利用大语言模型(LLMs)通过新闻媒体快速评估灾害影响:以2025年缅甸地震为例

《International Journal of Disaster Risk Reduction》:Leveraging LLMs for rapid disaster impacts assessment through News Media: A case study of the 2025 Myanmar Earthquake

【字体: 大 中 小 】 时间:2026年05月16日 来源:International Journal of Disaster Risk Reduction 4.5

编辑推荐:

  鲁本·韦斯科沃(Ruben Vescovo)|董轩然(Xuanyan Dong)|塞萨·维古纳(Sesa Wiguna)|谢宜浩(Chia Yee Ho)|布鲁诺·阿德里亚诺(Bruno Adriano)|埃里克·马斯(Erick Mas)|小村俊一(Shunichi Koshi

  鲁本·韦斯科沃(Ruben Vescovo)|董轩然(Xuanyan Dong)|塞萨·维古纳(Sesa Wiguna)|谢宜浩(Chia Yee Ho)|布鲁诺·阿德里亚诺(Bruno Adriano)|埃里克·马斯(Erick Mas)|小村俊一(Shunichi Koshimura)
日本宫城县仙台市青叶区468-1,国际灾害科学研究所(IRIDeS),邮编980-8572

**摘要**
灾难发生后,信息开始大量涌入。然而,除了最初的地震分析外,主要是通过当地报道、分布式媒体和证词来初步评估情况。虽然基于卫星的遥感技术非常强大,但其响应时间可能会显著延迟。这限制了灾害管理者、救援人员和决策者能够获取并有效利用的信息量。在灾难发生的急性期实时利用新闻媒体等分布式媒体,可以支持、聚焦并增强早期决策制定以及遥感数据收集工作。2025年3月28日的缅甸地震为测试针对新闻媒体的方法提供了绝佳机会,以快速了解地震的影响。本研究提出了一种实时流程,利用新闻媒体来初步了解灾难及其对人口的影响。此外,所提出的方法通过监控媒体报道的发布时间表,阐明了灾后报道的发展情况。新闻文章使用大型语言模型和自然语言处理技术进行处理,以提取关键的地理和影响信息。与基于图像的遥感数据相比,尽管存在地方性的障碍,新闻媒体更新更频繁、响应周期更短、覆盖范围更广,并且能够自然区分低影响区和高影响区。该方法提供了快速、可操作的情报,可以单独使用或为其他基于遥感的响应工作提供信息和支持。

**1. 引言**
重大灾难发生后的第一时间,迫切需要快速准确的损失评估来指导应急响应。来自各种来源的数字信息的传播已成为这些努力中的关键资源。美国地质调查局(USGS)可能是灾后最普遍的数据提供者;USGS通过其全球地震网络记录所有震级大于5.0(矩震级)的事件[1]。Hayes等人[1]详细介绍了该机构在2011年东日本大地震期间的建模和发布计划。这种可靠性使得进一步的研究成为可能,例如整合遥感(RS)数据,从而及时得出结论,正如Ge等人[2]的工作所示;作者们早期展示了基于图像的遥感分析的潜力——如果这些图像数据可用的话[3]、[4]。然而,传统的遥感数据在及时性和可靠性方面往往存在局限性,尤其是在事件发生后的初期[3]、[5]。为了应对这种不确定性,遥感变化检测领域开发了创新和创造性的方法,这些方法假设了不同的数据可用性情景[6]。其他方法则开发了在灾后阶段依赖少量信息的模型,并通过预训练和半监督微调来进行优化[7]。为了解决这个问题,现代方法利用无人机获取的航空图像[8]或社交媒体上共享的地理定位地面照片(特别是建筑物立面上标注的商业电话号码[9])来评估道路和建筑物等特定设施的损坏情况。这些创新方法提供了必要的冗余性;因此,在适用的情况下,它们增强了灾后影响估计的可靠性。然而,它们依赖于有利的飞行条件或地方特性来生成有意义的信息。

分布式媒体长期以来一直引起灾害研究社区的兴趣[10],以支持和增强传统的基于遥感的工作流程。大量研究集中在利用社交媒体平台上的大量快速信息流。像X(前身为Twitter)和微博这样的平台已被用来近乎实时地检测和绘制受灾区域[11]。主要方法包括使用自然语言处理(NLP)和机器学习来识别与灾害相关的帖子,然后对其进行地理定位,以生成具有统计意义的“热点”区域和潜在损害[5]、[12]、[13]。这些方法通常采用从主题建模和情感分析到卷积神经网络(CNN)和长短期记忆(LSTM)网络等深度学习架构的技术来分类帖子并绘制其空间分布[14]、[15]、[16]。一些框架将文本与社交媒体上的图像数据结合起来,以更好地识别灾害类型和严重程度[17],或将社交媒体警报与遥感数据整合起来,创建更全面的流程[18]。

基于社交媒体的方法在区域尺度上提供了有价值的见解;然而,这些方法得出的空间分析结果往往是汇总的,无法提供特定结构的详细信息。在文献中,地理洞察通常依赖于利用与灾害强度相关的物理量(如脆弱性函数及相关方法)[19]、[20]。在这项研究中,新闻媒体提供了一个独特的机会,通过更专业的报道视角提供详细的见解,尽管这需要处理大量的数据并依赖于带有地理标签的报道(如果有的话)。关于新闻报道的研究表明,新闻报道与事件震级之间存在关联[21];此外,研究结果表明可以通过语言特征量化损害[22]。将社交媒体数据与新闻媒体数据进行比较,可以发现它们在核心提取指标方面的互补优势和明显的权衡。在位置准确性方面,社交媒体提取通常依赖于用户的地理位置或命名实体识别,而非非正式上下文[23],从而产生具有较大半径误差的区域热图或点云。然而,新闻媒体通常提供精确、可验证的地址或具体的地标名称。在信息粒度方面,社交媒体擅长捕捉大量分散的、轶事性的情绪、局部的视觉证据和个人经历。相比之下,专业新闻媒体提供关于关键基础设施和结构化人口影响的汇总、综合的权威评估(例如,确认的伤亡人数和疏散人数)。虽然社交媒体的数据量巨大,可能包含大量混合模式的数据(音视频+文本),这些数据有可能覆盖新闻媒体经常忽略的未命名或居民区,但它们也可能包含大量的误导信息和错误信息[24]。这些信息在灾难急性期等高流量情况下容易受到大量噪声、谣言传播和错误信息的影响。新闻媒体受到编辑标准的约束,成为过滤这些噪声的天然屏障(否则需要额外的步骤来过滤数据),提供了较慢但更准确的信号。尽管传播速度较慢且分布范围较小,新闻文章可以提供精确、可验证的信息,例如关键基础设施的状态或倒塌地标的确切位置。已经成功开发了方法,通过对新闻文章进行简单的基于关键词的文本挖掘来提取关于洪水位置和洪水影响的结构化数据[25]。Lai等人[26]提出了一种更先进的方法,结合命名实体识别(NER)模型和图聚类,从大量文章中提取历史洪水和防洪项目的精确位置-影响对。其他利用机器学习处理新闻媒体的方法侧重于从灾难的直接影响中推导出因果关系[27]。

旨在利用文本数据进行灾害管理的研究通常集中在社交媒体来源上;然而,上述研究表明新闻媒体也可以提供重要且有价值的结果。大型语言模型(LLMs)的最新出现,由于其显著改进的推理能力,使得基于LLM的流程得以发展,这些流程可以利用零样本训练。通过将模型条件化为特定领域(例如引导式问答或上下文设置),研究人员能够开发出基于地理知识的GPT[28],从推文中提取受影响地点的具体地址。Firmansyah等人[29]基于融合社交媒体帖子和图像的想法,从图像中提取额外文本(如路标),并将其添加到现有帖子的文本中,然后再传递给LLM;同样,作者通过引导式问答来条件化LLM,以产生特定的输出。

新兴的新闻媒体方法为研究提供了令人鼓舞的途径;然而,当前的方法仍然依赖于NLP技术进行分析。同时,利用深度学习或LLM的方法主要集中在社交媒体和多模态融合上。据作者所知,这两者之间的交叉应用很少。为了弥补这些差距,作者提出了一种通过基于网络的搜索查询收集新闻媒体文章并提取有关受影响区域、建筑物和人员的详细信息的流程。2025年的缅甸地震在传统数据可用性方面带来了重大挑战;值得注意的是,在撰写本文时,由于政治局势不稳定,2025年缅甸地震的完整损失调查尚未完成。这突显了即使在无法进行实地调查且信息获取受限的情况下,也需要技术来帮助准确估计灾害损失。这一事件促使研究团队开发了上述流程,以快速生成情况报告,替代通常依赖的遥感数据。该流程专门设计用于实时监控灾后情况,特别是事件发生后的前72小时。该方法利用LLM作为信息提取器,采用零样本范式。通过提示工程和输出条件化,生成了与事件相关的标准化影响清单。然后使用已建立的自然语言处理(NLP)技术[30]、[31]对原始提取的输出进行语义和词汇上的清理和压缩(去除重复项、拼写差异、同义词等)。绘制了报道地点的时间线,以展示新闻周期所涉及的信息发现过程。此外,还提供了媒体识别和报告的特定基础设施受损情况(151处)的地图。最后,比较了新闻发现时间线与遥感产品的发布时间表以及每种方法的相对覆盖范围。在此过程中,通过实时运行流程(即在灾难发生后的48小时和96小时内收集的结果)展示了结果。除了覆盖时间线外,还展示了媒体中识别的地理定位结构,以及灾后窗口中报告的受影响人员分布。报告这种方法,希望它可以补充现有基于社交媒体的方法的广泛意识,并支持传统的遥感技术。

**2. 方法**
该流程旨在快速绘制自然灾害对结构的影响。该流程明确针对灾难急性期的数据处理,但也可以在急性期之后继续运行。在本研究中,该流程在灾难发生后的前96小时内发布的英文和日文新闻文章上运行(72小时急性期+24小时恢复期),以实际演示其能力。流程的每个步骤在以下小节中讨论,并在图1中进行了概括。

**下载:** 下载高分辨率图像(189KB)
**下载:** 下载全尺寸图像
**图1. 灾害地理信息研究团队设计的流程概览。**

**2.1. 文章检索**
谷歌的服务条款明确禁止通过网络爬虫等手段进行自动搜索查询。虽然存在几个商业新闻API(例如NewsAPI.org、EventRegistry),但选择了谷歌的可编程搜索引擎(PSE)[32]作为端点,主要有三个操作原因:索引范围广、成本效益高和符合服务条款。使用标准新闻特定API进行的初步测试得到的结果较少(36条);这可能是由于源白名单、索引延迟或API管理。相反,谷歌PSE在事件发生后的48小时内首次运行时返回了数百条结果。PSE查询了更广泛的谷歌搜索索引,可能捕获了更多原始报道。此外,PSE提供了一个严格遵循谷歌服务条款的程序化端点,避免了网络爬虫的法律和技术风险,同时为灾难急性期提供了足够的免费查询量(每天最多100次免费查询,最多返回1000条结果)。当前方法的许多内容都是根据灾害响应过程中的可用资源形成的。对灾害响应新闻检索端点的比较审查值得单独研究,并将成为未来工作的主题。PSE允许对谷歌搜索引擎(而不仅仅是谷歌新闻)进行程序化查询。在使用PSE设置自定义搜索引擎时,可以使用Schema.org类型来限制页面(例如,NewsArticle https://schema.org/NewsArticle)[33]。请注意,PSE请求每页限制为10个结果(每个get请求1页),每天免费请求限制为100次(总共1000篇文章)。每日请求的总次数有硬性限制,为10,000次(1000次免费,9900次付费)。本文描述的实验从未超过每天1000篇文章的限制,因此对于本研究来说,免费层级已经足够;然而,在新闻报道更为密集的情况下,情况可能会有所不同。脚本分别在地震后48小时和96小时运行了两次。选择48小时和96小时的提取间隔是基于运营部署的限制以及监测关键即时响应阶段的目标。48小时的标记代表了地震后实时提取管道最早可行的部署时间,并考虑了管道的开发时间。尽管存在开发延迟,48小时的部署仍然能够捕捉到最初混乱的本地报道涌入。选择96小时的标记是为了完全涵盖国际公认的“72小时黄金救援窗口”,并加上24小时的缓冲期,过渡到早期恢复阶段。初步观察表明,这额外的24小时缓冲期至关重要;因为早期的报道主要集中在重大、即时的危机上(如曼谷的州审计办公室倒塌),而关于边缘或地区影响的新闻(例如在泰国北部)经常出现发布延迟,直到第四天才出现。此外,由于管道本身会提取并记录原始的发布时间戳,API查询的精确时间主要作为分析新闻周期的时间截止点,而不是改变提取事件的时间顺序完整性。最后,离散采样的主要限制(如本文所述)来自于文章可能的事后编辑[34]。关于这一现象的更完整分析在讨论部分给出。为了开始检索,使用了表1中指定的带有自定义查询参数的简单get请求。虽然PSE JSON API高效地提供了结构化元数据和目标URL,但全文文章内容需要二次提取。为了检索文章正文,使用了程序化的HTTP检索协议。考虑到灾难期间本地数字基础设施可能会承受巨大压力,这种提取被设计为非干扰性的。对目标发布服务器的请求使用了随机间隔(抖动)进行速率限制,并利用标准浏览器头部来最小化服务器负载。为了检索相关文章,包含了关键词“myanmar”和“earthquake”,并将搜索范围限制在2025-03-28之后发布的页面上。需要注意的是,当前代码是在灾难发生后实时运行的,因此为端点提供一个结束日期将是有害的。为了事后获得类似的结果,查询中的日期值应更改为一个封闭的范围:date:r:20250328:20250401。还值得注意的是,媒体机构会根据自己的编辑判断调整文章内容、发布更正、移动或完全删除文章。为了后续使用,作者保留了在此分析中检索到的文章的离线副本,可以根据请求提供数据。需要注意的是,这里描述的方法完全适用于通过不同新闻检索手段获得的结果,只要能够获取以下信息:文章URL、发布日期。

表1. 通过谷歌可编程搜索引擎检索文章的查询规范(请注意API_KEY和PSE_ID是占位符。API密钥和可编程搜索引擎ID都可以通过Google Cloud免费获得)。

参数值
Base URL:https://www.googleapis.com/customsearch/v1
API key:’key’:API_KEY
PSE id:’cx’:PSE_ID
query:’q’:”myanmar earthquake”
date range:’date:r:20250328:’
pagination:’num’:10

2. 基于云大语言模型(Cloud LLM)的内容提取
为了快速提取相关的、具有上下文意识的信息并将其压缩成标准格式,每篇文章都使用多模态大语言模型进行处理。在撰写本文时,市场上充斥着为各种任务训练或调整的大语言模型即服务(LLMaaS)。对于当前任务,选择商业LLM提供了三个主要要求:程序化端点、上下文大小和速度(每分钟token数)。谷歌的genai python库提供了对Gemini系列模型的便捷端点访问。该库提供了重要的输出定制功能,包括:
- 将输出强制转换为结构化输出(通过pydantic模型、OpenAPI 3.0模式,以及最近的JSON模式)[35];
- 对安全设置进行细粒度控制(对于可能涉及人员伤亡的危害影响非常重要)[36];
- 通过发出高优先级的上下文来指导模型行为,以修复系统指令[37]。

在当前实验中,使用了gemini-2.0-flash,它允许适度的上下文长度,同时仍然快速且轻量级。尽管在事件发生时存在几个主流的大语言模型(LLMs),但由于提取管道的特定程序化和运营要求,选择了gemini-2.0-flash而不是类似的快速模型(如OpenAI的gpt-4o-mini或Anthropic的Claude 3.5 Haiku)。首先,零样本结构化提取需要数学上保证的规范合规性;而Anthropic的模型当时缺乏原生的严格结构化输出能力(同年晚些时候引入[38]),而Gemini API天生支持将输出强制转换为结构化格式(通过pydantic模型、OpenAPI 3.0模式,以及最近的JSON模式)。其次,对于灾难研究来说,处理新闻媒体本质上涉及对人员伤亡、伤害和结构倒塌的明确报道。竞争性的API(如OpenAI的)依赖于强制性的、不透明的安全分类器,这些分类器可能会意外拒绝处理包含伤害或暴力描述的提示。无法程序化地禁用这些过滤器可能会导致自动化管道中的数据丢失。相反,Gemini API允许对安全设置进行细粒度控制,使作者能够明确设置安全阈值到BLOCK_NONE。这确保了端点不会阻止涉及直接受地震影响人员的响应。最后,gemini-2.0-flash提供了恰好1,048,576个token的上下文窗口,而OpenAI当时类似模型的限制为128,000个token[39](大约是谷歌模型的12%)。这种扩展的容量使模型能够在不丢失上下文的情况下处理更大的文本批次和更长的文章,同时保持快速和轻量级。即使单个文章的负载没有达到这个限制,更长的上下文也提供了显著的操作优势。因为LLM的上下文窗口代表了输入提示和生成输出的共享预算,所以在最大容量以下运行可以消除输出截断的风险——这在生成严格的JSON数组进行自动解析时是一个致命错误。此外,在庞大的上下文限制内舒适地运行可以减轻当较小模型被推到其上下文上限时经常观察到的“中间丢失”[40]的注意力下降,确保在整个提供的文本中提取的高保真度。然而,选择模型不应被视为作者对某个特定商业产品的推荐。自撰写本文以来,许多商业提供商已经迭代并提高了他们“快速”非思维链模型的能力。对于这个管道来说,任何具有可比上下文大小、对安全过滤器进行细粒度控制以及支持强大输出强制功能的LLM都是足够的,无论是商业的、开源的、云托管的还是本地的。

模型设置保持默认值,除非另有说明。所有安全设置都设置为BLOCK_NONE,以防止端点阻止涉及直接受地震影响人员的响应。系统指令如列表2中所述提供。此外,还提供了一个Open API 3.0模式(列表3)作为mime类型,以将输出限制为特定格式(见图2、图3)。

通过系统指令中明确请求每栋受影响的建筑,可以捕获每篇文章的多个数据点(通过单个请求),这需要一个对象数组,并提供一个反映这一点的模式。因为该模式符合JSON标准,每个响应可以直接解析并强制转换为Python中的字典数组,并添加到所有数据点的超集中。数组中的每个最终条目(代表文章中描述的单一建筑)的结构如表2所示。

下载:下载高分辨率图片(263KB)
下载:下载全尺寸图片
图2. 作为高优先级上下文传递给LLM的系统指令。
下载:下载高分辨率图片(566KB)
下载:下载全尺寸图片
图3. 提供给LLM以强制标准化输出的Open API 3.0模式。

表2. 通过LLM理解提取的属性。
属性 描述
impacted_building_name 受影响建筑物的名称(如果是地标或已知建筑)
impact_type 文章中报告的损坏程度
impacted_building_type 建筑物的通用类型(即用途);即使没有名称的建筑也必须有类型
building_location 文章中报告的受损建筑物的地理位置
death_toll 与这栋建筑物所受损害直接相关的死亡人数
injured 与这栋建筑物所受损害直接相关的受伤人数
missing_people 与这栋建筑物所受损害直接相关的失踪人数
evacuated 与这栋建筑物所受损害直接相关的疏散人数

2.3. NLP压缩
在获得标准化的影响建筑物数组后,从“building_location”字段中提取命名实体以减少变异性并标准化位置格式:“在缅甸曼德勒的周边”变为[“Mandalay”,“Myanmar”]。具体来说,使用spaCy库(通过en_core_web_sm管道)提取和词形还原代表位置和建筑物的核心名词块。这一步去除了多余的形容词和修饰语,将复杂的字符串描述(例如,“倒塌的州审计办公室建筑”)简化为核心语义实体(例如,“州审计办公室”)。然后使用两步算法方法,即词汇和语义相似性,在以下三个字段中进行匹配:“impacted_building_names”(如果存在)、“impacted_building_type”和“building_location”。这样做有两个主要原因:
1. 将重复的报告合并为一个实例;
2. 将不同的表达、拼写错误、拼写差异合并为一个条目。

由于存在多种缅甸罗马化的系统,无论是官方的还是学术的[41],地点名称和地标的拼写在编辑之间有所不同。例如,在文章中表示缅甸首都时出现了以下拼写变化:Nay Pyi Taw、Naypyitaw、Naipido、Nay Pyi Daw、Naypyidaw等。同样,多次提到了曼谷市中心正在建设的州审计办公室的倒塌,包括:正在建设的高层建筑、正在建设的摩天大楼、正在建设的33层建筑、正在建设的30层塔楼等。所有这些都在指同一个结构。NLP后处理允许我们将这些压缩成单一的、标准化的条目,同时仍能跟踪新闻媒体中的提及频率。首先,从提取的数据中构建一个“语义消歧”的短语,规格为:‘‘TYPE: {type}; NAME: {name}; IMPACT: {impact}; LOCATION: {location}’’。然后使用sentence_transformers库(具体是all-MiniLM-L6-v2模型)将句子嵌入到一个768维向量中,为每个字符串生成密集的向量嵌入。这些高维向量随后通过UMAP [42]管道进行处理,以显著降低维度,同时不丢失局部邻域结构,为此使用了余弦度量,该度量促进了嵌入之间的角度测量,而不是它们的大小,就像使用余弦相似性来衡量文档相似性一样。使用HDBSCAN [43]算法进行语义聚类,采用欧几里得度量(UMAP已经将高维、余弦相似的空间投影到低维的欧几里得空间中)。压缩管道的超参数列表在表3中提供。这将讨论同一主题的新闻报告压缩到同一个簇中。

表3. 用于压缩新闻报告结果的聚类管道参数。
算法 超参数 值
UMAP n_neighbors 10
UMAP n_components 5
UMAP min_distance 0.05
UMAP metric cosine
HDBSCAN min_cluster_size 3
HDBSCAN metric euclidean
HDBSCAN cluster_selection_method Excess of Mass (eom)

2.4. 地理编码
在跟踪可能的变化的同时标准化地点名称还有另一个作用,即在地理编码时允许冗余。利用地址按标准顺序出现的类似搭配的行为,首先查询两个开源地理编码引擎,即[“Mandalay”,“Myanmar”]的查询变为[“Mandalay”。查询的两个数据库是GeoNames和OpenStreetMaps(OSM)通过它们的Nominatim引擎;选择这两个引擎是因为它们是开源的;此外,使用多个引擎可以提供一定程度的冗余和错误校正。在测试中发现,使用完整地址进行查询会导致低命中率。这可能是由于数据库中对地址模式的严格内部表示与新闻文章中较为宽松的使用方式之间的差异所致。对于每个地理编码引擎,地址中最左边的条目会首先被查询(假设在英语中,地址是从最具体到最不具体的顺序从左到右排列的)。否则,会连续查询下一个更具体的条目,直到返回一个唯一值或所有返回的结果都指向同一个位置(在某些极端情况下,一个地标可能与一个一般的行政区域共享同一个地址)。如果可能的话,会检索到最具体的分区/建筑的轮廓(仅限Nominatim/OSM),这一过程在图4中以可视化的形式展示。下载:下载高分辨率图片(187KB)下载:下载全尺寸图片图4. 说明迭代地理编码算法的流程图。引擎从最具体到最不具体的顺序解析标准化数组,逐步连接地址元素,直到成功解析出唯一的地理轮廓。2.5. 映射结果可以直接进行映射,因为Nominatim本身为每个检索到的特征提供了OSM几何信息。对于每个特征,都会附加新闻中首次提及的数据,以提供识别的时间线。如果affected_building_name属性可用,那么检索到的地标会直接被绘制出来(如果它在OSM中有几何信息);否则,会绘制出其质心作为备用。最终的结果如图7所示。如果affected_building_name属性不可用,则会绘制出新闻中提到的最具体的行政区域。因此,行政区域随时间的变化在图5中展示(相对于新闻中的首次提及)。除了地理信息外,还通过四个属性检索受影响人群的人口统计指标:死亡人数、受伤人数、失踪人数和疏散人数(这些数据仅在新闻中报告了相关数字的情况下提供)。由于同一地点在新闻周期中经常被多次报道,因此存在显著的重复。每次提及都会合并为单个报告条目,取所有重复条目中每个类别(死亡、受伤、失踪、疏散)的最大人数;结果分别在图8和图9中展示。需要强调的是,这些数字基于初步报告,因为分析完全基于灾难发生后的前96小时的报道。由于这些位置是基于Nominatim的结果得出的,因此它们并不具有精确到点的准确性;这些位置主要指的是一个行政区域或一栋建筑(如果有的话)。3. 结果文章检索脚本在3月30日和4月1日运行了两次,大致对应于地震发生后的48小时和96小时(以缅甸标准时间为准)。这导致了761篇文章的检索,描述了3251个受影响的位置,其中存在大量重复。经过压缩后,确定了125个行政区域和151个有名称的地标或建筑物受到影响。这些行政区域根据新闻文章首次被识别的时间在图5中绘制出来,并根据新闻中最早的提及时间进行了阴影处理。大多数早期报告(地震发生后的0到约12小时内)集中在缅甸中部,主要是受影响最严重的地区(曼德勒及其周边地区)。此外,曼谷的建筑物受损情况,包括正在建设中的国家审计办公室大楼和几个机场,在第一天得到了密集的报道。曼谷的机场最初作为预防措施关闭,但在确认没有或仅有轻微损坏后迅速重新开放。在事件发生后的12小时内,云南南部的瑞丽市也报告了建筑物受损的情况,具体包括一家医院和一些房屋。随后在缅甸的报道(地震发生后的约12到约84小时内)通常更加精确,显著缩小了受影响范围,使得评估更加细致。另一方面,在泰国,许多外围地区的受灾情况,如泰国北部和曼谷郊区,是在事件发生后的几周内(约60到约96小时后)才被报道的,因为早期的报道主要集中在国家审计办公室大楼的倒塌上。下载:下载高分辨率图片(1016KB)下载:下载全尺寸图片图5. 根据媒体首次提及的时间绘制的行政区域(按天排序)。当前地图中的所有行政区域都是从灾难发生后的96小时内发布的新闻中提取的(由于地震发生在UTC+6:30的12:50,最后一天的截止日期是2025-04-04的12:50)。图6绘制了按发布日期分类的国际卫星提供的遥感产品的覆盖范围,这些产品按发布日期进行了阴影处理,与之前的图5中的结果相对应。表4提供了事件发生后第一周内这些遥感产品的发布时间表。下载:下载高分辨率图片(945KB)下载:下载全尺寸图片图6. 遥感图像的覆盖范围,按它们可用时间排序(地震发生在UTC+6:30的12:50,最后一天的截止日期是2025-04-04的12:50)。3月30日,即事件发生后的第三天,ALOS-2/PALSAR-2仪器拍摄的两幅ScanSAR图像在覆盖面积上占主导地位。除了这两项产品外,其他图像的规模较小且高度局部化,针对的是特定确定的受损区域。Pléiades/Pléiades Neo和WorldView仪器提供了最频繁的拍摄,实际上占据了大多数图像发布量。这些光学产品的规模比ScanSAR产品小得多,通常用于局部分析。较小的覆盖范围(2公里)和较小的地面采样距离使得可以观察单个建筑物,从而能够进行视觉损害评估,而ScanSAR产品通常只能进行区域级别的分析。作为欧洲航天局的一部分,Copernicus紧急测绘服务[44](CEMS)直接使用这些产品进行紧急报告。CEMS在地震事件发生后不久就被激活,以监测缅甸的损害情况,生成了Activation Report EMSR798 [45]。表4. 国际卫星提供的在3月28日地震后拍摄缅甸和泰国灾后状况的遥感产品的发布日期。除此之外,Sentinel 1的图像也在4月3日变得可用。日期仪器2025–03–28WorldView-22025–03–29WorldView-2, Pléiades Neo, GeoEye-12025–03–30ALOS-2/PALSAR-2 (ScanSAR), WorldView-3, Sentinel-22025–03–31WorldView-2, Pléiades2025–04–01Pléiades, Pléiades Neo2025–04–02Pléiades2025–04–03WorldView-2, Pléiades2025–04–04WorldView-1, ALOS-2 PALSAR-2 (StripMap)通过尽可能提取有名称的结构,可以进一步利用OpenStreetMaps(OSM)的能力(通过其地理定位引擎Nominatim)来直接查询这些结构,从而精确定位地标和一般建筑物的位置。因此,可以获得受影响建筑物的分布和密度信息。图7显示了这些从新闻中提取的地标,并按它们的OSM类别进行了分类。新闻媒体重点报道了曼德勒、奈比涛、仰光和曼谷的机场的影响以及这些地方的早期关闭情况。在曼德勒,皇宫、Ava(Saigang)桥、圣心大教堂和Sky Villa在新闻中受到了大量关注,因为它们遭受了严重损坏。在曼谷,除了国家审计办公室大楼和机场的受损情况外,珠宝交易中心、Baiyoke Sky Hotel、Central World Mall、Asoke - Rama 9的设施以及公共交通地铁线路也受到了影响。曼谷的新闻周期显然主要关注国家审计办公室大楼的倒塌,并且在样本中占据了最大的新闻提及比例(灾难发生后的4天内)。例如,图9显示了曼谷中几个具体和非具体的“倒塌”提及:“Chatuchak的国家审计办公室倒塌”、“Bang Sue的国家审计办公室倒塌”、“曼谷的塔楼倒塌”、“曼谷的建筑物倒塌”;后来确认曼谷唯一倒塌的建筑是国家审计办公室,因此这四个条目都指的是同一个语义特征。为了最小化这种重复,进行了显著的语义和词汇压缩(在方法部分进行了说明);然而,当提及在语义或词汇上足够不同的时候,一些重复是不可避免的。图8和图9报告了新闻媒体报道的受影响人群的影响,分为四个类别:死亡、受伤、失踪和疏散。灾难发生后的前96小时内报告的绝大多数伤亡发生在缅甸。一个消息来源在3月30日报告了超过2000名遇难者和3900名受伤者,但该来源指的是整个国家,而不是任何特定的定居点。多个早期消息来源将曼德勒地区的死亡人数估计在500到700人之间,而具体提到曼德勒市内的建筑物(如Shwe Phone Shein清真寺)时,通常报告的数字较小(在这种情况下估计为20人)。在缅甸,死亡人数通常有更具体的位置信息,而受伤或疏散人数则很少被报告,或者只是笼统地报告。正如引言中提到的,缅甸没有全面的调查报告;这也适用于伤亡人数;联合国报告称整个国家的伤亡人数为2000人[46]。关于曼谷的报道更为详细,最初关于国家审计办公室大楼倒塌的报道确认的死亡人数为19人。后来的报道将这一数字增加到40人,然后又增加到117人,经常将失踪者和遇难者混淆在一起。政府在5月发布的报告确认了89人死亡,9人受伤,11人仍然失踪,总共109名受害者[47]。为了更好地说明灾难报道的时间动态和空间分布,新闻媒体报告的人口影响也以条形图的形式随时间呈现(曼谷在图8底部,曼谷在图9底部)。每个图表详细展示了同一四个类别(死亡、受伤、失踪和疏散)中受影响人群的时间分布,跟踪了灾难发生后96小时内的报告数字,数据按6小时间隔汇总。下载:下载高分辨率图片(1MB)下载:下载全尺寸图片图7. 通过管道从新闻文章中提取的命名基础设施。这些结构通过将结构名称(affected_building_name属性,表2)添加到地理编码子节中概述的地理编码查询中来进行地理编码。几何信息根据OpenStreetMaps的“类别”属性进行报告。灾难发生后的前96小时内报告的绝大多数伤亡发生在缅甸(图8)。累积图表显示了报告动态的波动,不同类别之间的波动可能由于报告的不准确性所致。例如,在3月28日,虽然报告了几起受伤事件,但在后续报告中这些事件似乎消失了。在最初的48小时内,死亡和失踪的人数逐渐增加。这些初始数字在位置和数量上都非常具体。在这个初始时期之后,报告的失踪和死亡人数出现了显著增加。这些报告往往更为笼统,指的是整个州和地区。此外,疏散人员直到第三天才被报道。在72小时之后,死亡人数似乎有所调整,这可能是由于更准确的报道出现了。下载:下载高分辨率图片(791KB)下载:下载全尺寸图片图8. 灾难发生后前96小时内缅甸受影响人群的新闻报道人数,按状态分类:死亡、受伤、失踪、疏散,并按影响程度(人数)分类。下方的堆叠条形图显示了每类报告的人数,数据按6小时间隔汇总(时间以UTC+00:00为准,地震发生在UTC+00:00的6:20)。这些数字是新闻实时报道的。它们不太可能是最终的数字,无法准确反映受影响的总人数,也没有考虑到对受影响人群的连锁效应。泰国的报告周期似乎响应更快(图9),地震发生后几乎立即就有报告,报告了几人死亡。受伤和失踪人员的数量至少在事件发生6小时后开始被报道,受伤和死亡人数在整个96小时的报告周期内会逐渐调整并上升,而失踪人数似乎在整个期间保持不变。与缅甸的情况相比,撤离人员的数据也报告得早得多。然而,新闻中只记录了两例撤离人员的情况。与缅甸的情况不同,报告数量并没有突然增加,而是随着信息的逐渐公开,整个报告周期都在逐步调整。

图9. 灾害发生后的前96小时内,曼谷受影响人员数量的新闻报道,按状态分类(死亡、受伤、失踪、撤离),并按震级(人数)分组。下方的堆叠条形图表示每类人员在6小时间隔内的报告数量(时间以UTC+00:00为准,地震发生在UTC+00:00的6:20)。这些数字是新闻实时报道的,可能不是最终数据,无法准确反映受影响的总人数,也没有考虑到对受灾人群的连锁影响。

所提出方法的一个关键验证在于新闻媒体报道时间线(图5)与遥感足迹时间线(图6)之间的时空对齐。两个数据集都显示,在最初的48小时内,报道主要集中在曼德勒地区和曼谷,随后扩展到奈比都等周边地区。这一一致的趋势表明,新闻媒体提取不仅仅是一个补充性的叙述工具,而是一个可靠的同时空间指标。由于新闻报道几乎总是先于处理后的卫星图像的可用性(这可能受到轨道力学或云层覆盖的影响),因此从新闻中提取的空间模式可以作为优先进行后续遥感采集和指导分析的有效代理。

为了量化这种方法的操作优势,进行了数据采集延迟的比较分析(表5)。新闻提取流程在事件发生后的4到12小时内成功识别了缅甸中部(曼德勒)和曼谷的广泛空间影响。相比之下,灾难当天(3月28日)可用的局部高分辨率光学图像(例如WorldView-2)是在灾难发生前几小时拍摄的,作为初始条件,但灾后图像直到第二天才可用。此外,这些初始卫星图像的覆盖范围非常有限(通常<100平方公里),并且依赖于之前的任务安排。由ALOS-2/PALSAR-2 ScanSAR提供的全面区域遥感数据直到3月30日才可用。因此,新闻媒体流程提供了大约36到48小时的前置时间,提供了可操作的区域级空间情报,早于可比的广覆盖卫星图像的可用性。

尽管所提出的流程能够快速提取区域级覆盖范围,但必须承认新闻媒体固有的空间报道偏差。当流程识别出一个广泛的行政区域(例如掸邦)时,并不意味着整个区域内都受到均匀或普遍的损害。相反,该方法基于严重程度进行启发式处理:媒体报道自然集中在影响最明显或最严重的区域,有效地起到了灾难分级的初步筛选作用。然而,这一特性引入了一个显著的局限性:在更广泛的区域内没有具体提及并不一定意味着没有影响;这存在“假阴性”的风险,特别是对于那些在急性阶段对记者来说难以到达的孤立、农村或边缘化社区。因此,虽然新闻提取可以迅速突出主要受损区域,但最终必须通过系统的遥感来补充,以确保对周边地区的公平损害评估。

表5. 2025年缅甸地震急性阶段,所提出的新闻媒体提取流程与传统遥感任务在数据采集延迟、覆盖范围和提取特性方面的定量比较。

数据来源 | 初始采集延迟 | 估计覆盖范围 | 信息粒度
|----------------|------------------|------------------|----------------|
| 新闻媒体流程(提出的方法)| 约地震后27分钟 | 区域/多国(行政区域) | 高位置特异性(命名地标)+ 人口影响 |
| 光学遥感(例如WorldView-2)| 约12至48小时 | 高度局部化(每个足迹平均28平方公里,累计覆盖526平方公里) | 对特定建筑进行视觉评估;高度依赖云层覆盖 |
| SAR遥感(例如ALOS-2 ScanSAR)| 约48至72小时以上 | 区域(宽覆盖范围),2个产品,170,000平方公里 | 低视觉粒度;用于广泛变化检测 |

4. 讨论
所提出的方法利用大型语言模型分析灾难后的新闻媒体,显示出在加速初步评估灾难影响方面的巨大潜力,正如2025年缅甸地震案例研究中所证明的那样。研究结果表明,关于受影响区域(包括缅甸中部、泰国和中国)的关键信息可以在事件发生后的前96小时内被识别出来。这种快速评估在速度上可能比传统的基于卫星的遥感具有某些优势,尤其是在遥感仪器与目标区域不对齐的情况下。此外,当前方法可能在无法直接进行调查任务的地区提供更多细节。在缅甸地震的情况下,大部分图像(如ALOS-2/PALSAR-2的图像)直到第三天才可用。在这种情况下,基于新闻的报道可以指导摄影测量遥感;因此,这两种技术最好结合使用。基于图像的遥感根据使用的模式具有更高的视觉精度。然而,正如Joyce等人早在2009年指出的,可靠数据的缺乏长期以来一直是灾难研究人员面临的问题。如果遥感数据不可用(例如卫星位置不当或大气条件不利)或不可获取(例如高分辨率图像的分布受限),这种信息缺乏会使灾难响应社区在灾难急性阶段对地面情况一无所知。大型语言模型能够快速处理和整理大量来自新闻文章的非结构化文本,将其转化为可操作的数据点(如受影响地点、损害类型和受影响人员),这是该方法的一个关键优势。除了描述基础设施的影响外,新闻媒体还可以独特地提供关于人口影响的资讯,如图8和图9所示。这对于基于图像的遥感来说是概念上不可能的,但这些信息有可能显著改变灾难管理者的后期物流和资源分配。事实上,任何早期信息对灾难管理组织来说都是无价的,可以提供初步的形势概览。然而,依赖新闻媒体也带来了固有的局限性。报告的完整性和准确性可能会有所不同,受到报道偏见、受影响地区的可访问性以及灾难后环境混乱程度的影响。例如,在采样期间,似乎无法获取来自缅甸境内的缅甸语新闻。事后调查还发现,大多数缅甸语文章来自西方媒体,例如“BBC Burmese”。虽然认为这一点值得注意,但在采样期之后(4月1日之后)的文章没有被纳入实验。在这些实验中,使用英语、日语、泰语和缅甸语关键词进行了检索,绝大多数检索结果是英语文章。

这种空间偏差进一步受到可用数据语言限制的影响。对提取地点的定量分析显示,国际和英语媒体报道存在明显的地理差异。通过将“主要经济和行政中心”定义为仰光、曼德勒、奈比都和曼谷的大都市区,发现大约60.3%的独特识别的基础设施影响(总共3251个)集中在这些城市中心。因此,依赖英语媒体不成比例地突出了主要城市和关键国家基础设施(如国际机场、大型医院)的影响,而显著低估了周边或农村地区的局部结构损害。采样期间缺乏可访问的缅甸语本地报道可能加剧了这一盲点,严重限制了遥感对受灾社区高粒度影响的提取。有趣的是,80.7%的报道涉及曼谷,而缅甸只有55.6%的报道涉及主要城市。尽管本文在其他地方提出了对新闻自由的担忧,这可能是由于国家审计办公室倒塌的影响盖过了泰国新闻。此外,当更新的信息可用时(通常与遥感数据或其他视觉或目击者证词一起),新闻文章经常会被事后编辑。这是一个有据可查的现象,特别是在传统在线新闻媒体中,Tsoukaladelis等人[34]指出,在美国媒体中,大约15%的新闻文章有事后编辑,尤其是在政治话题中更为明显。进一步的研究可以关注事后编辑,以了解主流媒体如何随着新报道的出现而报道灾难新闻。这种现象在实时观察中也很明显,特别是在受影响人数和初步的粗略估计方面。同时,传统遥感对这些问题和细微差别并不敏感。

目前的结果显示,最初的重点是受灾最严重的地区,周边地区则稍后报道,表明新闻媒体单独提供了影响的逐步呈现,这种呈现会在报道过程中不断完善。当信息模糊或不确定时,新闻媒体往往含糊不清且结构化程度低,通常需要某种形式的基于自然语言处理的后期处理来评估相关性,尤其是在尝试进行地理定位时。即使如此,新闻文章中的位置描述模糊也可能影响空间分析的精度,指向略微不同的位置,或者完全没有信息价值——例如,关于国家审计办公室倒塌的报道通常是模糊的或缺乏上下文的。例如,倒塌被描述为“靠近Chatuchak”或“靠近Bang Sue”,或者更一般地描述为“曼谷的塔楼倒塌”,或者仅仅是“曼谷的建筑物倒塌”。一个简单的方法可能会将这些四个地点分类为不同的位置,但通过进一步的上下文,人类读者能够认识到它们指的是同一个地点。虽然可以使用大型语言模型实现一定程度的压缩,但未来的研究应侧重于提高这种方法的稳健性和范围。整合多样化的数据流(如社交媒体分析和官方政府更新)可以提供更全面和相互印证的灾难范围视图,但这可能需要不同的流程和融合步骤。通过领域特定的微调来改进大型语言模型的提取能力,并改进地理空间参考技术也是重要的途径:针对特定目的调整的基础模型最终可能会提供更精确的结果,特别是在具有更多地理上下文的情况下。虽然所提出的方法在快速发生的事件中表现出强大的效果,但其普遍性适用于其他类型的灾难和地理环境仍需仔细考虑。在快速发生的灾难(如地震、海啸)中,新闻媒体会产生立即的高密度报道集群,使得72至96小时的提取窗口非常有效。相反,缓慢发生的灾难(如洪水、干旱)的报道周期较长,媒体报道的高峰可能与影响高峰不同步,需要延长的时间监控和动态查询调整。对于缓慢发生的事件,报道可能会遇到进一步的分布和读者保留偏差,因为这些事件的影响发生得更慢且分散,因此读者可能会失去兴趣。同时,媒体可能会选择突出更有趣的故事,而忽略对受灾地区的条件监控,正如文献中所指出的,震级与新闻报道之间的联系[21],特别是对于跨国案例或影响较为偏远的地区。此外,管道的适用性从根本上受到区域新闻媒体普及度和新闻自由度的限制。在高度农村地区、冲突地区或电信受限的地区,数字新闻生成本来就很少。在这种情况下,以新闻为中心的流程可能会表现不佳。在本研究中,几乎所有的新闻来源都来自国外,这可能是导致城乡地区报道不平衡的原因之一。此外,尽管泰国和缅甸受灾的影响(规模和严重程度)存在明显差异,但关于这两个国家的报道数量却有所不同,这一现象与上述关于新闻自由的假设相符。这强调了将当前方法视为一种补充工具的必要性——而不是一个独立的解决方案,尤其是在信息匮乏的环境中。新闻媒体在识别地标方面表现良好,但在定位居民受影响的位置时却存在困难,因为这些位置往往没有具体名称,而且新闻来源也不太可能报道街道地址。该方法在不同类型的灾难和语言环境中的适用性尚未得到探索,但这确实是一个值得研究的重要课题。为了解决当前的方法论局限性并提高其可靠性,未来的研究应重点关注几个具体的优化方向。首先,整合官方政府API数据流和紧急服务日志可以提供第二层自动化交叉验证,使基于新闻的伤亡和损失报告与官方数据相对照。其次,未来的研究可以探索针对数据稀缺地区,专门微调小型开源模型以进行地理命名实体识别,从而提高对口语化、非正式或超本地化地标的提取能力,并降低运营成本。最后,探索多模态融合技术——将早期的文本提取结果与众包社交媒体图像或无人机拍摄的初始视频进行自动交叉参考——可以弥合初步新闻报道与全面遥感数据之间的差距。此外,结合新闻、政府和社交媒体的融合方法有助于了解灾难响应场景中的错误信息传播情况。最终目标是开发一个能够提供近乎实时、不断更新的信息系统,以支持灾难发生后的关键决策过程,从而提高人道主义救援工作的速度和效率。

5. 结论
在本研究中,作者提出了一种利用大型语言模型作为灾难新闻报道信息提取工具的方法。该方法能够自动且近乎实时地从新闻文章中提取、处理并绘制灾难影响地图。本文展示了针对2025年缅甸地震的研究结果——对该地震的监测为开发和完善这一方法提供了便利。该方法在地震发生后的48小时和96小时内运行(具体目标是覆盖72小时后的灾后时段),并报告了相关结果。研究结果包括三个方面:
1. 通过分析新闻媒体报道的内容和时效性,与传统的遥感方法进行比较;
2. 识别并定位受影响的基础设施;
3. 识别并定位人员受影响的初步估计情况。

研究表明,在遥感覆盖延迟的情况下,当前方法能够提供有关影响分布的实用信息,有助于救援工作并指导更有针对性的遥感调查。此外,该方法能够自动提取并定位媒体中报道的、存在于地理定位数据库(本例中使用的是免费开源的OpenStreetMaps)中的受影响地标。最后,作者还展示了该方法可以按影响类型汇总受影响人员的空间分布情况——在本研究中,提取了关于死亡、受伤、失踪和疏散人员的信息。

**作者贡献声明**
Ruben Vescovo:撰写初稿、可视化处理、验证、软件开发、方法论设计。
Xuanyan Dong:数据整理。
Sesa Wiguna:数据整理。
Chia Yee Ho:数据整理。
Bruno Adriano:撰写、审稿与编辑、监督、资源协调。
Erick Mas:撰写、审稿与编辑、监督、资源协调。
Shunichi Koshimura:撰写、审稿与编辑、监督、研究协调、资金筹集、概念构思。

**代码和数据获取**
该方法中使用的代码和数据可应作者的要求提供。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号