预测城市洪灾期间负面情绪的时空动态：一种具有灾难意识的图神经网络方法

《Sustainable Cities and Society》：Forecasting spatiotemporal dynamics of negative emotions during urban floods: a disaster-aware graph neural network approach

　　**摘要**
城市洪水灾害给受影响的人群造成了严重的心理创伤，然而当前的灾难后心理健康评估主要依赖于回顾性调查，这限制了及时干预。提前预测负面情绪反应对于早期支持至关重要，但这仍然具有挑战性，因为这些情绪状态在灾害期间会突然变化，并且在灾前数据中并未得到充分反映。本研究开发了一种具有灾情意识的时空图神经网络（DA-STGNN），用于预测城市洪水灾害期间和之后社交媒体上公众表达的负面情绪，以2021年7月郑州极端降雨事件作为案例研究。DA-STGNN引入了一种差异预测框架来捕捉灾害引发的情绪变化，并通过冲击增强训练来解决罕见灾数据的稀缺问题。DA-STGNN的均方误差（MAE）分别为1天7.47和7天8.63，相比Graph WaveNet分别提高了17.8%和23%。公众的负面情绪在最大降水量后一天达到峰值，并在洪水退去后持续存在，表明心理反应与物理灾害的应对时间尺度不同。学习到的情绪依赖网络进一步识别出那些生态连通性较低且医疗资源较为有限的结构重要位置，而非仅仅依据最大的灾害暴露程度。我们的研究为理解和预测城市洪水灾害期间的公众情绪动态提供了新的视角，支持更加以人为本的灾害管理策略。

**引言**
全球气候变化和快速城市化加剧了极端天气事件的频率和严重性（Gao & Bukovsky, 2023; Newman & Noy, 2023; Rentschler et al., 2023）。洪水影响了约18.1亿人，接近全球人口的四分之一，使其成为最具破坏性的自然灾害之一（Rentschler et al., 2022）。作为人类活动高度集中的地区，城市在洪水来袭时容易遭受连锁破坏，如交通瘫痪、经济损失和关键服务中断（Zhao et al., 2025; Zhu et al., 2025）。尽管有这些多方面的影响，城市韧性评估传统上主要关注物理和经济的恢复，尤其是基础设施的损坏和重建。正如Camppanella（2006）所指出的，城市韧性在很大程度上取决于居民的韧性和创造力。仅通过物理指标来量化灾害影响无法捕捉到对长期恢复至关重要的心理社会维度（Holley et al., 2022; Wang et al., 2024; Cheah et al., 2025）。城市洪水灾害特别容易引发广泛的负面情绪反应。例如，在2015年的钦奈洪水期间，市中心居民表达的负面情绪比灾前增加了12.43%（Karmegam & Mappillairaju, 2020）。长期的心理影响甚至可能在灾害本身过后仍持续存在。1998年中国湖南洪水的幸存者中，15%在13年后仍被诊断为创伤后应激障碍（PTSD）（Dai et al., 2016）。这些观察结果与灾难精神病学流行病学的研究一致，后者认为灾害是导致PTSD和其他心理健康问题风险增加的主要压力源（Galea et al., 2005; Goldmann & Galea, 2014）。这类情绪和心理后果可能削弱社区凝聚力和社会资本，从而减缓灾后恢复进程（Cutter et al., 2008; Aldrich & Meyer, 2015）。从资源损失的角度来看，灾害期间的心理痛苦不仅仅是随机恐慌，而是对关键基础设施、社会和心理资源实际或预期损失的结构性反应（Hobfoll, 1989）。当灾害期间关键基础设施、社会支持和心理资源受限时，公众情绪可以反映居民对灾害影响的认知和反应（Yang et al., 2026）。它们还影响风险感知、保护行为和恢复轨迹，成为城市韧性的重要组成部分（Bonanno et al., 2010）。因此，准确识别和预测城市洪水灾害初期公众情绪的变化对于及时干预、有效应急响应和合理分配资源至关重要。

**尽管有迫切的需求进行此类前瞻性预测，传统的心理影响评估仍严重依赖灾后对受灾居民的调查，这些调查是回顾性的，往往无法捕捉事件期间的情绪演变过程（Wind et al., 2013; Sekulova & Van den Bergh, 2016; Laudan et al., 2020）。**城市洪水通常持续数天，在此期间公众情绪可能会加剧、波动，然后随着洪水强度和持续时间的增减而逐渐恢复（Li et al., 2024）。社交媒体平台为居民提供了近乎实时的情绪表达方式，使Twitter和Weibo等平台成为了解城市内公众反应的宝贵来源（Ma et al., 2023; Yan et al., 2024）。例如，Neppalli等人（2017）分析了飓风桑迪期间推文中的情绪，并将其地理化，发现情绪反应与用户与灾害中心的距离有关。同样，Wang等人（2024）通过研究Weibo上公众意见的时空演变，发现了受7.20日河南洪水影响的城市居民在情绪韧性上的空间异质性恢复模式。重要的是，带有地理标签的推文使研究人员能够绘制不同情绪出现的位置，并将这些模式与建筑密度、生活设施密度和道路网络等建成环境特征联系起来（Zhao et al., 2024; Guo & Yang, 2025; Ha & Kim, 2025）。许多研究已将建成环境与灾害引发的情绪联系起来，表明它是塑造和调节公众情绪韧性的关键因素（Dai et al., 2023a; Li et al., 2026; Lian et al., 2026）。借鉴注意力恢复理论（Kaplan, 1989）和压力恢复理论（Ulrich, 1983），环境特征可能通过认知恢复和压力减少来影响灾害期间的情绪反应。例如，在2021年郑州洪水期间，能够更好地获取庇护所和卫生设施的居民报告了更高的安全感（Ma et al., 2025b）。同样，Yin等人（2025）发现，在2023年京津冀洪水期间，郊区基础设施较差、建成环境质量较低的居民表现出更强的负面情绪。灾害影响由灾害暴露和影响脆弱性的情境条件共同决定（Cutter et al., 2003; Bernardini et al., 2024）。建成环境特征可能通过影响紧急资源的获取、中断期间的流动性以及感知的安全感来影响个体对灾害的体验，从而影响情绪反应（Zhao et al., 2025）。然而，现有研究大多将这些反应视为静态的、局部化的结果，很少关注它们在城市区域内的空间和时间依赖性。实证证据表明，灾害引发的情绪具有高度动态性，不仅受灾害本身影响，还受到城市基础设施故障的影响（Wang & Taylor, 2018; Zou et al., 2018）。例如，飓风哈维期间的时空情绪分析显示，负面情绪中心随时间不断移动，并不完全与最严重的物理破坏区域重合（Fan et al., 2020）。这种空间不匹配表明，灾害引发的情绪不仅由灾害强度决定，还受到当地建成环境吸收和应对冲击能力的影响（Chang et al., 2021）。因此，灾害期间的公众负面情绪应被视为一个由灾害影响和城市建成环境共同塑造的动态时空过程。

**捕捉这种时空动态需要同时建模空间关系和时间变化。**时空图神经网络（STGNN）结合了基于图的空间建模和时间序列建模，能够同时刻画空间单元之间的拓扑关系及其时间演变，已被证明在复杂系统中有效捕捉时空依赖性（Zhao et al., 2019; Jin et al., 2023; Qu et al., 2024）。此外，STGNN已从固定结构模型发展到灵活可扩展的架构，包括STGNN-FAM、MS-STGNN和PT-STGNN，能够捕捉短期和长期的时间依赖性（Wu et al., 2019; Jin et al., 2022），并动态调整对关键依赖结构的空间关注（Qi et al., 2023）。STGNN在交通管理（Pan et al., 2025）、环境监测（Long & Ma, 2025）和能源预测（Verdone et al., 2024）等领域得到了验证，证明其在揭示复杂城市系统中的时空依赖结构方面有效。然而，这种有效性主要体现在具有密集、连续和周期性的系统中。与受周期性规律支配的常规城市动态不同，灾害引发的情绪是稀疏的、高度事件驱动的，会因基础设施故障、救援行动或通信中断而突然变化。大多数现有的STGNN是为密集、连续和周期性过程设计的，无法有效模拟这种不规则动态。**

**为应对这些挑战，需要一个能够捕捉短期、冲击驱动的时间动态以及嵌入在建成环境中的潜在空间依赖结构的模型框架，特别是在灾害发生和响应的关键初期阶段。**本研究选择了2021年7月郑州极端降雨事件作为代表，该事件导致380人死亡和409亿元人民币的直接经济损失（Zhao et al., 2024）。我们首先使用经过微调的ERNIE模型从微博帖子中量化网格级别的公众情绪，并将情绪轨迹与高分辨率的降水时空分布进行映射。然后，我们开发了DA-STGNN，这是Wu等人（2019）提出的Graph WaveNet的创新扩展，它将灾前情绪状态与建成环境特征联系起来，以预测城市洪水灾害期间的情绪变化。**

**本研究的主要贡献包括：**首先，将灾害引发的情绪视为一个时空过程变量，而不是灾后的静态结果，从而能够在冲击条件下研究其动态。其次，我们通过将情绪变化与学习到的空间依赖结构联系起来，探讨建成环境如何在洪水期间影响情绪反应。通过考虑局部建成环境特征和地点间的空间依赖性，我们识别出情绪轨迹与城市情绪动态密切相关的核心节点。这种方法为理解建成环境如何影响城市洪水灾害期间的情绪脆弱性提供了新的视角。第三，我们提出了一个模型框架，用于捕捉城市洪水灾害期间的冲击驱动情绪变化，扩展了现有的STGNN架构，以适应灾害引发情绪的非平稳、稀疏和突然性质。这使得在洪水期间更准确地预测负面情绪变化成为可能，支持高风险社区和关键干预窗口的早期识别。我们的发现也有助于推进对城市灾害韧性的更以人为本的理解。**

**研究区域**
2021年7月17日至23日，郑州市经历了一场以突然开始、异常强度和短持续时间为特征的极端降雨事件。7月20日，郑州的小时降水量在16:00至17:00达到201.9毫米，创下了中国大陆的新纪录（Peng & Zhang, 2024）。这场灾害导致380人死亡和409亿元人民币的直接经济损失。郑州是河南省的首府，是一个位于中部和低洼地区的高密度内陆大都市。

**洪水期间的负面情绪时空模式**
郑州（7月15日至27日）的 hourly 降雨数据来自河南省气象局，研究区域内的微博帖子每日汇总。图3展示了每小时降雨强度、每日推文量和居民负面情绪平均强度的时间演变。现有的灾害管理框架通常将洪水事件分为三个阶段：准备和预警、灾害发生和发展以及响应和恢复。

**理解城市洪水期间公众情绪反应的时间和空间动态**
现有研究大多将灾害引发的情绪视为对灾害暴露的直接反应，假设心理痛苦随着灾害严重程度的增加而加剧（Beaglehole et al., 2018; Chu et al., 2024）。然而，这种观点对于理解城市洪水期间公众情绪的演变提供了有限的见解。在我们的研究中，负面情绪强度并没有在洪水强度达到峰值时达到峰值，而是在洪水强度之后才达到峰值。

**结论**
城市洪水灾害对城市造成了双重负担：不仅损坏了物理基础设施，还引发了普遍的心理压力。尽管越来越关注灾害引发的公众情绪，但准确预测其时空演变和理解情绪动态的空间组织仍然具有挑战性。我们的研究通过开发DA-STGNN来解决这一问题，该模型可以预测城市洪水期间社交媒体上公众表达的负面情绪。

**作者贡献声明**
Mo Chen：撰写——原始草稿、可视化、验证、软件、方法论、调查、数据策划、概念化。
Shuang Ma：撰写——审阅与编辑、监督、方法论、概念化。陈云民：撰写、审稿与编辑，监督工作。
利益冲突声明：
作者声明他们没有已知的财务利益冲突或可能影响本文研究结果的个人关系。
致谢：
我们感谢国家自然科学基金（NSFC）以及“超重力环境下多相演化研究”项目（项目编号：52588202）所提供的财政支持。
作者简介：
莫晨、马双、陈云民
浙江大学土木与建筑工程学院，中国杭州310058