热带气旋预警行动中基于影响的预测模型评估：统计机器学习与基础损害曲线模型的比较研究

这篇综述系统评估了热带气旋预警行动(AA)中两种基于影响的预测模型(IBF)：统计机器学习模型和基础损害曲线模型。通过台风Kammuri案例，揭示了模型在触发时间、检测率(POD)和误报率(FAR)的差异，强调需平衡模型复杂度与可解释性，为灾害风险管理(DRM)提供透明化框架。

　　

Highlight

本研究通过模型卡片框架系统对比了两种热带气旋预警行动(AA)模型：菲律宾应用的统计机器学习模型(Statistical-IBF)与孟加拉国开发的基础损害曲线模型(Elementary-IBF)。这两种模型分别代表了基于影响(impact-based)和基于灾害(hazard-based)的触发设计理念。

Materials and Methods

本节详细说明了两类IBF模型在菲律宾热带气旋(TC)预警中的评估方法。图1展示了包含模型解释性分析的研究流程框架，重点关注预测变量、空间分辨率与历史灾害数据的整合策略。

Results

关键发现包括：

1. 1.

   统计模型在登陆前81小时触发行动，但仅检测到3%受影响城市，误报率(FAR)高达75%

2. 2.

   经本地化适配的基础模型触发时间提前72小时，检测率(POD)提升至17%，FAR降至40%

3. 3.

   台风路径预报的不确定性显著影响IBF模型表现，通过交互式门户可直观观察阈值参数敏感性

Discussion

研究表明：

• 复杂模型(如XGBoost)在数据充足时表现更优，但需要专业解释

• 简单模型(如损害曲线)更易操作但精度有限

• 模型选择应基于本地数据质量与应急响应时效需求，而非绝对优劣

Conclusion

预警行动(AA)正推动灾害风险管理从被动应对转向预测干预。本研究通过台风Kammuri案例证明：IBF模型需明确传达不确定性，在统计严谨性与操作可行性间取得平衡，建议采用模块化框架逐步升级模型复杂度。