洪水是最具破壞性的自然災(zāi)害之一，對(duì)可持續(xù)發(fā)展構(gòu)成重大威脅（Rentschler等人，2022年；Rogers等人，2025年）。到2030年，全球每年因洪水造成的平均經(jīng)濟(jì)損失將達(dá)到1360億美元（世界銀行集團(tuán)，2022年），約1.32億人將面臨洪水災(zāi)害（Ward等人，2020年）。洪水風(fēng)險(xiǎn)不僅受物理災(zāi)害的影響，還受人口和基礎(chǔ)設(shè)施等脆弱要素的暴露程度的影響（Tate等人，2021年）。傳統(tǒng)評(píng)估主要利用遙感和靜態(tài)社會(huì)經(jīng)濟(jì)數(shù)據(jù)（如人口統(tǒng)計(jì)數(shù)據(jù)和土地利用信息）來確定洪水淹沒區(qū)域（Fang等人，2021年；Smith等人，2019年）。盡管這些基于物理的方法能有效繪制潛在風(fēng)險(xiǎn)地圖，但它們無法捕捉公眾在事件發(fā)生期間對(duì)洪水風(fēng)險(xiǎn)的真實(shí)感知（Rajput等人，2024年）。最近的研究表明，公眾感知的洪水風(fēng)險(xiǎn)（PPFR），即個(gè)人體驗(yàn)和解讀的洪水強(qiáng)度和影響，在推動(dòng)個(gè)人應(yīng)急響應(yīng)、影響社會(huì)穩(wěn)定以及最終決定災(zāi)害損失方面起著關(guān)鍵作用（Al Mamun等人，2025年；Brown等人，2018年）。因此，增強(qiáng)對(duì)PPFR的理解對(duì)于準(zhǔn)確的洪水評(píng)估和有效的洪水管理至關(guān)重要。

傳統(tǒng)上，PPFR是通過社會(huì)調(diào)查、問卷調(diào)查和訪談來評(píng)估的（Abass等人，2022年）。盡管這些方法提供了有價(jià)值的信息，但在快速變化的災(zāi)害情況下，它們往往具有有限的時(shí)間分辨率和空間覆蓋范圍（Zhao等人，2025a）。隨著Web 2.0的到來，社交媒體數(shù)據(jù)為捕捉PPFR提供了新的途徑（Peng和Zhang，2024年）。與傳統(tǒng)數(shù)據(jù)相比，社交媒體數(shù)據(jù)具有較高的時(shí)空分辨率（Wang等人，2020年；Yan等人，2024年）。在洪水事件期間，人們經(jīng)常在X（前身為Twitter）、Facebook和Weibo等社交媒體平臺(tái)上發(fā)布求助信息或記錄他們的經(jīng)歷（Huang等人，2022年）。這使得社交媒體成為捕捉PPFR的有效渠道。

社交媒體數(shù)據(jù)已廣泛應(yīng)用于洪水相關(guān)研究，包括洪水監(jiān)測(cè)和預(yù)警（Shoyama等人，2021年）、災(zāi)害演變分析（Abedin等人，2024年）以及災(zāi)后損失評(píng)估（Hao和Wang，2020年）。然而，大多數(shù)研究?jī)H關(guān)注單一災(zāi)害階段，缺乏對(duì)多個(gè)階段公眾感知災(zāi)害風(fēng)險(xiǎn)的系統(tǒng)比較。新興證據(jù)表明，此類風(fēng)險(xiǎn)在不同階段存在顯著差異，并表現(xiàn)出明顯的時(shí)間動(dòng)態(tài)（Q. Guo等人，2025年）。因此，對(duì)公眾感知災(zāi)害風(fēng)險(xiǎn)的全面評(píng)估必須考慮階段間差異及其時(shí)間演變。

然而，通過社交媒體數(shù)據(jù)分析公眾感知的災(zāi)害風(fēng)險(xiǎn)的一個(gè)重大挑戰(zhàn)是提取受影響地點(diǎn)（Kim和Hastak，2018年）。傳統(tǒng)方法通常構(gòu)建特定領(lǐng)域的詞典并應(yīng)用字符串匹配來識(shí)別地點(diǎn)實(shí)體（Smith等人，2017年）。但由于災(zāi)害場(chǎng)景的多樣性和漢語的語言復(fù)雜性，這些基于規(guī)則的方法普遍適用性有限，語義理解能力較弱（Roy等人，2021年）。近年來，預(yù)訓(xùn)練模型（如雙向編碼器表示BERT）憑借深度語義表示和上下文理解能力，能夠更準(zhǔn)確地從社交媒體文本中提取與災(zāi)害相關(guān)的地點(diǎn)實(shí)體（Devlin等人，2019年）。例如，Yan等人（2024年）對(duì)BERT進(jìn)行了微調(diào)，從微博帖子中提取與洪水相關(guān)的地點(diǎn)實(shí)體，實(shí)現(xiàn)了城市尺度上的精細(xì)情境感知和洪水演變跟蹤。因此，本研究采用基于BERT的框架從社交媒體數(shù)據(jù)中識(shí)別與洪水相關(guān)的地點(diǎn)實(shí)體。

評(píng)估影響因素對(duì)PPFR的異質(zhì)性效應(yīng)是另一個(gè)挑戰(zhàn)，因?yàn)檫@些知識(shí)支持差異化和精細(xì)化的洪水管理策略（Tellman等人，2021年）。傳統(tǒng)的洪水影響評(píng)估通常依賴于線性假設(shè)（Guo等人，2026年），使用基于指數(shù)的評(píng)估方法（Gu和Liu，2024年）、廣義線性回歸（Zhang等人，2020年）、主成分分析（Abdrabo等人，2023年）和空間計(jì)量模型（H. Wang等人，2024a）。然而，影響因素與PPFR之間的關(guān)系往往是非線性的（Li等人，2025年；Zhao等人，2024年）。近年來，機(jī)器學(xué)習(xí)（ML）方法已廣泛應(yīng)用于洪水相關(guān)研究中的非線性建模。這些模型可以捕捉復(fù)雜的關(guān)系，而無需預(yù)先定義的功能形式，并能自動(dòng)從大規(guī)模異構(gòu)數(shù)據(jù)中提取特征（Zhu等人，2024年）。

盡管ML可以捕捉洪水建模中的非線性效應(yīng)，但其“黑箱”特性限制了模型的可解釋性（Kim和Kim，2022年）。最近在可解釋人工智能（XAI）方面的進(jìn)展提供了提高模型透明度的新方法（Jiang等人，2024年）。根據(jù)可解釋性的范圍，XAI方法通常分為全局可解釋性和局部可解釋性。前者評(píng)估預(yù)測(cè)因子對(duì)模型輸出的總體影響，而后者解釋每個(gè)因素對(duì)個(gè)別預(yù)測(cè)的貢獻(xiàn)（Zhang等人，2022年）。在這些方法中，Shapley加性解釋（SHAP）因其同時(shí)支持全局和局部可解釋性而被廣泛采用（Qiu等人，2026年；Shapley，2020年）。然而，SHAP在空間可解釋性方面存在顯著局限性（Li等人，2022年，Li等人，2024年，Li等人，2025年）。先前的研究表明，影響因素對(duì)洪水風(fēng)險(xiǎn)的影響在地理空間上存在差異（Li等人，2024b）。為了克服這一局限性，采用了GeoShapley方法，該方法在模型解釋中明確納入地理坐標(biāo)作為聯(lián)合空間特征，從而能夠量化空間效應(yīng)（Li，2024年）。在此基礎(chǔ)上，通過將ML模型與GeoShapley結(jié)合，開發(fā)了地理空間可解釋人工智能（GeoXAI）框架，以全面捕捉PPFR建模中的非線性效應(yīng)和空間異質(zhì)性。

本研究的目標(biāo)有四個(gè)：(i) 使用社交媒體數(shù)據(jù)量化不同洪水階段的PPFR并描述其時(shí)空模式；(ii) 基于微調(diào)的BERT開發(fā)一個(gè)兩階段深度學(xué)習(xí)框架，用于從社交媒體中提取與洪水相關(guān)的地點(diǎn)實(shí)體；(iii) 介紹一個(gè)GeoXAI框架，用于評(píng)估影響因素在不同階段對(duì)PPFR的非線性效應(yīng)和空間異質(zhì)性；(iv) 確定每個(gè)階段影響PPFR的關(guān)鍵因素。