引言
城市洪水是全球最为常见且破坏性极强的自然灾害之一，对人类生命和社会经济发展构成严重威胁（Najibi & Devineni, 2018; Tellman et al., 2021）。2000年至2018年间，约有223万平方公里的土地被洪水淹没，直接影响约2.5亿至2.9亿人（Tellman et al., 2021）。城市洪水通常是由多种因素共同作用导致的，其中强降雨是最直接的诱因。随着人类社会的发展，快速城市化使得城市中的不透水表面大幅增加，从而降低了地表径流的排放能力。当出现强降雨时，城市有限的排水能力往往无法满足洪水排放的需求，即便在正常降雨情况下也容易出现洪水灾害（Hui et al., 2022）。在全球气候变化的影响下，极端降水事件愈发频繁，其特点是突发性强、影响范围广、破坏力大（Schumann, 2021），进一步加剧了城市洪水的风险。
洪水灾害具有突发性、蔓延迅速且复杂性高的特点，这要求应急管理机构依靠及时准确的地理信息来评估受灾区域、制定救援策略并有效分配资源。在传统的灾害响应体系中，政府主要依赖遥感图像、气象站数据以及地面调查来获取与灾害相关的信息。但这些方法存在获取周期长、空间覆盖范围有限，且难以捕捉到精细的局部影响等弊端（Fohringer et al., 2015; Restrepo-Estrada et al., 2018）。河南（Zhao, Li, et al., 2023）和巴基斯坦（Nanditha et al., 2023）发生的严重洪水事件就凸显了这些局限性。
随着移动互联网技术的普及，受灾群众或目击者可以通过社交媒体平台迅速分享与灾害相关的信息（Liu et al., 2015），包括积水地点、道路堵塞情况以及需要紧急援助的区域（Vieweg et al., 2010）。在城市洪水发生后，受影响的居民往往首先通过社交媒体上的文字、图片或短视频来报告受灾地点及现场情况。如果能够快速筛选、识别并定位这些大量的文本信息，就能为应急管理机构提供极具价值的地理空间情报，帮助他们及时了解灾害的发展态势（Imran et al., 2015; Middleton et al., 2018）。随后，政府部门可以分析这些提取出的位置信息，将其传递给各级应急响应机构，调集相应的救援资源，从而为洪水应对和救援工作提供直接支持（Alexander, 2014; De Albuquerque et al., 2015; Kryvasheyeu et al., 2016）。
从非结构化的社交媒体文本中可靠地提取高质量地理空间信息仍是一项艰巨任务。这类文本往往存在表达方式随意、语义模糊、地名重复，以及一条帖子中包含多个地点等信息（Baldwin et al., 2013; Gritta, Pilehvar, Limsopatham, & Collier, 2018; Hu et al., 2014; Imran et al., 2016）。位置描述可能使用方向性词汇或模糊的区域名称，而且一句话中可能会同时提及多个地点。此外，不同国家地址系统的巨大差异也增加了地址标准化和空间识别的难度。因此，基于传统自然语言处理技术的方法往往效果不佳，这就凸显出亟需能够理解复杂语言结构并具备空间推理能力的先进技术（Mai et al., 2023）。
大型语言模型的出现为解决灾害情境理解方面的难题带来了新机遇。凭借强大的跨语言理解和情境推理能力，大型语言模型可以直接从非结构化文本中提取地理信息。以往处理与灾害相关的社交媒体数据的方法大多依赖于词典匹配、规则驱动的提取方式或传统的机器学习模型。尽管这些方法在处理标准化文本时效果不错，但面对社交媒体上常见的口语化、模糊且多样化的表达时，往往表现不佳，容易导致信息遗漏或分类错误（Ashktorab et al., 2014; Avvenuti et al., 2014; Imran et al., 2016）。相比之下，大型语言模型具备强大的语义理解和推理能力，能够适应不同的表达方式，更准确地提取与灾害相关的信息，因此在自然语言处理和知识推理领域展现出巨大潜力（Brown et al., 2020; Lei et al., 2025; Wei et al., 2022）。不过，这些能力在洪水灾害情境下的可靠性仍存在很大不确定性（Mai et al., 2023; Manvi et al., 2023; Roberts et al., 2023）。因此，本研究围绕以下具体研究问题展开：
RQ1：大型语言模型能否有效过滤噪声，识别出真正的灾害相关文本？
RQ2：大型语言模型能否准确界定地名边界并解读空间语义？
RQ3：大型语言模型能否在没有外部知识库的情况下生成标准化的、可地理编码的地址？
为回应上述研究问题，本研究做出了以下重要贡献：
- (1)
FloodLoc-Four：一个整合文本理解、空间解析和定位功能的层次化评估框架。
- (2)
FloodLang：一个包含8000条经过标注的社交媒体帖子的双语（中/英）基准数据集。
- (3)
全面评估：对十种大型语言模型进行了系统评估，明确了它们的能力边界以及跨语言间的差异。
