JUPYTER / PYTHON / DATA-DRIVEN DESIGN

地震：数据转译

2025–26 / Bartlett School 设计项目 · 数据驱动设计

地震：数据转译

Earthquake: Data into Space

Jupyter × Python × Blender × Processing 协同设计

以地震为主题，将图像中的视觉特征、文本中的叙事信号与地球物理记录转化为可计算的设计变量。在 Jupyter 中完成采集、清洗、分析与融合，再用 Python 将这些变量映射为 Blender 的建筑碎片、地表裂隙与动态场景，最终在 Processing 中转化为粒子、波纹与实时反馈。

我的职责: Python 数据处理、参数映射与空间可视化
完成阶段: 多源分析、程序建模与实时可视化

从数据到设计的工作流

如何让地震数据成为空间形态与动态行为的生成规则？

地震通常通过统计、照片或新闻被理解，每种媒介都呈现不同的信息。本项目把这些信息转化为可处理的特征，再建立清晰的参数接口，让数据分析、程序建模和实时可视化在不同工具之间衔接。

240清洗后的图像

232新闻标题与摘要

240融合设计样本

20空间场景实例

01 / Jupyter · Python
采集与清洗
处理图像、文本与地震记录，去重、清洗并建立结构化表格。
02 / Python
分析与融合
提取特征，完成标准化、聚类与降维，输出统一设计参数。
03 / Blender · Python
规则与空间
将参数转化为建筑碎片、地表位移、裂隙、波纹与烟尘。
04 / Processing
行为与反馈
逐条读取记录，驱动粒子释放、波纹传播与数据面板。

黑色背景上建筑碎片与发光波纹组成的完整多实例空间场 — 最终空间场：同一组规则生成可比较的不同实例。

图像采集与视觉特征

通过 icrawler 获取建筑坍塌、城市废墟与救援相关图像，再清除无效文件并使用图像哈希去重。保留的 240 张图像由 OpenCV 与 PIL 处理，提取平均亮度、灰度对比度和 Canny 边缘密度。

报告中的完整地震图像样本拼贴，包含废墟、建筑碎片与救援场景 — 图像样本拼贴：从视觉参考转向可计算特征。

把边缘密度、对比度和暗度组合为 damage_proxy，作为形态破碎程度的设计线索。这个指标是视觉特征的近似组合；它不等于实际建筑损伤等级。特征标准化后使用 K-means 分为四组，再通过 PCA 查看样本的分布。

四组图像聚类的样本数量分布 — 四组样本数量：71 / 54 / 78 / 37。

图像特征经 PCA 降维后的聚类散点图 — PCA 投影用于观察视觉特征之间的关系。

查看原始 Python 特征与聚类逻辑

df_img["darkness"] = 255 - df_img["brightness"]
df_img["damage_proxy"] = (
    df_img["edge_density"] * 0.5
    + (df_img["contrast"] / df_img["contrast"].max()) * 0.3
    + (df_img["darkness"] / df_img["darkness"].max()) * 0.2
)

features = df_img[["brightness", "contrast", "edge_density", "damage_proxy"]]
X = StandardScaler().fit_transform(features)
df_img["cluster"] = KMeans(n_clusters=4, random_state=42).fit_predict(X)

让人的存在进入数据

使用 YOLOv8 检测人物和物体，记录 person_count 与 total_objects，为后续碎片密度和空间复杂度提供补充信号。

文本语义与叙事信号

获取地震相关新闻的标题与摘要，经过合并、去重与文本清洗，形成 232 条记录。提取 damage、death、rescue、collapse 等关键词；使用 TextBlob 的极性分数区分正向、中性与负向表达，将叙事内容转换为可以参与设计的变量。

新闻文本正向、中性和负向表达的数量分布 — 文本极性是语言表达的特征，并非受灾者真实情绪测量。

比较 Count Vectorizer 与 TF-IDF 的文本表示，使用 TF-IDF 特征进行四组 K-means 聚类，并以 PCA 展示二维分布。关键词为失稳和坍塌提供叙事线索，聚类与极性为形态差异和动态强度提供参数。

地震记录与多源融合

引入 Significant Earthquakes, 1965–2016 数据集中的日期、震级、震源深度与经纬度。用 Pandas 清理无效记录，将不同量纲的变量归一化，建立可以跨工具读取的数值接口。

融合 Notebook 进一步引入灾害文本样本与卫星图块特征，比较 TF-IDF、Sentence-BERT 和图像特征的表示方式。降维后的特征与数值、情绪强度共同标准化，再进行五组 K-means 聚类。最终输出 240 条设计样本。

融合样本 chaos、fear 和 calm 标签分布 — 规则或模型生成的语义标签

数据组合的边界

图像与新闻分析是独立的数据分支。最终融合文件按样本组合地震记录、灾害文本与图像特征，并未建立同一事件的时间、地点匹配。情绪与破碎程度用于探索设计参数，这是一套数据驱动的生成实验。

Python 数据转译规则

数据转译的关键是把抽象的特征明确地交给设计工具。每个参数都有输入、映射方式与空间作用，CSV 成为 Jupyter、Blender 和 Processing 之间的接口。下方可以直接选择原始样本，查看震级、深度如何改变输出参数。

DATA → PARAMETERS

选择一条记录，查看它如何转化为设计参数

240 条设计样本

分组 0分组 1分组 2分组 3分组 4

原始记录

震级: 6.1
震源深度: 60.0 km
几何尺度: 1.667 ×
垂直偏移: -0.087
碎片化参数: 0.600
材质分组: 3

scale = 1 + magnitude_norm × 4
z = −depth_norm

数值直接读取原始 final_fusion_data.csv。分组包含数值、语义与图像特征；样本之间的组合用于设计实验，不表示同一地震事件的对应关系。

数据变量	映射规则	设计作用
`magnitude_norm`	`1 + magnitude_norm × 4`	控制几何尺度与震动幅度
`depth_norm`	`z = −depth_norm`	转化为垂直位移
`longitude_norm / latitude_norm`	`x / y`	建立归一化空间坐标
`emotion_intensity`	`fragmentation / noise`	控制碎片化与扰动强度
`emotion_label`	`rotation_chaos`	切换旋转与运动状态
`cluster_id`	`material_index`	选择材质或资产分组

查看原始 Python 映射与输出逻辑

fusion_df['x'] = fusion_df['longitude_norm']
fusion_df['y'] = fusion_df['latitude_norm']
fusion_df['z'] = -fusion_df['depth_norm']
fusion_df['scale'] = 1 + fusion_df['magnitude_norm'] * 4
fusion_df['fragmentation'] = fusion_df['emotion_intensity']
fusion_df['rotation_chaos'] = np.where(
    fusion_df['emotion_label'].eq('panic'),
    fusion_df['emotion_intensity'],
    fusion_df['emotion_intensity'] * 0.4
)
fusion_df['material_index'] = fusion_df['cluster_id']
fusion_df.to_csv(OUTPUT_DIR / 'final_fusion_data.csv', index=False)

下载数值设计样本 CSV ↗