飓风灾后自适应数据采集框架：基于NSGA-II优化与概率梯度提升的快速损伤评估创新研究

本文提出一种融合多目标优化（NSGA-II）与序贯概率梯度提升模型的自适应灾后损伤评估框架，通过动态优化采样策略平衡信息增益（RPS）、成本（行程距离）与样本多样性（TVD），显著提升应急响应效率。

　　

文献综述（Literature Review）

长期以来，灾害损伤评估研究主要聚焦于灾前脆弱性模型（fragility models）开发，用于应急 preparedness。这类研究通常通过给定灾害强度（如地震震动、风速、洪水深度）预测结构损伤期望值。部分研究分析了设施整体结构，例如大坝（Alembagheri & Ghaemian, 2013）、发电厂（Levy et al., 1999）等。

研究目标（Objective）

本研究的核心目标是开发并实证检验一种用于灾后快速损伤评估的自适应数据采集流程。该框架旨在通过精准定位信息量最大的区域，最大化信息增益（information gain），同时兼顾以总行程距离衡量的数据采集成本，并促进样本多样性以防止估计偏差。

方法（Method）

提出的自适应灾后快速损伤评估方法包含两大核心组件：（1）序贯概率梯度提升模型（ordinal probabilistic gradient boosting model），用于预测受灾建筑损伤等级的概率；（2）自适应采样机制（adaptive sampling mechanism），通过迭代评估预测模型性能，识别并整合信息量最大的样本以持续优化模型。自适应采样过程由多目标优化问题引导，旨在实现三大关键目标：①通过优先选择对预测模型信息量最大的样本降低预测不确定性；②基于总行程距离最小化数据采集成本；③通过确保所选样本能代表预定义聚类中的底层分布来维持采样平衡性。该优化问题采用非支配排序遗传算法II（NSGA-II）求解。

实施与评估（Implementation and Evaluation）

为验证所提自适应数据采集机制在灾后快速损伤评估中的性能，本研究采用2018年佛罗里达州飓风迈克尔（Hurricane Michael）和2019年巴哈马飓风多里安（Hurricane Dorian）的历史数据集。首先基于飓风迈克尔数据开发初步损伤预测模型，随后将该模型与自适应数据采集机制结合，应用于飓风多里安的损伤等级预测。

结论（Conclusions）

本研究对核心知识体系的主要贡献在于引入了一种新型自适应方法，用于灾后快速损伤评估的数据采集。该方案通过系统性地依据最新观测数据指导采集操作，增强了现有应急管理方法。具体而言，该方法包含两大组件：（1）序贯概率梯度提升模型，用于估计损伤概率……