《International Journal of Disaster Risk Reduction》：Tsunami Damage Model Transferability Between Pacific Island Countries
编辑推荐：
稀缺的经验损伤数据限制了海啸损伤模型在本地表现以及在太平洋岛国之间的可迁移性。本研究利用2009年南太平洋海啸（萨摩亚2009，地震引发，n=85）和2022年洪阿汤加-洪阿哈阿帕伊海啸（汤加2022，火山引发，n=375）的损伤数据量化了这些约束条件。研究人
稀缺的经验损伤数据限制了海啸损伤模型在本地表现以及在太平洋岛国之间的可迁移性。本研究利用2009年南太平洋海啸（萨摩亚2009，地震引发，n=85）和2022年洪阿汤加-洪阿哈阿帕伊海啸（汤加2022，火山引发，n=375）的损伤数据量化了这些约束条件。研究人员分别采用随机森林（Random Forest）和极端梯度提升（Extreme Gradient Boosting, XGB）算法，基于19个灾害、建筑和环境变量进行训练，在四级、三级和二级损伤方案下进行评估，并与四个层次的更简基线模型进行比较。在四级方案下，XGB对汤加2022的准确率很高（0.95），但对萨摩亚2009的准确率并不优于多数类准确率（0.54，95%置信区间[0.44, 0.64]，对比0.45），且迁移后的模型未表现出有效技能。代表可修复与不可修复损伤的二级方案实现了双向迁移，技能值在+0.13至+0.34之间。多项逻辑回归（Multinomial Logistic Regression）在萨摩亚2009上与XGB表现相当，而XGB在汤加2022上的准确率高出0.15，将集成学习的阈值置于85至375个观测值之间。样本量和类别不平衡解释了事件间0.40准确率差距中的0.17，剩余部分与灾害模拟不确定性一致，在此不确定性下，最重要的预测因子——流深，在萨摩亚2009的40次扰动中仅10次排名第一。四级分类大约需要180至250个训练观测值，是萨摩亚2009样本量的两倍以上。在小损伤样本情况下，减少用于预测的损伤等级数量而非增加算法复杂度，能够产生更具可迁移性的模型。
论文解读文章
一、研究背景与问题
海啸是西南太平洋地区最具破坏性的自然灾害之一，过去二十年中，2009年萨摩亚地震海啸和2022年汤加火山海啸均造成了严重的人员伤亡和建筑损毁。建立准确的建筑损伤预测模型对于制定有效的减灾策略至关重要。传统上，海啸损伤模型多采用易损性曲线（fragility curve），以单一灾害强度指标（如流深）与同质建筑类别之间的条件概率关系为核心。然而，这种简化方式难以捕捉多种变量间的复杂交互作用。近年来，机器学习算法，特别是基于决策树的集成学习方法（如随机森林和极端梯度提升），被引入海啸损伤预测领域，能够同时分析多个解释变量的相互作用。
然而，这类数据驱动模型面临一个重大挑战：其在不同地理区域间的可迁移性。由于不同海啸事件产生的灾害机制（地震诱发vs火山诱发）、建筑特征和环境条件存在显著差异，在一个地区训练的模型往往难以直接应用于另一个地区。此外，太平洋岛国普遍面临经验损伤数据稀缺的问题，这进一步限制了模型的本地性能和跨区域泛化能力。一个尚未被充分探讨的问题是：当损伤记录较少时，传统的多级损伤分类方案本身是否超出了数据所能支撑的分辨率？本研究的核心目标正是探究西南太平洋岛国现有经验损伤记录究竟能支持何种级别的预测建模，以及这一分辨率如何决定模型在国家间的可迁移性。
二、研究设计与技术方法
研究人员收集并整合了两个海啸事件的建筑损伤数据集：萨摩亚2009年地震海啸（n=85）和汤加2022年火山海啸（n=375）。共使用了19个解释变量，涵盖三类：海啸灾害强度指标（流深、流速、动量通量、遮蔽效应）、建筑属性（结构框架、楼层数、基础类型、几何形状等）以及环境因素（土地利用类型）。损伤响应变量最初分为四级：无损伤（DL0）、可修复的部分损伤（DL1）、不可修复的部分损伤（DL2）、完全倒塌（DL3）。
关键技术方法包括：
- 1.
数值海啸模拟：采用BG-Flood（基于块的GPU自适应洪水模型）开源非线性浅水方程模型，分别对两个海啸事件进行高分辨率（10米网格）淹没模拟，生成各建筑位置的流深、流速和动量通量数据。萨摩亚2009模拟基于Mw 8.1地震双震源模型，汤加2022模拟则结合爆炸诱导水腔与大气压力波强迫。
- 2.
集成学习算法：分别训练随机森林（Random Forest, RF）和极端梯度提升（Extreme Gradient Boosting, XGB）分类器。通过分层五折交叉验证网格搜索优化超参数，并在留一法交叉验证（萨摩亚2009）或分层k折交叉验证（汤加2022，k=75；多国家数据集，k=92）中进行性能评估。
- 3.
模型可迁移性测试：设计三种配置——事件内模型（同一事件训练与评估）、迁移模型（一个事件训练后直接应用于另一事件所有建筑）和多国家模型（合并两个事件数据训练后分别评估）。
- 4.
损伤等级聚合分析：将四级方案分别聚合为三级（合并DL2与DL3）和二级（代表可修复vs不可修复），检验损伤分辨率对可迁移性的影响。
- 5.
基线模型比较：与易损性曲线、比例优势序数逻辑回归、多项逻辑回归和单棵决策树四种更简单的模型进行对比。
三、研究结果
4.1 集成模型的预测性能
超参数调优结果显示，XGB在所有三个训练数据集上的预测准确率均高于RF。汤加2022的事件内模型表现优异（RF 0.92，XGB 0.93），而萨摩亚2009则较低（RF 0.53，XGB 0.56），反映出训练样本量（n=85 vs 375）的巨大影响。多国家模型准确率居中（RF 0.83，XGB 0.85）。
4.2 预测变量的重要性
流深是所有数据集和算法中最重要预测因子，XGB的平均精度下降（Mean Decrease Accuracy, MDA）值为：萨摩亚2009（0.22）、汤加2022（0.41）、多国家（0.43）。超越流深后，变量重要性出现分化：萨摩亚2009中，建筑几何变量（周长、面积等）是次要预测因子；汤加2022中，土地利用变量更为突出，流速和动量通量也具有一定重要性。物理建筑属性（结构框架、楼层数等）在所有数据集中均显示接近零的MDA值。增量变量添加分析表明，汤加2022和多国家数据集的准确率在加入前几项重要变量后迅速饱和，而萨摩亚2009的准确率始终波动于多数类基线附近。
4.3 事件间迁移测试
事件内模型始终优于迁移模型。使用10变量集时，汤加2022的事件内准确率高达0.94-0.95，但迁移至萨摩亚2009后降至0.46-0.48；萨摩亚2009迁移至汤加2022时，XGB准确率仅为0.28。多国家模型未能改善对萨摩亚2009的预测性能。混淆矩阵分析显示，迁移模型倾向于按训练数据的损伤分布进行预测，导致系统性误分类。
4.4 损伤等级分辨率与可迁移性
这是最关键的发现。在四级方案下，所有迁移方向均无有效技能（skill），XGB从萨摩亚2009迁移至汤加2022甚至低于多数类基线（技能为-0.22）。而在二级方案（可修复vs不可修复）下，每个迁移方向都获得了实质性正技能（RF +0.13至+0.34，XGB +0.16至+0.31）。三级方案表现居中且均为正值。进一步的对照实验证明，改进源于特定地将DL2与DL3合并，而非简单地减少等级数量。这说明：两个事件之间存在可迁移的损伤信号，但在四级分辨率下无法从小样本中恢复，降低到二级后方可显现。
4.5 与基线模型的比较
对于萨摩亚2009，集成方法未带来优势——XGB与多项逻辑回归准确率完全相同（0.54）。对于汤加2022，XGB（0.95）比多项逻辑回归（0.80）高出0.15。这意味着集成学习相对于可解释模型的优势阈值位于85至375个观测值之间。在迁移场景下，仅使用流深的易损性曲线反而取得了最高的平衡准确率，因为其只编码了两个事件共有的流深-损伤关系，避免了因次要预测因子重要性差异导致的负迁移。
四、讨论与结论
局限性讨论：研究的主要限制是损伤样本量不足和类别不平衡，特别是萨摩亚2009。敏感性分析表明，将汤加2022样本缩减至85并施加萨摩亚的损伤等级比例，约解释了事件间0.40准确率差距中的0.17。四级分类的学习曲线在大约180至250个观测值后才趋近渐近线。灾害模拟不确定性方面，流深在汤加2022的所有40次扰动中均保持最高排名，但在萨摩亚2009中仅10次排名第一。远程遥感损伤分类方法对中间等级（DL1/DL2）的识别可靠性有限，加剧了类别不平衡。
研究结论：损伤等级分辨率，而非国家身份或算法选择，主导着模型可迁移性。在四级方案下，两个事件间的迁移模型不具实用技能；在二级方案（修复vs替换）下，所有迁移方向均获得+0.13至+0.34的正技能。这表明地震诱发与火山诱发的海啸之间确实存在可迁移的损伤信号，但仅在粗分辨率下可恢复。流深是两地共同的支配性预测因子，但次要变量重要性存在分歧。对于小型损伤样本，降低损伤等级分辨率比增加算法复杂度更能产生可迁移的模型。未来应优先建立包含多样化海啸事件、标准化现场调查协议的多国家经验损伤数据库，以支持更精细分辨率的区域可迁移模型开发。
