطه [ 44 ، 45 ]، دریافتیم که زمان، مکان و محتوا ابعاد داغ تحقیق فعلی هستند. بنابراین، EMMFPO تنظیم شد تا این سه بعد را برای تعریف عناصر انتخاب کند. علاوه بر این، بر اساس حوزه پژوهشی بلایای سیل، محتوا را می توان به سه بعد موضوع، احساس و وضعیت بلایا تقسیم کرد. به طور خلاصه، EMMFPO پنج عنصر زمان، مکان، موضوع، احساسات و موقعیت فاجعه را برای توصیف اطلاعات ثابت انتخاب می کند.
به منظور انتزاع موجودیت FPO در دنیای جغرافیایی به دنیای کامپیوتر، مدل یک کلاس پایه عبارت ایستا و یک کلاس پایه عبارت پویا را تعریف می کند. علاوه بر این، کلاس‌های بیان مربوط به کلاس پایه در چهار سطح شناختی ساخته می‌شوند. از آنجایی که این مدل فقط یک موجودیت رویداد را در این تحقیق شامل می‌شود، کلاس بیان پویا رویداد وجود ندارد. نمودار UML EMMFPO در شکل 2 نشان داده شده است .

3.2. بیان اطلاعات عنصر ایستا

3.2.1. ساختار کلاس پایه بیان ایستا

کلاس پایه بیان ایستا، به عنوان پایه EMMFPO، دارای پنج نوع ویژگی است: عناصر زمان، مکان، موضوع، احساسات و فاجعه که همگی دارای کدهای شناسایی منحصر به فرد هستند.
(من)
شناسه
شناسه ها به عنوان کدهای منحصر به فرد برای تشخیص موجودیت ها استفاده می شوند و با مقادیر صحیح نشان داده می شوند.
(II)
عنصر زمان

عنصر زمان برای تعیین محدوده زمانی یک موجودیت استفاده می شود که به شکل دو تایی بیان می شود، همانطور که در رابطه (1) نشان داده شده است. زمان تولید را ثبت می کند و زمان پایان از یک موجودیت زمان تولید و زمان پایان به صورت شش تایی مطابق با سال، ماه، روز، ساعت، دقیقه و ثانیه بیان می شود. بر اساس دانه بندی های مختلف تحقیقاتی، شش تاپل را می توان به طور مناسب پیش فرض کرد. علاوه بر این، زمانی که و یکسان هستند، به این معنی که رویداد در یک روز رخ داده است، به عنوان مثال، ((2021،4،1)، (2021،4،1)) نشان دهنده محدوده زمانی از 0:00 تا 24:00 در 1 آوریل 2021 است.

(III)
عنصر فضایی
عنصر فضا برای تعیین منطقه فضایی که یک موجودیت در آن قرار دارد استفاده می شود، که در یک کد منطقه سفارشی بیان می شود.
(IV)
عنصر موضوع

عنصر موضوع برای تأیید موضوع داغ در یک موجودیت استفاده می شود که به صورت دو تایی بیان می شود. معادله (2) را ببینید. مجموعه ای از کلمات موضوع و محبوبیت مربوطه را ثبت می کند. روش محاسبه محبوبیت تعداد متون در مورد موضوع تقسیم بر تعداد کل متون است. به طور کلی، موضوعات مختلفی در افکار عمومی وجود دارد و موضوعاتی با محبوبیت بالا در محوریت این مقاله قرار دارند. بنابراین، عنصر موضوع فقط n گروه اول موضوع را با محبوبیت بالا ثبت می کند و n مطابق با وضعیت واقعی سفارشی می شود.

(V)
عنصر احساس

عنصر عاطفه منعکس کننده نگرش ها و احساسات افراد در یک موجود است که به صورت دو تایی بیان می شود. معادله (3) را ببینید. میانگین و واریانس ارزش احساس را ثبت می‌کند که در قالب ممیز شناور بیان می‌شود و میانگین از 1- تا 1 متغیر است. هر چه به 1 نزدیکتر باشد، احساسات مثبت تر است. واریانس نشان دهنده درجه تفاوت در گرایش عاطفی کلی مردم است. محدوده مقدار همه اعداد واقعی غیر منفی است. هر چه این ارزش کمتر باشد، گرایش عاطفی عمومی یکنواخت تر است.

(VI)
عنصر فاجعه

عنصر فاجعه به صورت یک سه گانه بیان می شود که پیش هشدار، واکنش اضطراری و خسارت فاجعه را ثبت می کند. برای جزئیات به معادله (4) مراجعه کنید.

هر عنصر در سه گانه در قالب یک مجموعه بیان می شود. ، ، و به ترتیب از ، ، و . ساختار هر جزء در جدول 1 نشان داده شده است .
3.2.2. ساختار کلاس بیان ایستا در سطوح
هر سطح از کلاس عبارت استاتیک از کلاس پایه عبارت استاتیک به ارث می رسد و تمام ویژگی ها و روش های خود را دارد. علاوه بر این، به دلیل ارتباط نزدیک بین هر سطح، نیازی به ثبت اطلاعات عناصر در هر سطح نیست تا بتواند فضای ذخیره سازی را ذخیره کند. ما یک رابطه ارتباطی ایجاد کردیم و محاسباتی را بر اساس رابطه انجام دادیم تا به اطلاعات عناصر در هر سطح دست یابیم.

موجودیت رویداد همه موجودیت های شی موجود را ثبت می کند و به صورت معادله (5) بیان می شود.

موجودیت شی، موجودیت های فازی را که شامل و موجودیت های رویدادی است که به آن تعلق دارد، ثبت می کند. در عین حال، لایه شی یک سطح مبتنی بر مکان مکانی است، بنابراین موجودیت شی نیز به اطلاعات عنصر فضایی نیاز دارد. معادله (6) را ببینید.

موجودیت فاز، موجودیت‌های وضعیتی را که در خود دارد و موجودیت‌های شی که به آن تعلق دارد، ثبت می‌کند. سپس، همانطور که لایه مرحله بر اساس محدوده زمانی تقسیم می شود، موجودیت فاز نیز به اطلاعات عنصر زمان نیاز دارد. معادله (7) را ببینید.

موجودیت وضعیت، موجودیت فازی که به آن تعلق دارد و متن موجود را ثبت می کند. علاوه بر این، لایه وضعیت یک سطح بر اساس محتوا (اشاره به موضوعات و بلایا) است، بنابراین موجودیت های وضعیت به موجودیت های فاجعه تقسیم می شوند. ) و موضوعات موضوعی ( ). یک موجودیت فاجعه چهار نوع عنصر را ذخیره می کند: زمان، مکان، فاجعه و احساسات، و موجودیت موضوع چهار نوع عنصر: زمان، مکان، موضوع و احساس را ذخیره می کند. معادله (8) را ببینید. اتفاقاً عناصر فضایی از طریق روابط ارتباطی به دست می آیند و مستقیماً ذخیره نمی شوند. نشان دهنده نوع وضعیت است، شامل سه دسته: پیش هشدار، پاسخ و بازیابی ضرر.

روش های محاسبه عناصر استاتیکی که مستقیماً ذخیره نمی شوند عبارتند از:
(1)

عنصر زمان توسط عملیات اتحادیه از جمله عنصر زمان سطح پایین تعیین می شود ; معادله (9) را ببینید.

عملیات اتحاد عناصر زمانی به عنوان یافتن کوتاه ترین زمان پیوسته که می تواند تمام عناصر زمانی درگیر در سطح پایین را پوشش دهد، تعریف می شود. کوتاه ترین زمان پیوسته نتیجه عملیات اتحادیه است. همانطور که در شکل 3 نشان داده شده است ، هر خط نشان دهنده دوره زمانی است.
(2)
عنصر فضا با جستجوی موجودیت های شی مرتبط به دست می آید. عناصر فضایی موجودیت‌های فاز و وضعیت با موجودیت‌های شی مرتبط سازگار هستند، و عنصر فضای موجودیت‌های رویداد، اتحاد موجودیت‌های شی موجود است.
(3)

عنصر موضوع با محاسبه مجدد و مرتب سازی محبوبیت موضوعات در سطوح پایین تر به دست می آید. روش محاسبه در رابطه (10) نشان داده شده است.

محبوبیت موضوع j در موجودیت در این سطح و NL ( ) محبوبیت موضوع j مربوط به موجودیت موجود در سطح بعدی است. اگر موضوع برای یک موجود خاص وجود نداشته باشد، گرما به عنوان 0 ثبت می شود.

(4)

عناصر احساسی با عناصر احساسی مربوط به همه موجودات در سطح پایین وزن و میانگین می شوند. معادله (11) را ببینید.

نشان دهنده مقدار میانگین i-امین موجودیت موجود در سطح بعدی و وزن مربوطه است که با تعداد داده های FPO درگیر در هر موجودیت تعیین می شود.

(5)

عنصر فاجعه با ادغام سطح بعدی عوامل فاجعه به دست می آید. معادله (12) را ببینید.

به طور خلاصه، عبارت استاتیک از چهار سطح کلاس های بیان ایستا، شامل رویداد، شی، فاز و وضعیت (که از کلاس پایه عبارت استاتیک به ارث رسیده است) برای بیان کامل وضعیت سیل در یک زمان و مکان خاص استفاده می کند. شکل 4 رابطه فراخوانی سطوح مختلف عناصر را نشان می دهد.

3.3. بیان فرآیند توسعه پویا

3.3.1. ساختار کلاس پایه بیان پویا

عبارت پویا بر اساس موجودیت های ایستا است. یکی از ویژگی ها مجموعه موجودی است که از کلاس عبارت static است. همچنین شامل مجموعه ای از محرک ها و مجموعه ای از قوانین انتقال است. این سه ویژگی به مفهوم ماشین حالت محدود FSM اشاره دارد. ترکیب اصلی یک ماشین حالت محدود معمولاً شامل سه بخش زیر است: مجموعه حالت محدود ، مجموعه ورودی و مجموعه قوانین انتقال حالت [ 46 ]. مکانیسم عملکرد به شرح زیر خلاصه می شود: در یک حالت خاص ، پس از یک ورودی داده شده ، ماشین حالت حالت را به تبدیل می کند طبق قانون گذار دولت .

ساختار کلاس پایه عبارت پویا همانطور که در رابطه (13) نشان داده شده است، تعریف شده است:

مجموعه ای از موجودیت ها را نشان می دهد، مجموعه ای از محرک ها را نشان می دهد و مجموعه ای از قوانین انتقال را نشان می دهد. معادلات (14) و (15) به ترتیب ساختار مجموعه شرایط ماشه و مجموعه قوانین انتقال را بیان می کنند.

3.3.2. ساختار کلاس پایه بیان پویا
بیان پویا لایه شی برای خود موجودیت شی انجام می شود و تبدیل بین “دوره سیل” و “دوره بدون سیل” را بیان می کند. به عبارت دیگر، نشان می دهد که چه زمانی و چرا سیل شروع به تأثیرگذاری بر منطقه می کند و چه زمانی پایان می یابد.

برای تعریف کلاس عبارت پویا در سطح شی به معادله (16) مراجعه کنید:

مجموعه حالت موجودیت شی است، یعنی “سیل” و “بدون سیل”؛ مجموعه ای از محرک ها است. و مجموعه قوانین انتقال است. ساختار در معادلات (14) و (15) نشان داده شده است. نتایج عبارت در شکل 5 نشان داده شده است ، که فرآیند تبدیل بین دوره “سیل” و دوره “بدون سیل” شی i را نشان می دهد .

برای تعریف کلاس عبارت پویا سطح فاز به معادله (17) مراجعه کنید:

مجموعه ای از موجودیت های فازی را نشان می دهد که به یک موجود شیء تعلق دارند و و به ترتیب مجموعه ای از محرک های مرحله و مجموعه قوانین انتقال مرحله را نشان می دهد. شکل بیان با معادلات (14) و (15) مطابقت دارد. نتایج بیان در شکل 6 نشان داده شده است که فرآیند تبدیل هر فاز را در همان شی نشان می دهد.

معادله (18) تعریف کلاس عبارت پویا سطح وضعیت را ارائه می دهد:

مجموعه‌ای از موجودیت‌های وضعیتی است که عناصری از یک نوع را ثبت می‌کنند، به عنوان مثال، همه موجودیت‌های موضوعی هستند یا همه موجودیت‌های فاجعه‌بار هستند. و به ترتیب مجموعه ای از شرایط راه اندازی حالت و مجموعه قوانین انتقال حالت را نشان می دهد. و شکل بیان با معادلات (14) و (15) مطابقت دارد. همه موجودیت های موضوع یا همه موجودیت های فاجعه در یک شی یا در یک فاز در یک نمونه عبارت پویا در سطح وضعیت یکسان هستند. علاوه بر این، فقط وضعیت های متفاوت می تواند منتقل شود. نتیجه بیان در شکل 7 نشان داده شده است که روند تغییر بین پیش هشدار، پاسخ و بازیابی را در همان مرحله نشان می دهد.

4. روش

بر اساس EMMFPO، ما یک روش ساخت نهاد FPO و یک روش کسر توسعه سیل را برای تحقق انتقال از داده‌های FPO به اطلاعات عنصر سیل و اطلاعات فرآیند توسعه پیشنهاد کردیم.

4.1. روش ساخت نهاد FPO بر اساس بیان استاتیک

فرآیند ساخت موجودیت FPO یک روش عملیاتی مبتنی بر EMMFPO است که برای سازماندهی اطلاعات عنصر استخراج شده از داده های FPO استفاده می شود. شکل 8 فرآیند ساخت نهاد FPO را نشان می دهد.
مرحله 1 ایجاد موجودیت وضعیت:

ساخت نهادهای وضعیتی به ساخت و ساز نهاد موضوعی و ساخت نهاد فاجعه تقسیم می شود. برای نهادهای موضوعی، مدل از وضعیت موضوع هر منطقه هر روز به عنوان واحد وضعیت اولیه استفاده می کند ، که در آن i نمایانگر ناحیه i و j نشان دهنده روز j است . معادله (19) را ببینید. ویژگی موضوع، پنج موضوع برتر را با بالاترین درجه بحث در منطقه ذخیره می‌کند و ویژگی احساسات میانگین احساسات و واریانس آن را در متن مربوطه ذخیره می‌کند.

مجموعه ای از مقادیر محبوبیت موضوع مربوط به همه متون در ناحیه i در روز j و max( A , k ) نشان دهنده k -امین عنصر در مجموعه A است که از بزرگترین به کوچکترین مرتب شده است. اگر چندین موضوع داغ در روز وجود داشته باشد، هر موضوع داغ به عنوان واحد وضعیت اولیه استفاده می شود و فقط موضوعات مربوطه و موضوعات داغ ثبت می شود.

ساخت یک موجودیت فاجعه شبیه به یک موجودیت موضوعی است. انواع مختلف بلایا در هر منطقه در هر روز به عنوان واحد وضعیت اولیه تعریف می شود ، جایی که i نشان دهنده ناحیه i- ام، j نشان دهنده j -مین نوع فاجعه، و k نشان دهنده روز k -ام است. برای جزئیات بیشتر به معادله (20) مراجعه کنید.

مجموعه اطلاعات بلایا از ناحیه i- امین، روز k- ام و نوع فاجعه j- امین استخراج شده از متن را نشان می دهد. ساختار عناصر فاجعه استخراج شده از هر متن در جدول 1 نشان داده شده است . CS_Union () تابع تجمیع واحد وضعیت اولیه فاجعه است که قوانین آن عبارتند از:
(1)
برای اطلاعات ساختاری پیش‌اخطار و پاسخ، زمان انتشار و منطقه درگیر بدون تغییر باقی می‌ماند. رتبه مقدار را به ترتیب بزرگی ثبت می کند، و شکل آن ساختار است، مثلاً [{‘rank’:’quantity’}]. Webid از یک نوع عدد صحیح به یک مجموعه تغییر می کند و عناصر مجموعه همگی Webids تجمیع شده هستند.
(2)
برای اطلاعات ساختاری از دست دادن فاجعه، زمان انتشار و Webidها مانند قانون فوق است. با این حال، شامل قوانین SP، BL، EL و FL نیز می شود که در جدول 1 به تفصیل آمده است. این قانون عمدتاً برای انتخاب حداکثر مقدار نتیجه استخراج در نظر گرفته شده است.
پس از ساخت واحد وضعیت اولیه، واحدهای موضوع و وضعیت فاجعه بر اساس اصول زمان مشابه، مکان مشابه و موضوع/فاجعه مشابه برای تشکیل یک موجودیت وضعیت، همانطور که در شکل 9 نشان داده شده است، جمع می شوند. زمان مشابه به این معنی است که فاصله زمانی بین دو واحد کمتر یا مساوی یک روز است، مساحت فضایی یکسان به این معنی است که دو واحد در یک منطقه فضای جغرافیایی قرار دارند، موضوع مشابه به این معنی است که بیشترین موضوع مورد بحث ذخیره شده در عناصر موضوعی دو واحد یکسان است و وضعیت فاجعه مشابه به این معنی است که این دو واحد انواع یکسانی از بلایا هستند.
مرحله 2 ساخت موجودیت فاز:
ساخت موجودیت فاز بر اساس موجودیت وضعیت تکمیل می شود و عمدتاً به دو مرحله تقسیم می شود: (1) تعیین محدوده فاز اولیه بر اساس عنصر زمانی وضعیت. (2) محدوده نهایی فاز را بر اساس نوع وضعیت تعیین کنید.
ابتدا، بر اساس اصل مجاورت زمانی، موجودیت های وضعیت متعلق به یک منطقه و عناصر زمانی مجاور در یک فاز سازماندهی می شوند. تعریف زمان مجاور در شکل 10 نشان داده شده است .
ما به این نتیجه رسیدیم که در یک چرخه زندگی، پیش‌اخطار شروع چرخه است و بازیابی خسارت تخمینی پایان چرخه است. بنابراین، قرار است هر مرحله مقدماتی تقسیم شود. ابتدا باید وضعیت بازیابی زیان برآورد شده در مراحل اولیه استخراج شود. اگر وضعیت دیگری در روز پایان وضعیت وجود نداشته باشد، در نظر گرفته می شود که یک چرخه حیات کامل شده است. بنابراین، فاز مقدماتی با استفاده از این وضعیت به عنوان مرز فاز به دو فاز جدید تقسیم می‌شود. فرآیند تقسیم فاز در شکل 11 نشان داده شده است .
مرحله 3 ساخت شی و موجودیت رویداد:
ساختار موجودیت شی برای مرتبط ساختن فازهای همان ناحیه استفاده می شود. ساختار موجودیت رویداد همه موجودیت های شی را به هم مرتبط می کند.

4.2. روش کسر توسعه سیل بر اساس بیان پویا

بر اساس نهاد FPO، توسعه سیل را می توان با 3 مرحله استنباط کرد.
مرحله 1 مجموعه موجودیت را بسازید:
موجودیت‌ها بر اساس رابطه ارتباط گروه‌بندی می‌شوند، موجودیت‌های وضعیت متعلق به یک فاز در مجموعه موجودیت یکسانی هستند و موجودیت‌های فاز متعلق به یک شی در همان مجموعه موجودیت هستند.

مجموعه موجودیت شی متفاوت است. در عبارت دینامیک شی ( شکل 5 را ببینید )، منطقه ای را که تحت تأثیر سیل قرار گرفته است، توصیف می کند. بنابراین، این مجموعه شامل دو موجودیت به نام‌های «سیل» و «بدون سیل» است و تقسیم با محدوده زمانی رویداد و محدوده زمانی شی تعیین می‌شود. برای جزئیات به معادله (21) مراجعه کنید.

و به ترتیب زمان تولید و زمان پایان موجودیت شی را نشان می دهد و و به ترتیب زمان تولید و زمان پایان موجودیت رویداد را نشان می دهد که شی به آن تعلق دارد.
مرحله 2 ایجاد رابطه:

در مرحله بعد، موجودیت های موجود در مجموعه بر اساس اصل شباهت عنصر زمان مرتبط می شوند. موجودیت‌های وضعیت نیز باید به ترتیب انواع وضعیت باشند، زیرا پیش‌اخطار ابتدا از نظر تئوری ایجاد می‌شود، سپس پاسخ و سپس بازیابی می‌شود. ساختار همبستگی در رابطه (22) نشان داده شده است.

نشان دهنده شناسه مربوط به نهاد شروع مرتبط و شناسه مربوط به موجودیت پایانی مرتبط را نشان می دهد.
مرحله 3 محرک ها را پیدا کنید و قوانین انتقال را کامل کنید:

فرض بر این است که هر رابطه یک یا چند محرک دارد که عناصر زمانی و مکانی شبیه به عناصر . و یک قانون گذار تشکیل دهید . ساختار در معادله (23) نشان داده شده است.

بنابراین، بر اساس محدوده زمانی و مکانی، محرک‌های مرتبط برای تکمیل زنجیره تغییر جستجو می‌شوند. در عین حال، با توجه به قوانین موجود، می توان محرک های بالقوه را استنباط کرد.
با این مراحل یک عبارت پویا چند سطحی تشکیل می شود. از طریق تجسم (همانطور که در شکل 12 نشان داده شده است )، سطوح مختلف موجودیت ها، شرایط انتقال و قوانین انتقال به صورت بصری بیان می شوند تا فرآیند توسعه سیل را نشان دهند.

5. مطالعه موردی

5.1. معرفی مختصر

رودخانه یانگ تسه یک منطقه سیل خیز است و هر تابستان سیل های بزرگ یا کوچک رخ می دهد. ما “طوفان باران و فاجعه سیل فوق‌العاده در حوضه رودخانه یانگ تسه و هوآی در جولای 2020” را به عنوان یک مورد تحقیقاتی انتخاب کردیم. سیل باعث شد که در مجموع 34.173 میلیون نفر در 11 استان (شهرداری) – آنهویی، جیانگشی، هوبی، هونان، ژجیانگ، جیانگ سو، شاندونگ، هنان، چونگ کینگ، سیچوان و گوئیژو تحت تأثیر قرار گیرند. شکل 13 منطقه مورد مطالعه را نشان می دهد.

5.2. رویه آزمایشی

گوان و چن [ 47 ] نشان دادند که اطلاعات منتشر شده توسط آژانس های مدیریت اضطراری محلی و سایر دولت ها هنوز با ارزش ترین منبع اطلاعات مربوط به بلایا است. بنابراین، در این مورد، ما بازیابی اطلاعات را بر اساس کلمات کلیدی، اطلاعات زمانی و اطلاعات مکانی انجام دادیم. ما از ابزارهای خزنده و روش های فیلتر برای به دست آوردن 5428 متن Weibo از حساب های رسمی تایید شده استفاده کردیم. با استفاده از مدل CRF، LDA، LSTM و سایر روش‌های یادگیری ماشین، زمان، مکان، موضوع، احساسات، فاجعه و سایر عناصر هر متن را استخراج کردیم. بر اساس عناصر متن، از مدل و روش‌های خود برای سازماندهی اطلاعات و انجام تحلیل‌ها استفاده کردیم. در نهایت، مجموعه‌ای از نهادهای FPO ساختیم و فرآیند توسعه را استنباط کردیم. نمودار جریان در نشان داده شده استشکل 14 .

5.3. نتایج

5.3.1. فرآیند توسعه سیل

با توجه به فرآیند نشان داده شده در شکل 14 ، نتایج موجودیت نشان داده شده در پیوست A با استفاده از روش ساخت نهاد FPO به دست آمد. سپس بر اساس موجودیت ها، فرآیند توسعه سیل استنباط شد، همانطور که در شکل 15 نشان داده شده است.
مشخص شد که کل رویداد سیل را می توان به دو فاز اصلی ناشی از سیل شماره 1 رودخانه یانگ تسه و سیل شماره 2 در سال 2020 تقسیم کرد (سیل شماره 3 منطقه کوچکی را در بر گرفت و دور جدیدی از بلایا ایجاد نکرد) . با در نظر گرفتن هوبی به عنوان مثال، زیرا تأثیر سیل شماره 1 ناپدید نشده است، سیل شماره 2 به شدت ووهان را تحت تأثیر قرار داده است، بنابراین تجزیه فاز آشکاری وجود نداشت. سیل شماره 3 بعد از سیل شماره 2 شروع به تأثیر بر هوبی کرد و در نتیجه فاز جدیدی ایجاد شد. این اساساً همان وضعیت واقعی بود.
شایان ذکر است که شکل 15 پدیده‌ای را نشان می‌دهد که در آن موضوع موضوع در همان روز وضعیتی دارد که ممکن است با موجودیت حادثه یکسان نباشد زیرا موضوع پیش‌اخطار روی روز قبل متمرکز شده بود. بنابراین، نهادهای موضوعی در وضعیت یکسان اغلب پس از یا همزمان با موجودیت فاجعه توسعه می یابند.
5.3.2. تحلیل فضایی و زمانی
یکی از مزایای EMMFPO این است که داده ها به طور موثر بر اساس مکان و زمان سازماندهی می شوند تا بتوان الگوی کاوی مکانی-زمانی را بهتر انجام داد.
ابتدا، بر اساس موجودیت شی، مدل روند کلی تغییرات در بعد فضایی را مطالعه می‌کند و تلاش می‌کند مسیر منطقه آسیب‌دیده از سیل را پیدا کند.
با توجه به زمان سیلاب های رودخانه یانگ تسه شماره 1-3، این رویداد برای تجزیه و تحلیل به چهار دوره تقسیم شد. از آنجایی که سیل شماره 1 در 2 جولای رخ داد که تنها یک روز پس از تاریخ شروع بود، 4 جولای که هشدار در همه مناطق ظاهر شد، به جای 2 جولای تنظیم شد.
ما میانگین تعداد Weibos را در هر منطقه در هر دوره تجزیه و تحلیل کردیم. ما معتقد بودیم که تعداد Weibos با درجه فاجعه همبستگی خاصی دارد، همانطور که در برخی از مطالعات قبلی تأیید شده است [ 17 ، 39 ، 42 ]، و نتایج در شکل 16 نشان داده شده است.
سیل ابتدا مناطق غربی به ویژه چونگ کینگ را تحت تاثیر قرار داد. سپس دامنه نفوذ به تدریج به شرق گسترش یافت و جیانگشی به طور جدی تحت تأثیر قرار گرفت. با وقوع سیل شماره 2، دامنه به سمت شمال شرقی حرکت کرد و حوضه های رودخانه Huai مانند Anhui و Jiangsu به شدت تحت تاثیر قرار گرفتند. در نهایت تاثیر سیل به تدریج کاهش یافت.
برای بررسی بیشتر تغییرات در هر منطقه، نموداری از میانگین تعداد Weibos در هر منطقه در دوره های مختلف، همانطور که در شکل 17 نشان داده شده است، تهیه کردیم . مناطق غربی به طور کلی ابتدا سقوط کردند و سپس با روند نسبتاً ثابتی افزایش یافتند یا کاهش یافتند. مناطق مرکزی و شرقی ابتدا روند صعودی و سپس نزولی را نشان دادند. در این میان، آنهویی در سطح نسبتاً بالایی قرار داشت.
دوم، بر اساس فاز و موجودیت وضعیت، الگوهای موضوع و احساس را بررسی کردیم.
با توجه به تجزیه و تحلیل مورد بحث در بالا، ما سه استان چونگ کینگ (غربی)، هوبی (مرکزی)، و آنهویی (شرق) را برای تحقیق انتخاب کردیم. ما نسبت وضعیت های مختلف موضوع را در هر مرحله تجزیه و تحلیل کردیم و روندهای احساسی در هر وضعیت را بررسی کردیم. نتایج در شکل 18 و شکل 19 نشان داده شده است.
مطابق شکل 18 ، هر منطقه دارای ویژگی های نسبتا مشابهی در فازهای مختلف بود، یعنی نسبت هر وضعیت نزدیک بود. با این حال، فاز دوم هوبی با فاز اول کاملاً متفاوت بود. ما فرض کردیم که این به این دلیل است که فاز دوم فقط 5 روز به طول انجامید و طوفان باران در هوبی در این مرحله سریع بود، بنابراین توجه بیشتری به واکنش اضطراری شد. علاوه بر این، سه منطقه حالت های متفاوتی را ارائه کردند. ما فرض کردیم که سیل شدیدتر، نسبت بهبود بیشتر است. شکل 19نشان می دهد که تعداد متون مثبت با تکامل وضعیت (“پیش هشدار، پاسخ، بازیابی”، “قبل، حین و بعد از فاجعه”) افزایش یافته است. در همان زمان، شدت منطقه بیشتر با متون خنثی کمتر مرتبط بود.
با کاوش الگوهای مکانی-زمانی رویداد سیل، متوجه شدیم که الگوهای مکانی-زمانی متفاوتی در مناطق مختلف و مراحل ثابت وجود دارد. به طور کلی، شدت منطقه بیشتر با تعداد بیشتری از Weibos و متون احساسی بیشتر مرتبط بود. بنابراین، دولت باید توجه بیشتری به مناطقی داشته باشد که متون احساسی بیشتری وجود دارد و تعداد Weibos به سرعت در حال افزایش است. الگوهای مکانی و زمانی Weibo جایگاه تعیین کننده ای در تعیین سریع وضعیت سیل دارند.

6. بحث و نتیجه گیری

6.1. بحث

ما یک مدل داده جدید و دو روش جدید برای تحقق تبدیل داده‌های عظیم، کثیف و زائد به یک فرآیند توسعه رویداد سیل روشن پیشنهاد می‌کنیم. از طریق یک مطالعه موردی خاص، اعتبار مدل و روش ها تایید شد. ما با موفقیت روند توسعه یک رویداد سیل را بین مناطق استنباط کردیم. سیل ابتدا قسمت غربی را تحت تأثیر چونگ کینگ قرار داد، سپس قسمت مرکزی را تحت تأثیر قرار داد که توسط هوبی و جیانگشی نشان داده شد و سپس قسمت شرقی را تحت تأثیر قرار داد که آنهویی نماینده آن بود. روند توسعه در هر منطقه نیز مورد ارزیابی قرار گرفت. با مثال هوبی، سیل شماره 1 و شماره 3 به دو مرحله منتهی می شود. مرحله اول مدت ها طول کشید و تاثیر جدی داشت. این نتایج با وضعیت واقعی سازگار بود،
در مرحله بعد، ما بر استفاده عملی از مدل و روش های داده در این مقاله تمرکز کردیم. اول، مطالعه موردی الگوهای مکانی-زمانی را برای اثبات اینکه EMMFPO می‌تواند به طور موثر داده‌های FPO را از طریق شی، فاز و موجودیت‌های وضعیت سازماندهی و مدیریت کند، ارائه کرد. با تجزیه و تحلیل اطلاعات عنصر از مدل، مانند موضوعات و وضعیت احساسی فاز و وضعیت، امکان درک سریع وضعیت فعلی بلایای سیل برای کمک به اقدامات واکنش اضطراری به موقع و موثر فراهم شد. علاوه بر این، ما به طور موثر وضعیت و شرایط احتمالی محرک رویداد سیل را تجسم کردیم. با جمع آوری مقدار زیادی اطلاعات در مورد فرآیندها و محرک های مرتبط، پیش بینی وضعیت سیل بر اساس داده های رسانه های اجتماعی و پیش بینی روند توسعه رویدادها از قبل امکان پذیر خواهد بود. علاوه بر این، می توان یک سیستم مرتبط برای نظارت و تجسم اطلاعات سیل در زمان واقعی با مدل و روش های ارائه شده ایجاد کرد تا عموم مردم بتوانند به طور مستقیم و سریع تر وضعیت بلایای سیل را درک کنند که می تواند به جلوگیری از بلایا کمک کند و آسیب ها و تلفات اموال را کاهش دهد. . دولت همچنین می‌تواند موضوعات و احساسات جاری را از طریق سیستم نظارت کند تا مدیریت افکار عمومی قوی را انجام دهد و ضمن ارائه امداد رسانی به مردم در مناطق آسیب‌دیده، آسایش روانی را برای مردم در مناطق آسیب‌دیده فراهم کند. می توان یک سیستم مرتبط برای نظارت و تجسم اطلاعات سیل در زمان واقعی با مدل و روش های ارائه شده ایجاد کرد تا عموم مردم بتوانند به طور مستقیم و سریع تر وضعیت بلایای سیل را درک کنند که می تواند به جلوگیری از بلایا کمک کند و آسیب ها و تلفات اموال را کاهش دهد. دولت همچنین می‌تواند موضوعات و احساسات جاری را از طریق سیستم نظارت کند تا مدیریت افکار عمومی قوی را انجام دهد و ضمن ارائه امداد رسانی به مردم در مناطق آسیب‌دیده، آسایش روانی را برای مردم در مناطق آسیب‌دیده فراهم کند. می توان یک سیستم مرتبط برای نظارت و تجسم اطلاعات سیل در زمان واقعی با مدل و روش های ارائه شده ایجاد کرد تا عموم مردم بتوانند به طور مستقیم و سریع تر وضعیت بلایای سیل را درک کنند که می تواند به جلوگیری از بلایا کمک کند و آسیب ها و تلفات اموال را کاهش دهد. دولت همچنین می‌تواند موضوعات و احساسات جاری را از طریق سیستم نظارت کند تا مدیریت افکار عمومی قوی را انجام دهد و ضمن ارائه امداد رسانی به مردم در مناطق آسیب‌دیده، آسایش روانی را برای مردم در مناطق آسیب‌دیده فراهم کند.
با این حال، این مطالعه دارای محدودیت هایی بود. اول، عناصر در نظر گرفته شده در مدل داده را می توان بیشتر بهبود بخشید و تکمیل کرد. در حال حاضر، ملاحظات اصلی زمان، منطقه، موضوع، احساسات و وضعیت فاجعه (از جمله پیش هشدار، پاسخ، و وضعیت از دست دادن) بود. در آینده، رفتار توده‌ها در هنگام بلایا، مانند سفرهای عمومی و انتقال اطلاعات در شبکه‌های اجتماعی را می‌توان بیشتر مورد توجه قرار داد [ 44 ، 48 ].]. ما علاوه بر این در حال انجام آزمایش‌های کمی بیشتر برای نشان دادن اثربخشی روش‌های پیشنهادی هستیم. به عنوان مثال، ما بیان مدل را بهبود خواهیم بخشید و یک سیستم ارزیابی شاخص دقیق‌تر را برای آزمایش اثربخشی مدل مطالعه می‌کنیم. علاوه بر این، ما سعی خواهیم کرد از فناوری چند رشته ای و روش های GPU-CPU برای افزایش کارایی عملیاتی استفاده کنیم. علاوه بر این، به دلیل محدودیت داده ها، مدل در حال حاضر فقط در سطح استانی در مقیاس بزرگ تأیید شده است و کاربردهای مقیاس کوچکتر، مانند برای سطح جامعه، می تواند در آینده در نظر گرفته شود. در نهایت، مدل و روش‌های فعلی فقط حاوی داده‌های رسانه‌های اجتماعی هستند و می‌توان ادغام داده‌های چند منبعی، مانند داده‌های سنجش از راه دور و داده‌های ترافیکی جاده‌ها را بیشتر در نظر گرفت.17 ، 49 ، 50 ].
در نهایت، با وجود محدودیت‌های خاص، از طریق ساخت مدل و روش‌های داده، فرآیند توسعه رویدادهای سیل از پیش‌اخطار تا واکنش اضطراری و سپس بازیابی از منظرهای متعدد (رویداد، شی، فاز و وضعیت) محقق شد. حدس زده می‌شود که از طریق گروه‌بندی مؤثر داده‌ها، الگوهای مکانی-زمانی را می‌توان سریع‌تر و به طور خاص کاوش کرد. این مقاله تلاش موثری برای استفاده از داده های رسانه های اجتماعی برای مدیریت بلایا ارائه می دهد.

6.2. نتیجه گیری

ما یک مدل داده جدید برای سازماندهی و مدیریت داده‌ها و اطلاعات مربوط به سیل از رسانه‌های اجتماعی پیشنهاد کرده‌ایم که آن را داده‌های FPO می‌نامیم. این مدل اطلاعات پویا و استاتیک سیل را از منظرهای چندگانه رویداد (رویداد، جسم فضایی، فاز و وضعیت) بیان می‌کند. علاوه بر این، دو روش جدید برای تحقق تبدیل خودکار داده های عظیم FPO به موجودیت های FPO تعریف شده است و بر این اساس، فرآیندهای توسعه سیل را می توان با موفقیت استنباط کرد. اعتبار مدل و روش ها با مطالعه موردی طوفان باران و فاجعه سیل در حوضه رودخانه یانگ تسه و هوای در سال 2020 تأیید شد که در آن روند توسعه رویداد سیل با موفقیت استنباط شد و الگوهای زمانی و مکانی تعداد از Weibos، موضوعات و احساسات مورد ارزیابی قرار گرفت. تحقیقات نشان داده است که این شاخص ها همگی با شرایط بلایای طبیعی مرتبط هستند. در تحقیقات آینده مدیریت بلایا، با پایش این مقادیر، قضاوت سریع در مورد موقعیت‌های بلایا و اتخاذ اقدامات مناسب واکنش اضطراری که به طور قابل‌توجهی آگاهی موقعیتی را افزایش می‌دهد و به تسریع واکنش در بلایا و حمایت از مدیریت پس از بلایا کمک می‌کند، امکان‌پذیر خواهد بود.

منابع

  1. کروکس، AT; Wise، S. GIS و مدل‌های مبتنی بر عامل برای کمک‌های بشردوستانه. محاسبه کنید. محیط زیست سیستم شهری 2013 ، 41 ، 100-111. [ Google Scholar ] [ CrossRef ]
  2. جانسون، کارشناسی; Estoque، RC; لی، ایکس سی; کومار، پی. داسگوپتا، ر. آوتار، ر. Magcale-Macandog، DB مدل‌سازی تغییرات شهری با وضوح بالا و برآورد قرار گرفتن در معرض سیل در مقیاس ملی با استفاده از داده‌های فضایی باز: مطالعه موردی فیلیپین. محاسبه کنید. محیط زیست سیستم شهری 2021 ، 90 ، 101704. [ Google Scholar ] [ CrossRef ]
  3. ایشی واتاری، م. ساساکی، دی. سرمایه گذاری در حفاظت از سیل در آسیا: یک مطالعه تجربی با تمرکز بر رابطه بین سرمایه گذاری و خسارت. Prog. فاجعه علمی. 2021 ، 12 ، 100197. [ Google Scholar ] [ CrossRef ]
  4. اودین، ک. Matin، MA پهنه‌بندی خطر سیل بالقوه و نقشه‌برداری مناسب بودن پناهگاه سیل برای کاهش خطر بلایا در بنگلادش با استفاده از فناوری جغرافیایی. Prog. فاجعه علمی. 2021 ، 11 ، 100185. [ Google Scholar ] [ CrossRef ]
  5. سونگچون، سی. رایت، جی. Beevers, L. ارزیابی کیفیت داده‌های رسانه‌های اجتماعی جمع‌سپاری شده برای مدیریت سیل شهری. محاسبه کنید. محیط زیست سیستم شهری 2021 ، 90 ، 101690. [ Google Scholar ] [ CrossRef ]
  6. شریواستاو، بی بی. تیواری، KR; ماندال، RA; نپال، الف. ارزیابی آسیب‌پذیری سیل بر معیشت جامعه محلی: موردی از کریدور باگماتی جنوبی نپال. Prog. فاجعه علمی. 2021 ، 12 ، 100199. [ Google Scholar ] [ CrossRef ]
  7. وزارت مدیریت اضطراری جمهوری خلق چین. وزارت مدیریت اضطراری ده بلای طبیعی برتر در کشور را در سال 2021 اعلام کرد. در دسترس آنلاین: https://www.mem.gov.cn/xw/yjglbgzdt/202201/t20220123_407199.shtml (در 25 مارس 2022 قابل دسترسی است).
  8. وزارت مدیریت اضطراری جمهوری خلق چین. وزارت مدیریت اضطراری ده بلای طبیعی برتر در کشور را در سال 2020 اعلام کرد. در دسترس آنلاین: https://www.mem.gov.cn/xw/yjglbgzdt/202101/t20210102_376288.shtml (در 25 مارس 2022 قابل دسترسی است).
  9. یزدانی، م. مجتهدی، م. لوسمور، ام. ساندرسون، دی. چارچوب مدل‌سازی برای طراحی یک سیستم پشتیبانی تخلیه برای زیرساخت‌های مراقبت‌های بهداشتی در پاسخ به رویدادهای سیل‌های بزرگ. Prog. فاجعه علمی. 2022 ، 13 ، 100218. [ Google Scholar ] [ CrossRef ]
  10. هاگن، جی اس. کاتلر، ا. ترامباور، پی. Weerts، A.; سوارز، پی. Solomatine، D. توسعه و ارزیابی مدل‌های پیش‌بینی سیل برای تامین مالی مبتنی بر پیش‌بینی با استفاده از یک ماتریس مناسب بودن مدل جدید. Prog. فاجعه علمی. 2020 ، 6 ، 100076. [ Google Scholar ] [ CrossRef ]
  11. یانگ، جی. یو، م. کین، اچ. لو، ام. یانگ، سی. چارچوب اعتبار داده های توییتر – طوفان هاروی به عنوان یک مورد استفاده. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 111. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  12. کواک، اچ. لی، سی. پارک، اچ. مون، اس. توییتر، شبکه اجتماعی یا رسانه خبری چیست؟ در مجموعه مقالات کنفرانس بین المللی وب جهانی، رالی، NC، ایالات متحده، 26-30 آوریل 2010. [ Google Scholar ]
  13. ساکاکی، ت. اوکازاکی، م. Matsuo, Y. زلزله کاربران توییتر را می لرزاند: تشخیص رویداد در زمان واقعی توسط حسگرهای اجتماعی. در مجموعه مقالات نوزدهمین کنفرانس بین المللی وب جهانی، WWW 2010، رالی، NC، ایالات متحده آمریکا، 26-30 آوریل 2010. [ Google Scholar ]
  14. اندرسون، AA بیان انعطاف پذیری: پاسخ های رسانه های اجتماعی به یک رویداد سیل. ریسک مقعدی 2021 ، 41 ، 1600-1613. [ Google Scholar ] [ CrossRef ]
  15. کرمگام، دی. رامورتی، اس. Mappillairaju، B. نقشه برداری تقریباً واقعی سیل با استفاده از داده های رسانه های اجتماعی به عنوان منبع اطلاعاتی: مطالعه موردی سیل چنای 2015. Geoenviron. Disasters 2021 , 8 , 25. [ Google Scholar ] [ CrossRef ]
  16. یائو، اف. Wang, Y. ردیابی موضوعات جغرافیایی شهری بر اساس مدل موضوع پویا. محاسبه کنید. محیط زیست سیستم شهری 2020 , 79 , 101419. [ Google Scholar ] [ CrossRef ]
  17. دی آلبوکرک، جی پی; هرفورت، بی. برنینگ، آ. Zipf، A. یک رویکرد جغرافیایی برای ترکیب رسانه های اجتماعی و داده های معتبر به منظور شناسایی اطلاعات مفید برای مدیریت بلایا. بین المللی جی. جئوگر. Inf. علمی 2015 ، 29 ، 667-689. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. تیم، ی. پان، SL; راکتام، پی. Kaewkitipong، L. پاسخ دیجیتالی فعال به بلایا: ظهور رسانه های اجتماعی به عنوان اشیاء مرزی در یک فاجعه سیل. Inf. سیستم J. 2017 ، 27 ، 197-232. [ Google Scholar ] [ CrossRef ]
  19. یو، م. یانگ، سی. Li, Y. داده های بزرگ در مدیریت بلایای طبیعی: یک بررسی. Geosciences 2018 , 8 , 165. [ Google Scholar ] [ CrossRef ][ Green Version ]
  20. هان، XH; Wang, JL استفاده از رسانه های اجتماعی برای استخراج و تجزیه و تحلیل احساسات عمومی در طول یک فاجعه: مطالعه موردی سیل سال 2018 در شهر شوگوانگ در چین. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 185. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  21. Mohan، DA تجزیه و تحلیل داده های بزرگ: دستاوردهای اخیر و چالش های جدید. بین المللی جی. کامپیوتر. Appl. تکنولوژی Res. 2016 ، 5 ، 460-464. [ Google Scholar ] [ CrossRef ]
  22. Ogie, RI; کلارک، RJ; پیشانی، اچ. پرز، پی. داده‌های رسانه‌های اجتماعی جمع‌سپاری شده برای مدیریت بلایا: درس‌هایی از پروژه PetaJakarta.org. محاسبه کنید. محیط زیست سیستم شهری 2019 ، 73 ، 108-117. [ Google Scholar ] [ CrossRef ]
  23. گرانل، سی. Ostermann، FO فراتر از جمع آوری داده ها: اهداف و روش های تحقیق با استفاده از VGI و رسانه های جغرافیایی اجتماعی برای مدیریت بلایا. محاسبه کنید. محیط زیست سیستم شهری 2016 ، 59 ، 231-243. [ Google Scholar ] [ CrossRef ]
  24. Allaire، MC از دست دادن فاجعه و رسانه های اجتماعی: آیا اطلاعات آنلاین می تواند تاب آوری در برابر سیل را افزایش دهد؟ منبع آب Res. 2016 ، 52 ، 7408-7423. [ Google Scholar ] [ CrossRef ]
  25. Paradesi، SM برچسب گذاری جغرافیایی توییت ها با استفاده از محتوای آنها. در مجموعه مقالات بیست و چهارمین کنفرانس بین المللی انجمن پژوهشی هوش مصنوعی فلوریدا، پالم بیچ، فلوریدا، ایالات متحده آمریکا، 18 تا 20 مه 2011. [ Google Scholar ]
  26. گلرنتر، جی. بالاجی، س. الگوریتمی برای تجزیه جغرافیایی محلی ریزمتن. GeoInformatica 2013 ، 17 ، 635-667. [ Google Scholar ] [ CrossRef ]
  27. باکی‌الله، م. لی، R.-Y.; Liang، SHL شناسایی جامعه جغرافیایی در توییتر با بهینه‌سازی سریع ماژولاریته: مطالعه موردی طوفان Haiyan. بین المللی جی. جئوگر. Inf. علمی 2015 ، 29 ، 258-279. [ Google Scholar ] [ CrossRef ]
  28. عمران، م. الباسونی، اس. کاستیو، سی. دیاز، اف. Meier, P. استخراج عملی اطلاعات مربوط به فاجعه از رسانه های اجتماعی. در مجموعه مقالات بیست و دومین کنفرانس بین المللی وب جهانی (WWW)، ریودوژانیرو، برزیل، 13 تا 17 مه 2013; ص 1021-1024. [ Google Scholar ]
  29. عمران، م. میترا، پ. کاستیلو، سی. توییتر به عنوان راه نجات: مجموعه توییتر مشروح انسانی برای NLP پیام های مرتبط با بحران. در مجموعه مقالات دهمین کنفرانس بین المللی منابع و ارزشیابی زبان (LREC)، پورتوروز، اسلوونی، 23 تا 28 مه 2016. صفحات 1638-1643. [ Google Scholar ]
  30. پویانفر، س. چن، اس.-سی. تشخیص خودکار رویداد ویدیویی برای داده‌های عدم تعادل با استفاده از یادگیری عمیق مجموعه پیشرفته. بین المللی ج. سمنت. محاسبه کنید. 2017 ، 11 ، 85-109. [ Google Scholar ] [ CrossRef ]
  31. Kanth، AK; چیترا، پ. Sowmya، GG ارزیابی مبتنی بر یادگیری عمیق شدت سیل با استفاده از جریان های رسانه های اجتماعی. استوک. محیط زیست Res. ارزیابی ریسک 2022 ، 36 ، 473-493. [ Google Scholar ] [ CrossRef ]
  32. چن، زی. موکرجی، ا. لیو، بی. Hsu، MC; Ghosh, R. استفاده از دانش قبلی چند دامنه ای در مدل های موضوعی. در مجموعه مقالات بیست و سومین کنفرانس مشترک بین المللی هوش مصنوعی (IJCAI)، پکن، چین، 3 تا 9 اوت 2013. [ Google Scholar ]
  33. چن، زی. موکرجی، ا. لیو، بی. Hsu، MC; کاستلانوس، ام. Ghosh, R. کشف موضوعات منسجم با استفاده از دانش عمومی. در مجموعه مقالات بیست و دومین کنفرانس بین المللی ACM در مدیریت اطلاعات و دانش (CIKM)، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 27 اکتبر تا 1 نوامبر 2013. ص 209-218. [ Google Scholar ]
  34. وانگ، YK; ژانگ، ZB; سو، اس. ضیا، کارشناسی ارشد مطالعه انفجاری سطح موضوعی برای تشخیص موضوع انفجاری در میکروبلاگ ها. در مجموعه مقالات بیست و سومین کنفرانس اقیانوس آرام-آسیا در مورد کشف دانش و داده کاوی (PAKDD)، ماکائو، چین، 14 تا 17 آوریل 2019؛ صص 97-109. [ Google Scholar ]
  35. وانگ، YD; وانگ، تی. بله، XY; زو، جی کیو. لی، جی. استفاده از رسانه های اجتماعی برای واکنش اضطراری و پایداری شهری: مطالعه موردی طوفان باران پکن در سال 2012. پایداری 2016 ، 8 ، 25. [ Google Scholar ] [ CrossRef ]
  36. لی، جی. او، ز. پلازا، جی. لی، ST; چن، جی اف. وو، اچ ال. وانگ، YD; لیو، ی. رسانه های اجتماعی: دیدگاه های جدید برای بهبود سنجش از راه دور برای پاسخ اضطراری. Proc. IEEE 2017 ، 105 ، 1900-1912. [ Google Scholar ] [ CrossRef ]
  37. سیف، ح. او، YL; فرناندز، م. آلانی، ح. معناشناسی متنی برای تحلیل احساسات توییتر. Inf. روند. مدیریت 2016 ، 52 ، 5-19. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  38. یین، جی. کریمی، س. لامپرت، ا. کامرون، ام. رابینسون، بی. پاور، آر. استفاده از رسانه های اجتماعی برای افزایش آگاهی وضعیت اضطراری. در مجموعه مقالات اولین کارگاه بین المللی تحلیل تأثیر اجتماعی/ بیست و چهارمین کنفرانس مشترک بین المللی هوش مصنوعی (IJCAI)، بوئنوس آیرس، آرژانتین، 25 تا 31 ژوئیه 2015؛ صص 4234-4238. [ Google Scholar ]
  39. هرفورت، بی. د آلبوکرک، JP; شلهورن، اس جی. Zipf، A. بررسی روابط جغرافیایی بین رسانه‌های اجتماعی و پدیده‌های سیل برای بهبود آگاهی موقعیتی. در مجموعه مقالات هفدهمین کنفرانس AGILE در علم اطلاعات جغرافیایی، کاستلون، اسپانیا، 3-6 ژوئن 2014. صص 55-71. [ Google Scholar ]
  40. چای، جی. تام، دی. جانگ، ی. کیم، اس. ارتل، تی. Ebert، DS تجزیه و تحلیل پاسخ رفتار عمومی در حوادث فاجعه با استفاده از تجزیه و تحلیل بصری داده های میکروبلاگ. محاسبه کنید. نمودار. 2014 ، 38 ، 51-60. [ Google Scholar ] [ CrossRef ]
  41. راسر، جی اف. Leibovici، DG; جکسون، ام جی نقشه برداری سیل سریع با استفاده از رسانه های اجتماعی، سنجش از دور و داده های توپوگرافی. نات. خطرات 2017 ، 87 ، 103-120. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  42. Li، ZL; وانگ، CZ; امریش، سی تی. Guo, DS یک رویکرد جدید برای استفاده از رسانه های اجتماعی برای نقشه برداری سریع سیل: مطالعه موردی سیل 2015 کارولینای جنوبی. کارتوگر. Geogr. Inf. علمی 2018 ، 45 ، 97-110. [ Google Scholar ] [ CrossRef ]
  43. خو، ال. Ma، A. ارزیابی احتمال غرقابی درشت به ریز بر اساس تصویر سنجش از دور و داده‌های رسانه‌های اجتماعی. ژئو اسپات. Inf. علمی 2021 ، 24 ، 279-301. [ Google Scholar ] [ CrossRef ]
  44. وانگ، زی؛ Ye, XY تجزیه و تحلیل رسانه های اجتماعی برای مدیریت بلایای طبیعی. بین المللی جی. جئوگر. Inf. علمی 2018 ، 32 ، 49-72. [ Google Scholar ] [ CrossRef ]
  45. هوانگ، QY; Xiao, Y. آگاهی موقعیت جغرافیایی: توییت‌های استخراج برای آمادگی در برابر بلایا، واکنش اضطراری، تأثیر و بازیابی. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 1549-1568. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  46. ایبیاس، ا. نونیز، م. Hierons، RM استفاده از اطلاعات متقابل برای آزمایش از ماشین‌های حالت محدود: انتخاب مجموعه آزمایشی. Inf. نرم افزار تکنولوژی 2021 ، 132 ، 106498. [ Google Scholar ] [ CrossRef ]
  47. Guan، XY; چن، سی. استفاده از داده های رسانه های اجتماعی برای درک و ارزیابی بلایا. نات. خطرات 2014 ، 74 ، 837-850. [ Google Scholar ] [ CrossRef ]
  48. کیم، جی. Hastak, M. تحلیل شبکه های اجتماعی: ویژگی های شبکه های اجتماعی آنلاین پس از یک فاجعه. بین المللی J. Inf. مدیریت 2018 ، 38 ، 86-96. [ Google Scholar ] [ CrossRef ]
  49. جونگمن، بی. Wagemaker، J.; رومرو، BR; De Perez، EC تشخیص زودهنگام سیل برای واکنش سریع بشردوستانه: مهار سیگنال های ماهواره ای و توییتر در زمان واقعی. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 2246-2266. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  50. لیو، ز. کیو، کیو. لی، جی. وانگ، ال. Plaza، A. حمل و نقل بهینه جغرافیایی برای داده های ناهمگن: ترکیب سنجش از راه دور و رسانه های اجتماعی. IEEE Trans. Geosci. Remote Sens. 2020 , 59 , 6935–6945. [ Google Scholar ] [ CrossRef ]
Ijgi 11 00306 g001 550
شکل 1. نمودار شماتیک EMMPFO.
Ijgi 11 00306 g002 550
شکل 2. نمودار شماتیک رابطه بین کلاس های بیان EMMFPO.
Ijgi 11 00306 g003 550
شکل 3. نمودار شماتیک عملیات اتحاد عنصر زمان.
Ijgi 11 00306 g004 550
شکل 4. نمودار شماتیک روش به دست آوردن اطلاعات عناصر در چهار سطح.
Ijgi 11 00306 g005 550
شکل 5. نمودار شماتیک نتایج ارائه کلاس های بیان پویا در سطح شی.
Ijgi 11 00306 g006 550
شکل 6. نمودار شماتیک نتایج ارائه کلاس بیان پویا سطح فاز.
Ijgi 11 00306 g007 550
شکل 7. نمودار شماتیک نتایج ارائه کلاس عبارت پویا در سطح وضعیت.
Ijgi 11 00306 g008 550
شکل 8. نمودار شماتیک فرآیند ساخت موجودیت FPO بر اساس بیان استاتیک.
Ijgi 11 00306 g009 550
شکل 9. نمودار شماتیک قوانین تجمیع واحد وضعیت.
Ijgi 11 00306 g010 550
شکل 10. چندین موقعیت که عناصر زمانی مجاور هستند (قطعات خط آبی و نارنجی دو دوره زمانی را نشان می دهند).
Ijgi 11 00306 g011 550
شکل 11. نمودار شماتیک تعیین محدوده فاز نهایی بر اساس نوع وضعیت (عدد در دایره نشان دهنده عنصر زمان و “1-2” به معنای روز اول تا روز دوم است).
Ijgi 11 00306 g012 550
شکل 12. نمونه ای از عبارت پویا چند سطحی تحت یک موجودیت شی خاص (عدد در دایره نشان دهنده عنصر زمان است).
Ijgi 11 00306 g013 550
شکل 13. منطقه مطالعه.
Ijgi 11 00306 g014 550
شکل 14. رویه تجربی مطالعه موردی.
Ijgi 11 00306 g015 550
شکل 15. فرآیند توسعه سیل (با استفاده از Hubei به عنوان مثال).
Ijgi 11 00306 g016 550
شکل 16. میانگین تعداد Weibos در ( a ) 1 ژوئیه تا 4 ژوئیه، ( b ) 5 ژوئیه تا 17 ژوئیه، ( c ) 18 جولای تا 26 ژوئیه، و ( d ) 27 ژوئیه تا 31 جولای.
Ijgi 11 00306 g017 550
شکل 17. میانگین تعداد Weibos در هر منطقه.
Ijgi 11 00306 g018 550
شکل 18. نسبت وضعیت های مختلف موضوع در ( الف ) تمام مراحل چونگ کینگ، ( ب ) فاز 1 چونگ کینگ، ( ج ) فاز 2 چونگ کینگ، ( د ) تمام مراحل هوبی، ( ه ) فاز 1 هوبی، ( f ) فاز 2 هوبی، ( g ) تمام فازهای آنهویی، ( h ) فاز 1 آنهویی، و ( i ) فاز 2 آنهویی.
Ijgi 11 00306 g019 550
شکل 19. نسبت احساسات مختلف در هر وضعیت. ردیف 1 نشان دهنده وضعیت پیش اخطار، ردیف 2 نشان دهنده وضعیت پاسخ، ردیف 3 نشان دهنده وضعیت بازیابی، Colum1 نشان دهنده آنهویی، Colum2 نشان دهنده Hubei و Colum3 نشان دهنده چونگ کینگ است.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید