暴雨事件的舆情分析
2021年7月19—25日，河南遭遇强降水，致63人死亡，引发全社会高度关注。国家防汛抗旱总指挥部工作组赴郑州展开救援排险指导工作、多地多部门采取应对措施抢险救援。据不完全统计，2021年7月19—25日，“河南遭遇强降雨，灾情引发舆论广泛关注”热度最高，相关新闻转发量260万余条；其次为“国家防总、应急管理部持续推进河南防汛救援工作”，相关转发量42万余条；再次是“国家防办、应急管理部部署台风”相关转发量21万余条。7月19—25日，涉及应急管理领域的网络信息累计528万余条，其中，网络媒体报道量122.5万余条，网络转发讨论量405.5万余条。[114]本文爬取了主流媒体在河南暴雨期间在微博平台发布的344条报道及报道对应的5565条评论，通过制作词云（见图3-47、图3-48）可窥见事件的媒体报道和舆情评论倾向。
图3-47 媒体报道词云图
图3-48 网民评论词云图
①心系救援，加油鼓劲。不同于以往以负面情绪占主导的情况，“河南加油”反而是词云中最为突显的词汇。这表明一方面主流媒体面对在突发事件中不太稳定的社会环境，积极引导舆情，着重鼓励民心、鼓舞救援。另一方面网民在情感上与受灾群众更为贴近，网民评论中大量出现的“愿平安”“帮扩”“抱抱”等体现了大家鼓励受灾群众振作起来，或是为投身救灾的军民点赞打气，整体舆论导向向好。
②关注真相，心有余悸。通过网民评论词云图可以看出，暴雨下的舆论是多元且微观的。一方面网民的情感导向与主流媒体一致，话语多包含“河南加油”“愿平安”等。另一方面也更贴近受灾情况，大力寻求救援，表达对灾情和对救援的忧虑。暴雨作为一种带来巨大危害的突发性自然灾害，在其发生期间也存在着许多负面的舆情，对其进行引导是在突发事件下稳定社会的重要工作。因此可以看到，除了加油鼓劲，主流媒体在报道中也出现了大量客观的表达，如“7月20日”“特大暴雨”“雷阵雨”等。这与前文提及的高热度话题重点不谋而合。网民关注政府的动态，代表政府的主流媒体更应重视对客观事实的报道，如暴雨的规模、成因等，尽快与民众同步前线情况，通过事实满足网民的需求，理性引导舆论。
舆情的引导往往是多层次的，暴雨作为突发事件中的自然灾害与其他类型灾害相比有自身的特殊性。在其网络舆情演化规律中，可以发现人们对受灾地区等级、波及人群、财产损失、灾害等级等信息格外关注，如何对这些关键信息进行有效引导是舆情管理的关键。考虑到暴雨本身的灾害特点和舆情特征，应将生命周期理论与危机管理理论相结合，提出有效的、科学的管理措施。面对暴雨发生期间复杂多变的舆情，本书试从灾前、灾中、灾后三个阶段进行舆情对策的讨论。
1.灾前舆情预警引导
突发事件（暴雨）潜伏期持续48小时左右，这是进行舆情预警引导工作的最佳时期。暴雨作为突发事件，在演变过程中可能会因地区经济差异出现不同地区受关注时间、程度不平衡的情况，如经济发展较快的地区更容易被关注，而乡镇等经济较落后地区在引起关注方面较滞后。但网络的发展让经济落后地区在暴雨期间得以更快更多地发声，此时，政府应顺应网络舆情规律，将对暴雨舆情的关注重点从中心城市引向周边城市，实现关注范围的全覆盖。
除此之外，从新闻报道和网民评论的重点中可以看出，很多损失的造成是因为大家对于暴雨的了解不够。因此在灾前，相关部门应注意对民众进行暴雨知识的介绍、自救知识的普及，避免民众因不了解情况而被谣言所误导。在对民众进行知识宣传的同时，要注意及时发布暴雨预警，并对预警信号进行详细阐述，让各地民众知晓突发事件的时间、地点、灾害等级等重要信息，减少突发事件带来的舆情危机。
2.灾中舆情引导
灾中舆情引导是暴雨舆情演变的重要环节。当灾害来临时，网络极易成为民众唯一的宣泄平台，无论人们是向外界展示身边环境的受灾情况还是对外发出求救信号，是发出对受灾情况无人重视的控诉还是表达求助无门的绝望，都是网络舆情中不可忽视的内容。而在信息交互传播的同时，也存在着一定的风险，如果出现不实言论，不仅会让灾区人民在内心产生恐慌、不安，增加心理上的负担，而且不利于政府开展舆情引导工作。因此对自然灾害网络舆情的应对工作，应从灾区人民入手，对灾区人民进行心理建设。灾区人民自发将实际情况、自身经历传输到网络当中，可自下而上地确保舆论的真实性与可控性。
诚如上文舆情分析所示，暴雨发生之时，民众都格外关注救援、物资、重建等与自身利益息息相关的信息，如要在此时稳住民心、稳定舆论，相关部门就需要积极合作，一方面快速广泛地获取民意信息，另一方面注意工作开展的针对性、速度和透明度，尽快帮助民众解决受灾问题，尽快利用多方渠道筹集资金，恢复基础设施，让民众恢复正常生活。比如引导网络捐款等，这样既给广大网络用户提供献爱心的机会，真正实现“一方有难、八方支援”，弘扬中华民族伟大精神，又可降低灾区人民因财产损失带来的心理压力，也让他们切实感到来自社会和政府的温暖。但尤其需要注意办理过程的便捷和透明，真正实现公信力建构。
3.灾后舆情引导
灾后舆情引导主要针对自然灾害网络舆情演化的衰落阶段。在这一阶段，暴雨本体灾害已经结束，网络关注度也在下降，但并不代表相关问题彻底消失。这时政府不能放任舆情，而应对舆情进行规范有效的控制，因为灾后很可能在网络当中再次产生次生舆情。同时这个阶段也是政府树立公信力、提高民众自然灾害防御意识的关键阶段。暴雨带来的后续影响极大，不论是灾后的重建还是灾情的统计，都需要在较长一段时间内耗费大量的人力、物力、财力，这也意味着在比较长的一段时间里，民众会持续关注事件的发展动态。以河南暴雨为例，在2021年7月“千年一遇”的强降雨结束后的一个月内，大家仍心系河南暴雨，甚至到了当年10月，仍有人在经过河南时感叹此次暴雨带来的巨大危害。
因此，灾后舆情引导环节，政府须积极开展灾后救援工作，清点统计民众所关心的财产损失、伤亡人数等信息，并及时进行公开，同时发布相应的治理政策，让民众能够实在地看到事态好转。在进行救援工作时，政府要善于联系和运用各方媒体和各大平台，在网络上对暴雨事件的发生、处理过程进行简要的总结，让民众及时了解相关暴雨灾害的真实情况。政府还应积极反省灾情处理过程中自身工作的不足，宣传暴雨防灾意识和自救知识，进一步凝聚人心，树立政府公信力。[115]
【注释】
[1]Wu L，Hoi S，Yu N.Semantics-Preserving Bag-of-Words Models and Applications［J］.IEEE Transactions on Image Processing，2010，19（7）：1908-1920.
[2]施聪莺，徐朝军，杨晓江.TFIDF算法研究综述［J］.计算机应用，2009，29（B06）：167-170，180.
[3]CavnarW B，TrenkleJM.N-Gram-BasedTextCategorization.2001.
[4]尹陈，吴敏.N-gram模型综述［J］.计算机系统应用，2018，27（10）：33-38.
[5]潘俊，吴宗大.词汇表示学习研究进展［J］.情报学报，2019，38（11）：1222-1240.
[6]吴禀雅，魏苗.从深度学习回顾自然语言处理词嵌入方法［J］.电脑知识与技术，2016，12（36）：184-185.
[7]Le Q，Mikolov T.Distributed Representations of Sentences and Documents［C］.International Conference on Machine Learning，2014：1188-1196.
[8]Bengio Y，Réjean D，Vincent P，et al.A Neural Probabilistic Language Model［J］.Journal of Machine Learning Research，2003（3）：1137-1155.
[9]Mikolov T，Chen K，Corrado G，et al.Efficient Estimation of Word Representations in Vector Space［J］.Computer Science，2013，ar Xiv：1301.
[10]Mikolov T，Chen K，Corrado G，et al.Efficient Estimation of Word Representations in Vector Space［J］.Computer Science，2013，ar Xiv：1301.
[11]Mikolov T，Chen K，Corrado G，et al.Efficient Estimation of Word Representations in Vector Space［J］.Computer Science，2013，ar Xiv：1301.
[12]深度学习方法（十七）：word2vec算法原理（1）：跳字模型（skip-gram）和连续词袋模型（CBOW）［EB/OL］.（2019-05-26）.https：//blog.csdn.net/xbinworld/article/details/90416529#comments.
[13]Pennington J，Socher R，Manning C.Glove：Global Vectors for Word Representation［C］.Conference on Empirical Methods in Natural Language Processing.2014：1532-1543.
[14]Le Q，Mikolov T，Distributed Representations of Sentences and Documents［C］.International Conference of Machine Learniog，2014：1188-1196.
[15]Peters M E，Neumann M，Iyyer M，et al.Deep Contextualized Word Representations［C］.Proceedings of the 2018 Conference of the North American Chapter of the Association for Computational Linguistics：Human Language Technologies，2018（1）.
[16]Jozefowicz R，Vinyals O，Schuster M，et al.Exploring the Limits of Language Modeling［J］.computer and Lauguage，2016.
[17]Jozefowicz R，Vinyals O，Schuster M，et al.Exploring the Limits of Language Modeling［J］.computer and Lauguage，2016.
[18]Jozefowicz R，Vinyals O，Schuster M，et al.Exploring the Limits of Language Modeling［J］.Computer and Lauguage，2016.
[19]Vaswani A，Shazeer N，Parmar N，et al.Attention Is All You Need［C］.Advances in Nenral Information Processing Systems.2017：5998-6008.
[20]Radford A，Narasimhan K，Salimans T，et al.Improving Language Understanding by Generative Pre-Training［J］.ar Xiv，2018.④Radford A，Wu J，Child R，et al.Language Models are Unsupervised Multitask Learners［J］.Open AI Blog，2019，1（8）：9.⑤Brown T B，Mann B，Ryder N，et al.Language Models are Few-Shot Learners［J］.Advances in Neural Informatign Processing Sytem，2020（33）：1877-1901.
[21]Radford A，Narasimhan K，Salimans T，et al.Improving Language Understanding by Generative Pre-Training［J］.ar Xiv，2018.
[22]Devlin J，Chang M W，Lee K，et al.Bevt：Pre-Training of Deep Bidirectional Transformers for Language Understanding［C］.Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics：Human Language Technologies，2019（1）：4171-4186.
[23]Devlin J，Chang M W，Lee K，et al.Bevt：Pre-Training of Deep Bidirectional Transformers for Language Understanding［C］.Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics：Human Language Technologies，2019（1）：4171-4186.
[24]Devlin J，Chang M W，Lee K，et al.Bevt：Pre-Training of Deep Bidirectional Transformers for Language Understanding［C］.Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics：Human Language Technologies，2019（1）：4171-4186.
[25]Devlin J，Chang M W，Lee K，et al.Bevt：Pre-Training of Deep Bidirectional Transformers for Language Understanding［C］.Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics：Human Language Technologies，2019（1）：4171-4186.
[26]周志华.机器学习［M］.北京：清华大学出版社，2016.
[27]Yang S，Jian H，Ding Z，et al.IKNN：Informative K-Nearest Neighbor Pattern Classification［C］.European Conference on Principles of Date Mining and Knowledge Discovery，2007：248-264.
[28]刘小虎，李生.决策树的优化算法［J］.软件学报，1998（10）：797-800.
[29]Quinlan J R.C4.5：Programs for Machine Learning［M］.New York：Morgan Kaufman，1993.②庞素琳，巩吉璋.C5.0分类算法及在银行个人信用评级中的应用［J］.系统工程理论与实践，2019，29（12）：94-104.
[30]Breiman L，Friedman J H，Olshen R A，et al.Classification and Regression Trees［J］.Biometrics，1984，40（3）：358.
[31]魏红宁.决策树剪枝方法的比较［J］.西南交通大学学报，2005，40（1）：44-48.
[32]Suykens J，Vandewalle J.Least Squares Support Vector Machine Classifiers［J］.Neural Processing Letters，1999，9（3）：293-300.③Baesens B，Viaene S，Gestel T V，et al.Least Squares Support Vector Machine Classifiers：an Empirical Evaluation［J］.DTEW Research Rcport 0003，2000：1-16.
[33]Cristianini N，Shawe-Taylor J.Pseudocode for the SMO Algorithm［M］//An Introduction to Support Vector Machines and Other Kernel-based Learning Methods.Cambridge：Cambridge University press，2000：162-164.
[34]吴景龙，杨淑霞，刘承水.基于遗传算法优化参数的支持向量机短期负荷预测方法［J］.中南大学学报（自然科学版），2009，40（1）：180-184.
[35]Mccallum A，Nigam K.A Comparison of Event Models for Naive Bayes Text Classification［C］.Proceedings in Workshop on Learning for Text Categorization，IN AAAI-98，1998：41-48.④Rish I.An Empirical Study of the Naive Bayes Classifier［J］.Journal of Universal Computer Science，2001，3（22）：41-46.
[36]李静梅，孙丽华，张巧荣，等.一种文本处理中的朴素贝叶斯分类器［J］.哈尔滨工程大学学报，2003，24（1）：71-74.
[37]Dietterich T G.Ensemble Methods in Machine Learning［C］.Proceedings of the 1st International Workshop on Multiple Classifier Systems.Cagliari，2000：1-15.
[38]Polikar R.Essemble Based Systems in Decision Making［J］.IEEE Circuits&Systems Magazine，2006，6（3）：21-45.
[39]Zhang C，Ma Y.Ensemble Machine Learning：methods and app lications［M］.Berlin：Springer Science&Business Media，2012：1-34.
[40]Liaw A，Wiener M.Classification and Regression by Random Forest［J］.R News，2002，2（3）：18-22.
[41]Chen T，Guestrin C.XGBoost：A Scalable Tree Boosting System［C］.Proceedings of the 22nd ACM SIGKDD International Conference On Knowledge Discovery and Data Mining，2016：785-794.
[42]Chen T，Guestrin C.XGBoost：A Scalable Tree Boosting System［C］.Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining，2016：785-794.
[43]Ke G，Meng Q，Finley T，et al.Light GBM：A Highly Efficient Gradient Boosting Decision Tree［J］.Advanced in Neural Information Proceeding System，2017（30）：3146-3154.
[44]Kim Y.Convolutional Neural Networks for Sentence Classification［C］//Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing，2014：1746-1751.③Zhang Y，Wallace B.A Sensitivity Analysis of（and Practitioners'Guide to）Convolutional Neural Networks for Sentence Classification［J］.Computer Science，2015，23（2）：315-323.
[45]Liu P，Qiu X，Huang X.Recurrent Neural Network for Text Classification with Multi-Task Learning［C］.Proceedings of the 25th International Joint Conference of Artifical Intelligence Morgan Kaufman，2016：2873-2879.
[46]Liu P，Qiu X，Huang X.Recurrent Neural Network for Text Classification with Multi-Task Learning［C］.Proceedings of the 25th International Joint Conference of Artifical Intelligence Morgan Kaufman，2016：2873-2879.
[47]Zhou P，Shi W，Tian J，et al.Attention-Based Bidirectional Long Short-Term Memory Networks for Relation Classification［C］.Proceedings of the 54th Annual Meeting of the Association for Computational Linguistics，2016：207-212.
[48]Yang Z，Yang D，Dyer C，et al.Hierarchical Attention Networks for Document Classification［C］.Proceedings of the 2016 Conference of the North American Chapter of the Association for Computational Linguistics：Human Language Technologies.2016：148-1489.
[49]Zhou P，Shi W，Tian J，et al.Attention-Based Bidirectional Long Short-Term Memory Networks for Relation Classification［C］.Proceedings of the 54th Annual Meeting of the Association for Computational Linguistics，2016：207-212.(https://www.daowen.com)
[50]李洋，董红斌.基于CNN和BiLSTM网络特征融合的文本情感分析［J］.计算机应用，2018，38（11）：3075-3080.
[51]Yang Z，Yang D，Dyer C，et al.Hierarchical Attention Networks for Document Classification［C］.Proceedings of the 2016 Conference of the North American Chapter of the Association for Computational Linguistics：Human Language Technologies.2016：148-1489.
[52]孙镇，王惠临.命名实体识别研究进展综述［J］.现代图书情报技术，2010（6）：42-47.
[53]万静，涂喆，冯晓.基于条件随机场的医药领域症状信息抽取［J］.北京化工大学学报（自然科学版），2016，43（1）：98-103.
[54]姜文志，顾佼佼，丛林虎.CRF与规则相结合的军事命名实体识别研究［J］.指挥控制与仿真，2011，33（4）：13-15.
[55]何炎祥，罗楚威，胡彬尧.基于CRF和规则相结合的地理命名实体识别方法［J］.计算机应用与软件，2015，32（1）：179-185，202.
[56]Lafferty J，Mccallum A，Pereira F.Conditional Random Fields：Probabilistic Models for Segmenting and Labeling Sequence Data［C］.Proceedings of the 18th International Conference on Machine Learning，2001：282-289.
[57]Imry Y，Ma S K.Random-Field Instability of the Ordered State of Continuous Symmetry［J］.Physical Review Letters，1975，35（21）：1399-1401.
[58]O Cappé，Moulines E，T Rydén.Inference in Hidden Markov Models［J］.Technometrics，2006，48（4）：574-575.
[59]俞鸿魁，张华平，刘群，等.基于层叠隐马尔可夫模型的中文命名实体识别［J］.通信学报，2006，27（2）：87-94.
[60]俞鸿魁，张华平，刘群，等.基于层叠隐马尔可夫模型的中文命名实体识别［J］.通信学报，2006，27（2）：87-94.
[61]Chen T，Xu R，He Y，et al.Improving Sentiment Analysis via Sentence Type Classification Using BiLSTM-CRF and CNN［J］.Expert Systems with Application，2017（27）：221-230.②陈伟，吴友政，陈文亮，等.基于BiLSTM-CRF的关键词 自动抽取［J］.计算机科学，2018，45（6A）：91-96.
[62]引自http：//zhuanlan.zhihu.com/p/42096344？utm_source=wechat_session.
[63]李丽双，郭元凯.基于CNN-BLSTM-CRF模型的生物医学命名实体识别［J］.中文信息学报，2018，32（1）：116-122.
[64]李丽双，郭元凯.基于CNN-BLSTM-CRF模型的生物医学命名实体识别［J］.中文信息学报，2018，32（1）：116-122.
[65]Wang P，Chen P，Yuan Y，et al.Understanding Convolution for Semantic Segmentation［C］.2018 IEEE Winter Conference on Applications of Computer Vision（WACV），2018.②Chen L C，Papandreou G，Schroff F，et al.Rethinking Atrous Convolution for Semantic Image Segmentation［J］.Computer Vision and Pattern Recognition，2017.③Li B，Dai Y，He M.Monocular Depth Estimation with Hierarchical Fusion of Dilated CNNs and Soft-Weighted-Sum Inference［J］.Pattern Recognition，2017（83）：328-339.
[66]Wang P，Chen P，Yuan Y，et al.Understanding Convolution for Semantic Segmentation［C］.2018 IEEE Winter Conference on Applications of Computer Vision（WACV），2018.
[67]Strubell E，Verga P，Belanger D，et al.Fast and Accurate Entity Recognition with Iterated Dilated Convolutions［C］.Conference on Empirical Methods in Natural Language Processing，Copenhagen，2017：2670-2680.
[68]Strubell E，Verga P，Belanger D，et al.Fast and Accurate Entity Recognition with Iterated Dilated Convolutions［C］.Conference on Empirical Methods in Natural Language Processing，Copenhagen，2017：2670-2680.
[69]Li J，Sun A，Han J，et al.A Survey on Deep Learning for Named Entity Recognition［J］.IEEE Transactions on Knowledge and Data Engineering，2020：99.
[70]Li J，Sun A，Han J，et al.A Survey on Deep Learning for Named Entity Recognition［J］.IEEE Transactions on Knowledge and Data Engineering，2020：99.
[71]杨黎.日本自然灾害的信息传播及对我国的启示［D］.武汉：华中师范大学，2009.
[72]贾斌.全球进入地震活动高发期［N］.北京日报，2015-05-06（13）.
[73]大地震的时间规律性［EB/OL］.（2013-1-17）.http：//www.360doc.com/content/13/1117/19/175820330038694.shtml.
[74]王超.汶川大地震报道中网络媒体的表现［J］.青年记者，2008（32）：21-22.
[75]董娟.突发公共卫生事件的信息共享与联动机制——以SARS和甲型H1N1流感为个案［D］.武汉：华中师范大学，2010.
[76]疫情年年有，这次特别厉害，养殖户该何去何从？［EB/OL］.（2018-09-25）.https：//www.sohu.com/a/256145249_786077.
[77]盛开彦，赵瑷珲.动物疫情出现的问题及对策［J］.农村科学实验，2019（18）：95-96.
[78]于水.动物疫情防控措施探讨［J］.世界热带农业信息，2022（9）：76-77.
[79]畜间炭疽病的综合防控措施［J］.动物卫生，2021（6）：79-80.
[80]畜间炭疽病的综合防控措施［J］.动物卫生，2021（6）：79-80.
[81]呼梦瑶.8月发生两起炭疽疫情，夏季为炭疽疫高发季［EB/OL］.（2021-08-15）.https：//finance.sina.com.cn/jjxw/2021-08-15/doc-ikqciyzm1595132.shtml.
[82]田振新.秋冬季节猪常见疫病的病因及防治方法［J］.吉林农业，2015（8）：91.
[83]秦川.H7N9禽流感的研究现状及对未来的思考［J］.中国实验动物学报，2014，22（1）：2-7.
[84]邵理云，肖真.重特大安全生产事故原因分析及安全生产管理的思考与建议［J］.安全、健康和环境，2020，20（7）：7-11.
[85]邵理云，肖真.重特大安全生产事故原因分析及安全生产管理的思考与建议［J］.安全、健康和环境，2020，20（7）：7-11.
[86]三违不除，事故不止！46人拿命示警，这3起案例的教训太惨痛……［EB/OL］.（2021-05-18）.https：//xw.qq.com/cmsid/20210518A06AXH00.
[87]齐丽辉.夏季安全事故防范十大警示［J］.吉林劳动保护，2018（5）：20-22.
[88]侵财类刑事案件中流窜作案的现状、成因及对策［EB/OL］.（2014-07-29）.https：//sxfy.chinacourt.gov.cn/article/detail/2014/07/id/2300357.shtml.
[89]余庆华.刑事案件高发的原因及解决对策［J］.职工法律天地（下），2014（9）：1.
[90]陈运泰.地震预测：回顾与展望［J］.中国科学（D辑：地球科学），2009，39（12）：1633-1658.
[91]汶川特大地震四川抗震救灾志编纂委员会.汶川特大地震四川抗震救灾志·总述大事记［M］.成都：四川人民出版社，2017：1，6-35.
[92]聚焦龙门山地震断裂带［N］.洛阳日报，2013-4-24（2）.
[93]安培浚.汶川地震成因解析［J］.科学新闻，2008（11）：16-18.
[94]陈永金.中国地震分布与地貌关系［EB/OL］.（2010-05-11）.https：//blog.sciencenet.cn/blog-200380-322764.html.
[95]李传友.高原上的玉树为何会发生大地震？［N］.中国应急管理报，2020-4-15（y6）.
[96]董娟.突发公共卫生事件的信息共享与联动机制——以SARS和甲型H1N1流感为个案［D］.武汉：华中师范大学，2010.
[97]2021年9月浙江省法定传染病疫情［EB/OL］.（2021-10-26）.http：//wsjkw.zj.gov.cn/art/2021/10/26/art_1229123469_4759925.thml.
[98]成芳.气候因素与江苏省常见传染病发病关联的研究［D］.南京：南京信息工程大学，2014.
[99]有专家指出未来五十年东部沿海将成传染病“高危区”［EB/OL］.（2006-11-17）.https：//news.sina.com.cn/c/2006-11-17/080010525286s.shtml.
[100]汤伟.传染病为何多“新发”于城市？［J］.看世界，2020（3）：56-59.
[101]毕晓霞.论环境污染与生态破坏对人体健康的影响［J］.辽宁师专学报（自然科学版），2012，14（3）：84-87.
[102]崔光琦，黄国锋，张永波，等.广东省生态环境现状、存在问题和对策［J］.生态环境，2003（3）：313-316.
[103]赵小明，盛效厚，钱永江.城郊农业生态环境污染特征和防治对策［J］.环境导报，1995（3）：29-31.
[104]任克勤.论刑事案件（二）——刑事案件发案的一般规律和特点探讨［J］.公安大学学报，1999（4）：76-83.
[105]肖谢，黄江英.大学生网络受骗的类型、原因及对策研究［J］.重庆邮电大学学报（社会科学版），2015，27（5）：67-72.
[106]暴雨科普一：暴雨及其定义［EB/OL］.（2012-08-20）.http：//www.cma.gov.cn/2011xwzx/2011xqxxw/2011xqxyw/201208/t20120817_182197.html.
[107]丁一汇.中国暴雨理论的发展历程与重要进展［J］.暴雨灾害，2019，38（5）：395-406.
[108]我国暴雨及其灾害［EB/OL］.（2007-08-07）.http：//www.cma.gov.cn/kppd/kppdqxsj/kppdtqqh/201212/t20121217_197770.html.
[109]我国暴雨及其灾害［EB/OL］.（2007-08-07）.http：//www.cma.gov.cn/kppd/kppdqxsj/kppdtqqh/201212/t20121217_197770.html.
[110]王乃仙.说说我国的暴雨［N］.经济日报，2015-6-25（15）.
[111]长江洪水记忆（五）［EB/OL］.（2016-06-22）.http：//www.360doc.com/content/16/0622/21/3219047-570000900.shtml.
[112]来源于历年中国气象局公开数据。
[113]来源于历年中国气象局公开数据。
[114]张展.河南遭遇强降雨灾情引发舆论广泛关注［J］.现代职业安全，2021（8）：9.
[115]张青峰.突发事件网络舆情演化机理及对策研究［D］.武汉：武汉理工大学，2020.
