EN中文

地球信息科学学报 >

2023 , Vol. 25 >Issue 6: 1228 - 1239

DOI: https://doi.org/10.12082/dqxxkx.2023.210800

专刊：地理时空知识图谱理论方法与应用

顾及时空过程的台风灾害事件知识图谱表示方法

  • 王益鹏 , 1, 2 ,
  • 张雪英 , 1, 2, * ,
  • 党玉龙 1, 2 ,
  • 叶鹏 3, 4
展开
  • 1.南京师范大学虚拟地理环境教育部重点实验室，南京 210023
  • 2.江苏省地理信息资源开发与利用协同创新中心，南京 210023
  • 3.扬州大学城市规划与发展研究院，扬州 225127
  • 4.扬州大学建筑科学与工程学院，扬州 225127
*张雪英（1970— ），女，四川眉山人，教授，博士生导师，主要从事地理大数据挖掘、知识图谱和人文社会GIS等研究。E-mail:

王益鹏（1999— ），男，湖南益阳人，硕士研究生，主要从事地理知识图谱和大数据挖掘研究。 E-mail:

收稿日期: 2021-09-30

  修回日期: 2021-12-03

  网络出版日期: 2023-06-02

基金资助

国家自然科学基金项目(41971337)

国家重点研发计划项目(2021YFB3900903)

收起

Knowledge Graph Representation of Typhoon Disaster Events based on Spatiotemporal Processes

  • WANG Yipeng , 1, 2 ,
  • ZHANG Xueying , 1, 2, * ,
  • DANG Yulong 1, 2 ,
  • YE Peng 3, 4
Expand
  • 1. Key Laboratory of Virtual Geographic Environment, Nanjing Normal University, Ministry of Education, Nanjing 210023, China
  • 2. Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023, China
  • 3. Urban Planning and Development Institute, Yangzhou University, Yangzhou 225127, China
  • 4. College of Architectural Science and Engineering, Yangzhou University, Yangzhou 225127, China
*ZHANG Xueying, E-mail:

Received date: 2021-09-30

  Revised date: 2021-12-03

  Online published: 2023-06-02

Supported by

National Natural Science Foundation of China(41971337)

National Key Research and Development Program(2021YFB3900903)

Fold

摘要

我国是受台风影响最严重的国家之一，台风灾害严重威胁着沿海地区的社会经济和自然环境。近年来，随着知识图谱相关理论和应用技术的发展，其强大的知识整合与表达能力可以为台风灾害事件的动态监测与管理决策提供有力支持。针对当前台风灾害事件相关模型对时空过程表达不足等方面存在的问题，首先，从台风灾害机理出发，通过对台风灾害事件组成要素和动态特性的分析，提出从概念、对象、状态、特征和关系5个层次建立的台风灾害事件知识表达模型。其次，充分顾及台风灾害事件信息的多粒度特性，在模型中将不同的特征信息统一到各个对象中。为了突出台风灾害事件的时空过程，以状态作为过程在特定时空下的截面。最后，以2021年台风烟花事件为案例，构建了台风灾害事件知识图谱。结果表明，该模型不仅突出了事件中不同对象的特征刻画，通过多个对象的状态序列表达出台风灾害事件的时空过程，进一步提高台风灾害事件的全过程信息表达与存储，为应急决策方案提供有效的数据与决策辅助支持。

关键词： 台风灾害事件; 时空过程; 知识图谱; 知识表达模型; 知识表示; 台风烟花; 对象状态; 灾情检索

本文引用格式

王益鹏 , 张雪英 , 党玉龙 , 叶鹏 . 顾及时空过程的台风灾害事件知识图谱表示方法[J]. 地球信息科学学报, 2023 , 25(6) : 1228 -1239 . DOI: 10.12082/dqxxkx.2023.210800

Abstract

China is one of the countries that are most severely affected by typhoons. The direct economic losses caused by typhoons amount to more than 10 billion yuan, and the affected population is more than one million each year in China. Typhoon disasters seriously threaten the social economy and natural environment of coastal areas. As a result, there is an immediate necessity to improve disaster emergency management and comprehensive disaster prevention and mitigation. With the concept of knowledge graph proposed by Google in 2012, it has gradually become a research hotspot in the field of artificial intelligence and played a role in applications such as information retrieval, question answering, and decision analysis. The information integration and representation capability of the knowledge graphs can provide effective support for dynamic monitoring and management decisions of typhoon disaster events. There are problems with the current typhoon disaster models in the representation of spatiotemporal processes. Most disaster knowledge graphs are analyzed for single elements of disaster events, and the research on ontological representation and analysis of disaster development process is still lacking. Firstly, we propose a typhoon disaster events knowledge representation model established from five levels: concept, object, state, characteristic, and relationship, by analyzing the components and dynamic characteristics from the typhoon disaster mechanism. Second, this model considers the multi-granularity of typhoon event information, and unifies the different feature information into each object. Besides, in order to highlight the evolutionary characteristics of typhoon events, the state is taken as the cross-section of the process in a specific spatiotemporal feature. The state is an action or record of an object occurring in time and space. The process is the procedure that properties, forms, and patterns undergo as it gradually changes over time. Finally, we construct a knowledge graph of typhoon disaster events using the 2021 severe typhoon In-Fa as a case study. The results show that the model not only highlights the characteristics of different objects portrayed in the event, but also expresses the spatiotemporal processes of typhoon disaster events through the state sequences of multiple objects. The knowledge graph can be applied as a primary knowledge source in the emergency decision management of typhoon disaster events, which can undoubtedly enable relevant decision-makers to better perceive the spatial and temporal development of typhoon disaster situations. In disaster assessment, based on the rich contents covered in the knowledge graph, it can cope with assessing various aspects such as human casualties, economic losses, and secondary disasters.

Key words： typhoon disaster events; spatiotemporal processes; knowledge graph; knowledge representation model; knowledge graph representation; severe typhoon In-Fa; status of the object; retrieval of disaster condition

1 引言

台风是发生在西北太平洋或中国南海地区且风力达到一定强度的热带气旋，在世界其它地区，还有飓风、强热带气旋等称谓[1]。广义上而言，台风并非专指热带气旋的一类强度，在非正式场合提及台风通常泛指热带气旋本身。台风灾害事件特指某次发生的台风及其引发的人员伤亡、财产损失和环境破坏等一系列活动。相较于台风，台风灾害事件更偏向于是一种社会现象，与人类社会密切相关。
台风灾害事件研究一直受到国内外学者的关注，相关研究主要集中在台风灾害发生的时空分布特征、致灾因子危险性、台风预警方法、区域台风灾害风险评估等方面[2⇓⇓⇓-6]。灾前预测和应急响应是现阶段应对台风自然灾害、减少经济损失和人员伤亡的主要途径[7⇓-9]。随着大气探测与气象预报技术的发展，台风预测方面的技术体系已经相对完善，可以较为准确地预测台风登陆的位置和行进的路线[10-11]。对于灾害发生前后的应急响应工作，则需要实时灾情数据来辅助决策[12]。当前，台风灾情信息获取主要依靠相关工作人员的实地排查和逐级上报，存在实时性和效率方面的问题。对台风灾害而言，亟需对台风的演化过程、关键节点及产生影响进行客观描述和时空化表达，为防灾减灾提供领域性强、论证充分、逻辑严密的知识支持。
现实世界中台风灾害事件的相关数据具有数据量大、来源广泛、结构复杂等特点，这对灾害事件信息的整合、处理和分析能力提出了更高的要求和新的挑战。知识图谱（Knowledge graph）在近几年蓬勃发展，其强大的信息整合与知识表达能力无疑给这一难题提供了新的解决方向[13⇓-15]。知识图谱以结构化的形式描述客观世界中概念、实体及其关系，可以将不同来源的信息表达成更接近人类认知世界的知识形式，具备更好地组织、管理和理解海量信息的能力[16]。当前，熟知的通用知识图谱有Freebase[17]、DBpedia[18]、Wikidata[19]、YAGO4[20]，在金融、医疗、商业等领域知识图谱也有了相应的行业应用[21⇓⇓⇓⇓-26]。目前，已有众多学者基于本体构建了灾害领域知识图谱并实现相关应用。早在2008年就有通过OWL进行自然灾害领域本体构建的探索[27]。对于山洪灾害，研究人员构建了山洪知识库，通过知识图谱快速获取有关山洪的各种数据，包括监测预警数据、防洪工程数据、预案数据等信息，并根据这些信息快速做出防洪工作的布置决策[28-29]。在海洋灾害方面，研究者关注海洋灾害发展的时空过程特性，通过海洋灾害知识建模，实现互联网灾害信息抽取与时空变化过程分析[30]。针对地质灾害，研究人员构建了泥石流灾害知识图谱和地震灾害防治的知识图谱，实现了不同类型信息的综合联动，提高了防灾减灾信息服务的智能化水平[31-32]。此外，研究者构建自然灾害应急知识图谱以及一体化综合减灾的知识图谱，以洪涝及地震为案例，实现了多源异构灾害数据的汇聚以及灾害事件的关联分析[33-34]。对于突发性灾害，特别是在2020年“新冠疫情”肆虐全球，利用知识图谱结合交互式可视分析疫情态势的方法，能够从实时疫情态势监控、病患关联关系、高危人群防控等方面提供疫情态势分析[35⇓-37]。但是在灾害知识图谱的相关研究中，大多是针对灾害事件单一要素进行分析，构建灾害情景模型，缺乏对灾害发展过程的本体表示与分析研究[30]。
目前，台风灾害的观测数据来源广泛，及时地探测台风灾害事件的演化过程成为灾害应急响应的重要依据和参考，但现有研究缺少对台风灾害事件时空过程的建模。针对上述问题，基于台风灾害事件的时空过程分析，构建台风灾害事件知识图谱。整合分析灾害事件下各种要素的相互关系与演化过程，还可从不同空间区域、不同时间范围等多个角度对台风灾害事件的对象和灾情展开挖掘分析。为了有效组织并关联气象监测、互联网舆情、历史资料等多个来源的台风灾害数据，并为应急决策方案提供有效的数据与决策辅助支持，本文开展了台风灾害事件知识图谱的构建方法的研究。

2 研究方法

台风灾害事件作为一类典型的自然灾害，是由孕灾环境、致灾因子和承灾体等多种对象相互作用产生的综合体。台风灾害事件描述了台风及其次生灾害对自然环境和人类社会产生的各种破坏性影响，以及人类为了应对台风灾害而采取各种策略、方法和措施的过程[38]。台风灾害事件建模不仅在于灾害知识的逻辑表达，更在于将灾害事件组成要素之间的关系显式化，即显式化描述灾害的时空变化过程及其影响，从而探究灾前、灾中和灾后一系列相关事件的时空变化特征及其影响下的人群行为活动。

2.1 台风灾害事件时空过程

台风灾害事件是以过程的形式呈现的，由于台风中心位置不断变化、路径不断延伸，区域灾情、致灾因子强度、持续时间、灾区分布范围等也随时间不断变化。台风及其相关要素的相互作用共同构成了台风灾害事件整体，而相互作用的结果则是推动台风灾害事件的不断演化发展[39]。因此，时空性是台风灾害事件最基本的特性。通过总结台风灾害事件的发展过程，其生命周期大致分为形成期、发展期、持续期和衰亡期4个阶段（图1）。形成期是气象部门及相关机构监测到台风的生成，开始对台风进行编号并且发布预报信息，防灾减灾部门制定相关应急预案；发展期台风等级不断上升，直到中心附近气压达最低值、风速达最大值，期间可能发生台风登陆，气象部门持续监测台风动态并及时发布台风预警，防灾减灾部门启动应急预案进行响应；持续期台风中心附近气压与风力强度趋于稳定，影响范围在不断扩大中，气象部门依据监测信息不断更新预警等级，防灾减灾部门开始统计受灾情况；衰亡期台风中心附近风力减小、气压升高，气象部门停止对台风编号，停止发布台风预警，并开始关注灾后天气变化。由此可见，台风灾害的产生往往是台风的发展演化驱动的，台风在时间、空间上的演化规律和模式是一种十分有价值的知识。
图1 台风灾害事件的4个阶段

Fig. 1 The 4 stages of a typhoon disaster events

随着台风的变化，组成台风灾害事件的各个对象以及对象的特征（位置、属性、行为、关系等）都处于动态之中。动态不仅是台风灾害事件中不同对象之间的交互机制，同时也是这种交互作用产生的结果。在针对动态的研究中，涉及状态和过程等相关概念。状态是指对象在时间和空间上发生的一个动作或者记录；过程是指属性、形态和模式等随着时间逐渐变化所经历的程序；而事件则是蕴含着过程产生的原因或主题，是对过程整体的一种概述。台风灾害事件包含了不同对象的演变过程，状态序列只是事件过程的基本单元。通过将多个对象的状态序列进行联合，共同组成事件过程。

2.2 台风灾害事件知识表达模型

知识表示是进行知识应用的基础和前提，本研究从层级框架角度，将台风灾害事件表达模型自顶向下划分为5个层次：概念层、对象层、状态层、特征层和关系层，如图2所示。其中，概念层主要用以表达台风灾害事件知识体系中的概念描述；对象层用以表达现实世界中台风灾害事件的组成对象，包括具体的致灾因子、承灾体和孕灾环境；特征层定义了不同对象所具有的属性与行为，以及状态所包含的时空特征；关系层用以表达台风灾害事件知识表达模型中的关系类型。通过这5个层次对台风灾害事件的基本组成及其关系进行统一表达。
图2 台风灾害事件知识表达模型

Fig. 2 Knowledge representation model for typhoon disaster events

2.2.1 概念层

概念层主要描述台风灾害领域的概念分类体系，概念分类体系包含了台风灾害事件的相关概念、定义及其分类。台风灾害事件所涵盖的概念主要包括组成要素的概念类别，按照自然灾害系统理论，致灾因子、孕灾环境、承灾体组成了区域灾害系统，三者相互作用而产生灾情。其中，台风灾害的致灾因子主要为台风本身；承灾体依照《自然灾害承灾体分类与代码》（GB/T 32572—2016）[40]标准，划分为“人”、“财产”、“资源和环境” 3大类；孕灾环境可分为大气环境与地形地貌。概念层中的知识以节点的形式独立存在，不同的概念之间存在语义关系。

2.2.2 对象层

根据台风灾害事件的概念分类体系，台风灾害事件由众多独立的对象构成，因此可以通过对象的变化来表示事件的发展过程。台风灾害事件不仅包含台风本身，还包括影响台风变化的自然环境以及受到台风灾害影响的各类人物和事物。台风是事件中的主体对象，而受到台风破坏和影响的其它对象都是事件中的客体对象。
设E为台风灾害事件，O为台风灾害事件相关的对象，m代表图谱中台风灾害过程中对象的数量，则E可表示为：
E = < O 1 , O 2 , O 3 , … , O m >

2.2.3 状态层

状态是指对象在时间和空间上发生的特定变化、动作或者记录。根据事件的发展过程，可以将对象分解为不同状态，用状态的集合来表示对象的变化，通过对象的不同状态来表达事件自身的发展过程。
设O为台风灾害相关的对象，S为对象O的状态，n代表对象所包含的状态数量，则可表示为：
O = < S 1 , S 2 , S 3 , … , S n >
台风灾害事件的演化过程是通过不同对象状态在时空上的连接而组成。基于过程的建模是在台风灾害事件演变历程的基础上，对事件中不同对象的演变阶段进行分级抽象。因此，将同一对象的不同状态依据时间关系进行顺序连接，形成状态序列。
P o = < S o 1 , S o 2 , … , S o j >
式中： S 0 j表示组成对象过程Po的对象状态。状态序列是台风灾害事件过程中的基本单元，多个对象的状态序列联合共同组成事件过程。

2.2.4 特征层

特征是表达对象可供识别的特殊象征或标志。本文将对象的特征划分为4类：时间、空间、属性和行为。其中，时间 T和空间 S是对象存在的前提条件，也是表达对象的基本框架，在本文中空间特征主要指空间位置。属性 B用于表征对象本身具有的性质，行为 A用于描述对象产生的各类活动以及发生的不同动作。因此，对象的特征表示为：
C = < T , S , A , B >
台风灾害事件中的对象存在不同的时空状态，对象会随着时间的变化而发生空间位置移动和属性、行为的变化。因此，在特定的时间、空间条件下，结合对象所具有的属性特征和行为特征，共同构成了对象的不同状态。假设处于时间 f t和空间位置 f l，对象所表现出特定的属性 f a和行为 f b，对象状态可以表示为：
S o = < f t , f l , f a , f b >

2.2.5 关系层

台风灾害事件是一个统一的整体，构成台风灾害事件的各个要素往往是相关的。对象可以是概念、要素、特征，而关系也着重于关注多个对象之间的联系。关系的确定至少需要连接2个对象，可以表达为：
R = < O A , r , O B >
式中：OA和OB是台风灾害事件中的不同对象；r则表示OA和OB之间存在的关系类型。
关系层定义了知识图谱中包含的关系类型，在知识图谱中关系可以看作连接2个节点的边。关系用于连接概念节点、对象节点与特征节点等。

2.3 台风灾害事件知识图谱表示

台风灾害事件知识表达模型对台风灾害的组成要素和时空过程进行显式化表达，将表达模型转换为图结构是台风灾害事件知识图谱构建的关键步骤。知识图谱采用语义网络的表示方法，将知识表示为节点和关系的集合。节点包括概念、实体和属性等，关系将节点彼此关联形成知识网络。

2.3.1 概念知识表示

在台风灾害事件知识图谱中，概念知识由人工总结并作为概念节点存在。如图2所示，其最顶层概念节点为“台风灾害事件”，向下包含“致灾因子”、“孕灾环境”和“承灾体”。对于台风本身的概念体系，可以分为定义、结构、编号、命名、分类等，以此逐层向下构成不同的概念节点，表1展示了部分概念知识节点。概念知识的来源为专业书籍、领域文献、国家标准、气象法规等资料。在概念层如需添加新的概念知识，可以在已有概念知识体系上进行补充。
表1 台风灾害知识图谱概念节点（部分）

Tab. 1 Part of the typhoon disaster knowledge graph concept nodes

类型 名称 说明
概念节点 台风灾害事件 事件顶层概念
致灾因子 致灾因子概念
承灾体 承灾体概念
孕灾环境 孕灾环境概念
台风 台风基本概念
台风结构 台风的结构划分
台风等级分类 台风的分类依据和等级
台风命名 台风的命名标准
台风编号 台风的编号方法
人 承灾体中人的概念
人受灾指标 人的受灾指标的划分
财产 承灾体中财产的概念
财产受灾指标 财产的受灾指标的划分
资源与环境 承灾体中资源与环境的概念
…… 其它概念节点

2.3.2 对象-状态表示

在台风灾害事件知识图谱中，对象、状态及特征在图谱中都表示为一个节点。一个事件节点可能会关联多个对象节点。事件节点为最高一级节点，对象本身是作为一个节点存在，由对象及对象所属的状态节点进行共同表达。状态节点单独存在，归属于对象节点，表示对象在不同时空下的特性或存在意义。
表2展示了部分台风灾害知识图谱的对象、状态、特征节点。台风所引发的台风灾害事件包含台风、人口、房屋、财产、农作物等多个对象。台风自身作为灾害事件的主体对象，它的类别为“台风”，对应的概念节点为“致灾因子”。台风在发展过程中包含不同的状态，不同状态的特征存在差异，由状态节点关联对象的各种特征。对象的特征同样作为一个单独节点存在，并与对象的状态相关联。特征知识由特征节点以及特征与状态之间的关系共同表达。从表达模型转化为知识图谱的存储结构需要采用实体关系抽取技术，由于台风灾害领域具有较高的专业性和复杂性，因此主要采用基于规则的知识抽取方法。抽取得到的实体节点和关系集合按照表达模型进行组织，将构建完成的知识三元组存入图数据库中。图3展示了对象节点及其关系的图谱表达形式，图4以台风烟花为例展示了对象、状态、特征节点及关系在图谱中的表达形式。
表2 台风灾害知识图谱中对象、状态、特征节点（部分）

Tab. 2 Part of the typhoon disaster knowledge graph objects, states, characteristic nodes

类型 名称 说明
对象节点 台风对象 事件中的台风实例
人物对象 事件中人物实例
房屋 事件中房屋实例
交通设施 事件中交通设施实例
通信设施 事件中通信设施实例
市政设施 事件中市政设施实例
基础设施 事件中基础设施实例
公共服务设施 事件中公共服务实例
工业设施 事件中工业设施实例
服务业设施 事件中服务设施实例
农业产品 事件中农业产品实例
…… 其他对象节点
状态节点 形成阶段 台风的形成状态
发展阶段 台风的发展状态
持续阶段 台风的持续状态
衰亡阶段 台风的衰亡状态
特征节点 时间 基于时间参考的特征节点
地点 基于空间参考的特征节点
台风名称 台风灾害事件中台风的名称
台风编号 台风的编号
风力大小 台风的风力大小
移动速度 台风的移动速度
受灾人数 台风灾害事件中受灾人口
死亡人数 台风灾害事件中死亡人口
紧急转移人口 台风灾害事件中紧急转移人口
直接经济损失 台风灾害事件的直接经济损失
损毁道路长度 台风灾害事件道路损毁的长度
农作物受灾面积 农作物的受灾面积
受灾企业数量 受灾的企业数量
倒塌房屋间数 倒塌的房屋间数
…… 其他特征节点
图3 对象节点及关系表示示例

Fig. 3 Example of object node and relationship representation

图4 对象、状态、特征节点及关系表示示例

Fig. 4 Example of object, state, characteristic node and relationship representation

3 实验与分析

3.1 实验数据及其处理

本文以2021年台风“烟花”事件为案例构建台风灾害事件知识图谱。2106号台风“烟花”是2021年登陆国内规模和影响最大的台风之一。7月25日在浙江省舟山市普陀区沿海登陆，登陆时中心附近最大风力达到13级。台风先后经过浙江、江苏、安徽、山东，最终于8月13日停止编号。根据国家减灾网发布的统计数据显示，台风“烟花”共造成8省（区、市）408万人受灾，直接经济损失69.8亿元。
台风灾害事件知识图谱的构建流程主要由数据准备、知识抽取、知识融合与图谱生成4个步骤组成。在数据准备阶段，从中国气象灾害年鉴、地方志、新闻网站等来源中收集各类台风灾害事件数据。结构化数据和非结构化文本使用数据库存储，半结构化数据以JSON/XML形式的文件保存。实验获取台风“烟花”结构化轨迹数据204条，获取半结构化和非结构化灾情数据2 566条。在台风灾害事件知识表达模型的基础上，进行知识抽取。针对结构化与半结构化的数据，将其格式转化为可被模型框架统一的三元组结构形式。针对大量非结构化的文本数据，通过规则匹配以及LSTM等机器学习方法进行对象、属性和关系内容的抽取与三元组转化。对于非结构化的概念知识，采用人工构建的方式导入知识图谱。知识融合依靠台风灾害事件知识表达模型的层级特性进行，融合过程包含对象实体对齐、状态时空融合、属性冲突检测消解。经融合后的台风灾害事件知识三元组使用Neo4J图数据库进行存储。

3.2 实验评估分析

台风灾害事件知识图谱通过节点和边来关联不同来源的知识，对其中所存储知识内容的查询展示是知识图谱的应用功能。图5中展示了在Neo4j Desktop中，通过CQL语句对2021年台风“烟花”事件中的对象台风“烟花”的关联知识查询。通过点击查询到的节点，可以显示或隐藏相关联的其他知识节点。其中，Neo4j图数据库有利于提供完善的查询语句与高效的查询搜索，且更容易表达真实的业务场景。从存储和查询来看，图数据库不仅提供了灵活的设计模式，还提供了高效的关联查询。在图数据库中，可以通过查询实体的边和边上的标签来快速地获取与该实体相联系的另一实体，而不用再进行各种表的关联操作，关系查询的效率显著提高。
图5 台风“烟花”状态查询结果

Fig. 5 Results of Severe Typhoon In-Fa status search in Neo4j

（1）台风过程表示
如图5所示，台风烟花经历了孕育阶段、发展增强阶段、成熟阶段和消亡阶段。不同的阶段对应着致灾因子台风的不同状态，并且不同状态又由各种子状态组成，形成一个个时间片段从而构成了台风的整体的时空过程。每个状态包括时间、中心位置、当前等级、中心气压、最大风速、最大风力、移动方向等信息。从图中选中台风“烟花”状态上可看出，2021年7月18日14点台风“烟花”中心位置（132.3°E，22.7°N）、中心气压995hPa、风速20 m/s、移速 10 km/h。到了2021年7月24日14时，台风烟花中心位置（124.3°E，27.2°N）、中心气压960 hPa、风速40m/s、移速17 km/h。可看出台风灾害知识图谱涵盖了台风运动过程中的所有气象数据和位置信息。
（2）灾情状态检索
在执行应急任务时，通过台风灾害事件知识图谱可以实时获取任务区域不同时空状态下的灾情信息。如图6所示，图谱中记录了台风烟花事件中承灾体的受灾情况。因为时空框架的存在（图中深蓝色节点为时间节点，灰色为空间位置节点），可以快速检索不同时间和地点的受灾情况，如苏州市、南通市、无锡市的受灾人群。根据统一框架下的时间节点，可以得到具体时间内的所有灾情信息，还可以根据时间顺序或空间位置对灾情信息进行梳理，对灾情的全过程进行分析。
图6 灾情状态检索

Fig. 6 Display of typhoon disaster status search

面向台风的灾情检索、灾害过程监测任务是知识图谱应用于实际过程的典型案例。本文为台风灾害事件提供了一种知识表达框架，更好地体现灾害事件各个要素之间丰富的关联关系，从海量数据中获取可实际应用的知识，提升知识的智能应用水平。台风灾害事件知识图谱中包含有受灾区域的地面气象站点数据、台风实况数据、灾情过程数据等。多样的数据内容可以为应对行为提供有效的气象信息服务支持，并具有一定的跨部门数据整合能力，实现了台风灾情信息在深度和广度层面上的知识关联和梳理分析。

3.3 讨论

台风灾害事件存在较长持续性，通过对象状态与特征之间的语义关联可以进行灾害时空过程的分析。例如，根据某地区受到台风影响的时间，可以通过关联的时间节点得到更早或更晚受到台风影响的地区，也可以利用相关时间和空间节点对灾情进行回溯分析。以时间节点为主线进行回溯可以获取一定时间顺序的灾情数据，以空间节点为主线进行回溯可以获取某一空间位置或范围的所有灾情数据，当时间和空间节点相结合时可以获得一定时空范围内的系统化灾情数据。
防灾减灾等相关部门在获取到台风预警信息后，可以结合自身气象条件进行灾害风险评估，进而启动相应的应急预案，引导社会公众对未发生的灾害进行预防。当出现新的台风灾害时，可以通过台风灾害知识图谱对以往相似时间或位置的信息进行汇总，及时发现可能发生的相关灾害或危情。例如，在“烟花”台风事件中，当台风处于“发展”状态，气象部门需要密切监测台风的移动方向与强度变化，潜在影响区域需要提前制定应急预案，进行防灾筹备工作。当台风处于“成熟”状态，受影响区域需要启动应急预案，防灾减灾部门执行抗灾抢险。从图6可知，台风“烟花”对铁路、工地、船只、农田、企业等都造成了不同程度的影响，还伴随着时间和空间的变化。再次出现相似台风时，相关部门可以针对性采取预防措施。台风灾害事件知识图谱采用图结构进行存储，图数据结构具有传统关系数据结构难以在实际生产环境中实现的即时多重关联查询能力。在统一的时空框架下，可以从对象、属性、时间、空间中任意一种或多种角度相结合，查询并生成所需的台风灾害事件知识。
知识图谱作为基础知识来源应用于台风灾害事件的应急决策管理中，无疑可以使相关决策人员更好地感知台风灾情的时空发展态势变化。在灾害评估方面，基于知识图谱中涵盖的丰富内容，能够应对人员伤亡、经济损失、次生灾害等各方面的评估的需求。相较于已有台风灾害本体构建和信息聚合相关研究，本文从台风灾害事件的时空动态特性出发，提出了面向时空过程的知识表达模型,与传统的静态本体模型相比更加突出表达台风灾害的发展过程，并利用信息聚合的相关技术对灾情信息进行融合，可为灾情分析和防灾减灾等工作提供重要的支撑。不足之处在于，知识获取和融合过程中，由于知识来源的复杂性，还无法做到知识图谱的自动化构建。在后续研究中，对于灾害链和应急响应相关知识的推理方法还有待补充完善。

4 结语

知识图谱为灾害信息提供了一种新的获取、存储、管理和展示的手段，为自然灾害研究和防灾减灾知识服务拓展了新的空间。本文以台风灾害为研究对象，梳理了台风灾害事件的组成对象，分析了事件发展的时空过程，提出了顾及时空过程的台风灾害事件的知识表达模型。最后以2021年台风烟花事件为数据驱动进行实验验证，分析了台风灾害事件知识图谱的实际应用价值。结果表明，本文构建的台风灾害事件知识图谱在概念、属性、语义关联上能够满足对灾害事件、灾害数据的描述，能够较为完整地展示事件的发展过程以及时间和空间上的变化，并且能够清晰地表达实体间丰富的关联关系。验证了本文所提出的台风灾害事件表达模型和知识图谱构建方法的有效性和可行性。
本文提出的模型应用于台风灾害事件的研究，对其他种类气象灾害事件具备一定的适用性。未来还将结合气象防灾减灾领域的事件特点，进行更深层次的研究，包括灾害事件的连带关系与影响等方面，充分利用知识图谱在节点之间关系表示方面的优势。在知识存储方面，现有的图数据库在时空过程检索上仍然存在一定的局限性，不能完全满足海量时空大数据的查询任务，在知识图谱时空索引方面有待进一步的研究。此外，如何通过知识图谱挖掘出灾害的时空格局、演化规律、活动模式和内在机理等问题，仍有待进一步拓展和深化。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
王存忠. 台风名词探源及其命名原则[J]. 科技术语研究, 2006(2):58-63.

[ Wang C Z. A study on the origin of the noun "Typhoon" and it's naming rules[J]. Chinese Science and Technology Terms Journal, 2006(2):58-63. ] DOI:10.3969/j.issn.1673-8578.2006.02.026

DOI

[2]
殷洁, 戴尔阜, 吴绍洪. 中国台风灾害综合风险评估与区划[J]. 地理科学, 2013, 33(11):1370-1376.

DOI

[ Yin J, Dai E F, Wu S H. Integrated risk assessment and zoning of typhoon fisasters in China[J]. Scientia Geographica Sinica, 2013, 33(11):1370-1376. ] DOI:10.13249/j.cnki.sgs.2013.11.015

DOI

[3]
陈长坤, 纪道溪. 基于复杂网络的台风灾害演化系统风险分析与控制研究[J]. 灾害学, 2012, 27(1):1-4.

[ Chen C K, Ji D X. Risk analysis and control for the evolution disaster system of typhoon based on complex network[J]. Journal of Catastrophology, 2012, 27(1):1-4. ] DOI:10.3969/j.issn.1000-811X.2012.01.001

DOI

[4]
梁春阳, 林广发, 张明锋, 等. 社交媒体数据对反映台风灾害时空分布的有效性研究[J]. 地球信息科学学报, 2018, 20(6):807-816.

DOI

[ Liang C Y, Lin G F, Zhang M F, et al. Assessing the effectiveness of social media data in mapping the distribution of typhoon disasters[J]. Journal of Geo-information Science, 2018, 20(6):807-816. ] DOI:10.12082/dqxxkx.2018.180022

DOI

[5]
许红师, 练继建, 宾零陵, 等. 台风灾害多元致灾因子联合分布研究[J]. 地理科学, 2018, 38(12):2118-2124.

DOI

[ Xu H S, Lian J J, Bin L L, et al. Joint distribution of multiple typhoon hazard factors[J]. Scientia Geographica Sinica, 2018, 38(12):2118-2124. ] DOI:10.13249/j.cnki.sgs.2018.12.021

DOI

[6]
Liu D, Pang L, Xie B. Typhoon disaster in China: prediction, prevention, and mitigation[J]. Natural Hazards, 2009, 49(3):421-436. DOI:10.1007/s11069-008-9262-2

DOI

[7]
曾明剑, 于波, 周曾奎, 等. 台风业务应用和预警系统简介[J]. 气象科学, 2007(4):451-456.

[ Zeng M J, Yu B, Zhou Z K, et al. Typhoon operational application and prewarning system[J]. Journal of the Meteorological Sciences, 2007(4):451-456. ] DOI:10.3969/j.issn.1009-0827.2007.04.016

DOI

[8]
赵春阳, 郑群峰, 王蕊, 等. 深圳市台风预警信号的时空分布特征和效果检验[J]. 广东气象, 2020, 42(4):44-47.

[ Zhao C Y, Zheng Q F, Wang R, et al. Temporal and spatial distribution characteristics and effectiveness test of typhoon warning signals in Shenzhen[J]. Guangdong Meteorology, 2020, 42(4):44-47. ] DOI:10.3969/j.issn.1007-6190.2020.04.011

DOI

[9]
Takahashi B, Tandoc E C, Carmichael C. Communicating on Twitter during a disaster: an analysis of tweets during Typhoon Haiyan in the Philippines[J]. Computers in Human Behavior, 2015, 50(C):392-398. DOI:10.1016/j.chb.2015.04.020

DOI

[10]
端义宏, 陈联寿, 许映龙, 等. 我国台风监测预报预警体系的现状及建议[J]. 中国工程科学, 2012, 14(9):4-9.

[ Duan Y H, Chen L S, Xu Y L, et al. The status and suggestions of the improvement in the typhoon observation, forecasting and warningsystems in China[J]. Strategic Study of CAE, 2012, 14(9):4-9. ] DOI:10.3969/j.issn.1009-1742.2012.09.003

DOI

[11]
雷小途. 中国台风科研业务百年发展历程概述[J]. 中国科学:地球科学, 2020, 50(3):321-338.

[ Lei X T. Overview of the development history of China's typhoon research and operational work in the past century[J]. Scientia Sinica(Terrae), 2020, 50(3):321-338. ] DOI:10.1007/s11430-0 18-9379-8

[12]
马莹雪, 赵吉昌. 自然灾害期间微博平台的舆情特征及演变——以台风和暴雨数据为例[J]. 数据分析与知识发现, 2021, 5(6):66-79.

[ Ma Y X, Zhao J C. Patterns and evolution of public opinion on weibo during natural disasters: case study of typhoons and rainstorms[J]. Data Analysis and Knowledge Discovery. 2021, 5(6):66-79. ] DOI:10.11925/infotech.2096-3467.2020.1258

DOI

[13]
黄恒琪, 于娟, 廖晓, 等. 知识图谱研究综述[J]. 计算机系统应用, 2019, 28(6):1-12.

[ Huang H Q, Yu J, Liao X, et al. Review on knowledge graphs[J]. Computer Systems & Applications, 2019, 28(6):1-12. ] DOI:10.15888/j.cnki.csa.006915

DOI

[14]
秦川, 祝恒书, 庄福振, 等. 基于知识图谱的推荐系统研究综述[J]. 中国科学:信息科学, 2020, 50(7):937-956.

[ Qin C, Zhu H S, Zhuang F Z, et al. A survey on knowledge graph-based recommender systems[J]. Scientia Sinica(Informationis), 2020, 50(7):937-956. ] DOI:10.1360/SSI-2019-0274

DOI

[15]
Ji S, Pan S, Cambria E, et al. A survey on knowledge graphs: Representation, acquisition, and applications[J]. IEEE Transactions on Neural Networks and Learning Systems, 2021, 33(2):494-514. DOI:10.1109/tnnls.2021.3070843

DOI

[16]
Hogan A, Blomqvist E, Cochez M, et al. Knowledge graphs[J]. arXiv e-prints, 2020,arXiv:2003.02320. DOI:10.1145/3447772

DOI

[17]
Bollacker K, Evans C, Paritosh P, et al. Freebase: a collaboratively created graph database for structuring human knowledge[C]. Proceedings of the 2008 ACM SIGMOD international conference on Management of data. Vancouver, Canada; Association for Computing Machinery. 2008:1247-1250. DOI:10.1145/1376616.1376746

DOI

[18]
Auer S, Bizer C, Kobilarov G, et al. Dbpedia: a nucleus for a web of open data[M]. The Semantic Web, Springer, Berlin, Heidelberg, 2007:722-735. DOI:10.1007/978-3-540-76298-0_52

DOI

[19]
Vrandecic D, Krtoetzsch M. Wikidata: A free collaborative knowledgebase[J]. Communications of the ACM, 2014, 57(10):78-85. DOI:10.1145/2629489

DOI

[20]
Suchanek F M, Kasneci G, Weikum G. YAGO: A large ontology from wikipedia and wordnet[J]. Journal of Web Semantics, 2008, 6(3):203-217. DOI:10.1016/j.websem.2008.06.001

DOI

[21]
陈晓军, 向阳. 企业风险知识图谱的构建及应用[J]. 计算机科学, 2020, 47(11):237-243.

DOI

[ Chen X J, Xiang Y. Construction and application of enterprise risk knowledge graph[J]. Computer Science, 2020, 47(11):237-243. ] DOI:10.11896/jsjkx.191000015

DOI

[22]
付雷杰, 曹岩, 白瑀, 等. 国内垂直领域知识图谱发展现状与展望[J]. 计算机应用研究, 2021, 38(11):3201-3214.

[ Fu L J, Cao Y, Bai Y, et al. Development status and prospect of vertical domain knowledge graph in China[J]. Application Research of Computers, 2021, 38(11):3201-3214. ] DOI:10.19734/j.issn.1001-3695.2021.04.0095

DOI

[23]
翟姗姗, 胡畔, 潘英增, 等. 融合知识图谱与用户病情画像的在线医疗社区场景化信息推荐研究[J]. 情报科学, 2021, 39(5):97-105.

[ Zhai S S, Hu P, Pan Y Z, et al. Scenario-based information recommendation of online medical community based on knowledge graph and disease portrait[J]. Information Science, 2021, 39(5):97-105. ] DOI:10.13833/j.issn.1007-7634.2021.05.014

DOI

[24]
王宁, 刘玮, 兰剑. 基于法院判决文书的法律知识图谱构建和补全[J]. 郑州大学学报(理学版), 2021, 53(3):23-29.

[ Wang N, Liu W, Lan J. Construction and completion of legal knowledge graph based on court judgment documents[J]. Journal of Zhengzhou University(Natural Science Edition), 2021, 53(3):23-29. ] DOI:10.13705/j.issn.1671-6841.2020304

DOI

[25]
Chicaiza J, Valdiviezo P. A comprehensive survey of knowledge graph-based recommender systems: Technologies, development, and contributions[J]. Information, 2021, 12(6):232. DOI:10.3390/info12060232

DOI

[26]
刘俊楠, 刘海砚, 陈晓慧, 等. 面向多源地理空间数据的知识图谱构建[J]. 地球信息科学学报, 2020, 22(7):1476-1486.

DOI

[ Liu J N, Liu H Y, Chen X H, et al. The construction of knowledge graph towards multi-source geospatial data[J]. Journal of Geo-information Science, 2020, 22(7):1476-1486. ] DOI:10.12082/dqxxkx.2020.190565

DOI

[27]
刘小生, 潘燕群. 基于OWL的自然灾害领域本体的建立[J]. 黑龙江工程学院学报, 2008(2):19-21.

[ Liu X S, Pan Y Q. The ontology building of field of natural disasters based on OWL[J]. Journal of Heilongjiang Institute of Technology, 2008(2):19-21. ] DOI:10.19352/j.cnki.issn1671-4679.2008.02.007

DOI

[28]
裘峰, 刘子豪, 任宇程, 等. 贵州省基于云计算的山洪灾害监测预警管理系统设计及应用[J]. 中国防汛抗旱, 2019, 29(3):12-15,19.

[ Qiu F, Liu Z H, Ren Y C, et al. Design and application of flash flood monitoring and early warning management system based on cloud computing in Guizhou Province[J]. China Flood & Drought Management, 2019, 29(3):12-15,19. ] DOI:10.16867/j.issn.1673-9264.2019004

DOI

[29]
Son J, Lim C-S, Shim H-S, et al. Development of knowledge graph for data management related to flooding disasters using open data[J]. Future Internet, 2021, 13(5):124. DOI:10.3390/fi13050124

DOI

[30]
贾梦姝, 张宇, 潘婷婷, 等. 面向互联网信息抽取的海洋环境灾害链本体构建——以台风灾害为例[J]. 地球信息科学学报, 2020, 22(12):2289-2303.

DOI

[ Jia M S, Zhang Y, Pan T T, et al. Ontology modeling of marine environmental disaster chain for Internet information extraction: A case study on Typhoon Disaster[J]. Journal of Geo-information Science, 2020, 22(12):2289-2303. ] DOI:10.12082/dqxxkx.2020.190765

DOI

[31]
张航. 泥石流灾害领域知识图谱的构建与应用[D]. 昆明: 云南师范大学, 2021.

[ Zhang H. Construction and application of knowledge graph in the field of debris glow disaster[D]. Kunming: Yunnan Normal University, 2021. ] DOI:10.27459/d.cnki.gynfc.2021.000566

DOI

[32]
谢炎宏, 王亮, 董春, 等. 面向地震灾害防治的知识图谱构建方法研究[J]. 测绘科学, 2021, 46(10):219-226.

[ Xie Y H, Wang L, Dong C, et al. Research on the construction method of earthquake disaster prevention knowledge graph[J]. Science of Surveying and Mapping, 2021, 46(10):219-226. ] DOI:10.16251/j.cnki.1009-2307.2021.10.028

DOI

[33]
杜志强, 李钰, 张叶廷, 等. 自然灾害应急知识图谱构建方法研究[J]. 武汉大学学报·信息科学版, 2020, 45(9):1344-1355.

[ Du Z Q, Li Y, Zhang Y T, et al. Knowledge graph construction method on natural disaster emergency[J]. Geomatics and Information Science of Wuhan University, 2020, 45(9):1344-1355. ] DOI:10.13203/j.whugis20200047

DOI

[34]
陶坤旺, 赵阳阳, 朱鹏, 等. 面向一体化综合减灾的知识图谱构建方法[J]. 武汉大学学报·信息科学版, 2020, 45(8):1296-1302.

[ Tao K W, Zhao Y Y, Zhu P, et al. Knowledge graph construction for integrated disaster reduction[J]. Geomatics and Information Science of Wuhan University, 2020, 45(8):1296-1302. ] DOI:10.13203/j.whugis20200125

DOI

[35]
蒋秉川, 游雄, 李科, 等. 利用地理知识图谱的COVID-19疫情态势交互式可视分析[J]. 武汉大学学报·信息科学版), 2020, 45(6):836-845.

[ Jiang B, You X, Li K, et al. Interactive visual analysis of COVID-19 epidemic situation using geographic knowledge graph[J]. Geomatics and Infornation Stience of Wuhan University, 2020, 45(6):836-845. ] DOI:10.13203/j.whugis20200153

DOI

[36]
董佳琳, 张宇航, 徐永康, 等. 基于知识图谱的新冠疫情智能问答系统[J]. 信息技术与信息化, 2021(6):258-261.

Zhang Y H, Xu Y K, et al. Intelligent question answering system of COVID-19 based on knowledge graph[J]. Information Technology and Informatization, 2021(6):258-261. ] DOI:10.3969/j.issn.1672-9528.2021.06.077

DOI

[37]
严玲, 周作建, 胡云, 等. 基于知识图谱的新型冠状病毒肺炎研究可视化分析[J]. 辽宁中医杂志, 2021, 48(9):96-99,223-224.

[ Yan L, Zhou Z J, Hu Y, et al. Visual analysis of research on COVID-19 based on knowledge graph[J]. Liaoning Journal of Traditional Chinese Medicine, 2021, 48(9):96-99,223-224. ] DOI:10.13192/j.issn.1000-1719.2021.09.026

DOI

[38]
Ye P, Zhang X, Shi G, et al. TKRM: A formal knowledge representation method for typhoon events[J]. Sustainability, 2020, 12(5):2030. DOI:10.3390/su12052030

DOI

[39]
Ye P, Zhang X, Huai A, et al. Information detection for the process of typhoon events in microblog text: A spatio-temporal perspective[J]. ISPRS International Journal of Geo-information, 2021, 10(3):174. DOI:10.3390/ijgi10030174

DOI

[40]
全国减灾救灾标准化技术委员会. 自然灾害承灾体分类与代码: GB/T 32572-2016[S]. 北京: 中国标准出版社, 2016.

[ National Technical Committee 307 on Disaster Reduction and Relief of Standardization Administration of China, Classification and coding for natural disaster exposure: GB/T 32572-2016[S]. Beijing: China Quality and Standards Publishing Media Co., Ltd. 2016. ]

Options
文章导航

/

〈 〉