《Progress in Energy and Combustion Science》：Assessment of building vulnerability to tsunamis: A systematic review of methods, limitations, and machine learning opportunities
编辑推荐：
建筑物海啸脆弱性评估（BTVA）对于减轻沿海地区与海啸相关的灾害风险至关重要。尽管现有方法在过去二十年中取得了快速进展，但每种方法仍然受到基本缺陷的制约。此外，机器学习（ML）尽管在其他自然灾害领域取得了成功，但在海啸脆弱性研究中仍未得到充分利用。在本系统文献
建筑物海啸脆弱性评估（BTVA）对于减轻沿海地区与海啸相关的灾害风险至关重要。尽管现有方法在过去二十年中取得了快速进展，但每种方法仍然受到基本缺陷的制约。此外，机器学习（ML）尽管在其他自然灾害领域取得了成功，但在海啸脆弱性研究中仍未得到充分利用。在本系统文献综述中，研究人员应用PRISMA指南收集了114篇从2003年到2025年的研究论文，以评估为BTVA开发的主要类别：指数方法（IBMs）和经验与分析脆弱性函数（EFFs-AFFs），同时确定了适用的ML集成策略。对作者报告的限制因素的分析表明，所有经典脆弱性函数（FFs）都忽略了环境流动修正因子，这限制了它们的真实性和可转移性。AFFs通常受到海啸荷载的简化表征（n=41项研究）和可能限制可扩展性的计算约束的影响。除了数据稀缺（57.7%的EFFs研究仅限于2011年东北事件），EFFs还受到不充分强度指标（IMs）的影响，这些指标未能准确反映多变量水动力。此外，IBMs通常存在参数权重的主观问题；然而，ML提供了降低计算成本、优化数据驱动参数和选择多变量强度指标来解决这些挑战的解决方案。在本研究中，研究人员受ML在其他自然灾害研究中的成功启发，提出了四种新颖的ML解决方案作为未来方向。最后，本综述建议ML应补充而非取代改进的基于物理的框架，以实现稳健且可转移的BTVA协议。
**1. Introduction**
研究首先回顾了近期海啸事件（如2018年帕卢-苏拉威西地震海啸、2018年喀拉喀托之子火山崩塌、2022年洪加汤加-洪加哈派火山喷发、2024年能登海啸及2025年堪察加海啸）对沿海建筑造成的破坏，强调人口增长和气候变化使沿海地区面临持续风险。建筑物脆弱性被定义为结构对海啸引起的损伤状态的物理敏感性。现有评估方法包括指数方法（IBMs）、经验脆弱性函数（EFFs）和分析脆弱性函数（AFFs），但各方法均存在缺陷：IBMs依赖专家判断导致主观性；EFFs受限于特定地区数据且主要依赖单一强度指标（如淹没深度）；AFFs虽基于物理模拟，但计算成本高且对复杂水动力荷载的简化导致不确定性。机器学习（ML）在其他灾害领域（如滑坡、洪水、火灾）已展现潜力，但在海啸脆弱性评估中因数据稀缺而应用不足。研究旨在通过系统文献综述（SLR）填补空白，统一比较IBMs、EFFs和AFFs的方法论局限，并探索ML集成路径。
**2. Methodology**
**2.1. The search strategy**
遵循PRISMA 2020指南，于2025年7月15日在Web of Science（WoS）和Scopus两个数据库进行系统检索。使用关键词组合（“Buildings”、“Building”、“Structure”、“Tsunami”、“Tsunamis”、“Vulnerability”、“Fragility”、“Assessment”），结合布尔运算符，限定2003年1月至2025年7月的英文文献，共获得494篇出版物，经去重后保留306篇。
**2.2. The scoring system**
开发基于Python的自动化评分过滤工具，对全文进行预处理（小写化、去除非字母字符、分词、去停用词、Porter词干提取），并应用三层分层关键词加权系统。标题和摘要分别赋予不同权重，计算每篇论文的相关性分数。设定阈值100（分数分布的第25百分位数），保留前75%论文进行后续人工筛选，以最大化敏感性并减少假阴性。
**2.3. Filtration and final selected corpus**
排除无法获取的文献后，对220篇论文进行人工筛选，依据预定义的纳入和排除标准（表1），最终114篇论文满足所有条件，形成深入分析语料库。
**2.4. Network analysis**
使用Python（NetworkX v3.5、Pandas、NumPy、Matplotlib）进行网络分析和可视化。节点对应限制类别，按绝对频率缩放；边表示所有观察到的共现对，厚度基于最大共现权重归一化。采用力导向Fruchterman–Reingold算法生成网络拓扑，确保可重复性。
**3. Results**
结果显示，109项研究（95.6%）属于经典方法，仅5项应用ML。经典方法中，EFFs最多（50项），其次为AFFs（32项）和IBMs（27项）。时间和地理分布上，研究活动自2009年增加，2015-2023年达峰值，且地理上不均衡，亚太地区占主导。方法偏好具有区域特异性：欧洲近年侧重分析方法，中东和北非（MENA）地区几乎仅用指数方法。ML应用是2011年后的新趋势。EFFs数据来源高度依赖2011年东北海啸（57.7%）。AFFs存在数值模型精度与分析规模间的权衡：资源密集型方法（如非线性时程分析NLTH）仅用于少量建筑原型（1-4个），而更简单的方法用于大规模评估。IBMs的权重多基于专家判断或层次分析法（AHP），且多数模型输出未经真实损伤数据验证；模型复杂度（输入参数数量）差异显著，IBMs通常使用5-15个参数，而EFFs和AFFs平均1-7个。对作者报告的限制分析表明，AFFs的主要限制是“忽略或简化海啸荷载”（41次提及），其中“简化荷载动态”和“排除特定荷载”是常见子类；网络分析显示该问题与“简化损伤状态与脆弱性定义”及“简化结构与岩土建模”高度关联。EFFs的限制主要围绕数据，“强度指标不足与脆弱性曲线局限”（80次提及）和“数据收集与分类挑战”（63次提及）共现频繁，“数据与统计问题”与“数据缺口与变量”及“强度指标不足”强耦合；其中碎屑冲击是最常被忽略的物理因素（约27项研究）。IBMs的限制集中在概念框架，“灾害建模与场景”（30次提及）是核心节点，“场景定义”与“淹没建模”共现突出；网络显示“脆弱性评估方法论”与“数据与输入”及“灾害建模与场景”紧密相关。
**4. Discussion**
**4.1. Interpretation of key findings**
研究发现，BTVA方法的发展受地理和时间趋势驱动，而非科学共识。亚太和美洲地区EFFs盛行，源于灾害后丰富的数据（如2011年东北海啸）；欧洲因缺乏近期重大事件，过度依赖AFFs；MENA地区因资源限制优先采用指数方法。网络分析揭示AFFs中“忽略或简化海啸荷载”是系统性瓶颈，导致级联失效；EFFs中数据稀缺与强度指标不足强耦合；IBMs的参数权重主观性问题突出。对2011年东北海啸数据的过度依赖（57.7%）可能引发过拟合，限制模型在其他地区的可转移性。
**4.2. A critical gap: environmental shielding in EFFs and AFFs**
研究发现，所有方法普遍忽略环境遮蔽效应（如沿海植被、地形、防御结构），假设建筑物直接受海啸波冲击，从而引入偏差。环境遮蔽通过改变流速、碎屑冲击和动量通量影响灾害强度，未来脆弱性模型应通过多变量强度指标（IMs）整合遮蔽效应。
**4.3. Emerging critical limitations in IBMs**
IBMs面临参数权重主观性和验证不足的挑战。例如，近期事件中，专家加权模型（如Omira et al.模型）未能预测日本能登海啸中混凝土防波堤的破坏，而简单静态排名无法反映真实失效模式。此外，水道对海啸波的通道化作用未被充分纳入，高分辨率数字高程模型（DEMs）的缺失限制了模拟精度。尽管存在定量局限，IBMs在资源有限地区（如MENA）仍具必要性，可快速进行脆弱性筛查。
**4.4. Machine learning as a strategic solution for selected limitations**
ML被提出作为针对性解决方案，而非替代传统方法。针对AFFs，ML可构建代理模型（如高斯过程回归、深度神经网络）大幅降低计算成本（如人工神经网络已实现99%节省），但无法弥补物理基础局限。针对EFFs，ML通过生成对抗网络（GANs）合成物理上合理的海啸损伤场景，扩充稀疏数据集，并结合迁移学习利用数据丰富事件（如东北海啸数据集）提升数据稀缺地区的可转移性；同时，多变量集成策略（如极端梯度提升XGBoost、随机森林RF、神经网络）可自动识别最优水动力参数组合，超越单变量强度指标范式。针对IBMs，数据驱动的权重方案（如基于经验损伤数据的特征选择）可替代专家主观加权，提升模型客观性。此外，可解释性工具（如SHAP、排列重要性）可解决ML“黑箱”问题，转化为可解释的决策支持工具。研究强调ML应作为补充而非替代，用于改进物理信息框架而非取代。
**4.5. Study limitations and future research directions**
本综述局限包括仅纳入明确报告的限制、有限建模参数（如计算成本）仅基于明确报告的研究，以及文献检索截止日期（2025年7月15日）可能遗漏近期发表的研究。未来工作方向包括：建立标准验证协议和数据集；研究环境流动变化的影响；系统分析脆弱性函数在不同地理区域的转移能力；开发基于物理信息的ML方法，融入物理约束。
**5. Conclusion**
综述覆盖114篇同行评审论文，指出AFFs、EFFs和IBMs仍面临相互关联的限制。AFFs受限于海啸荷载表征；EFFs受限于强度指标不足和数据稀缺；IBMs受限于主观权重和验证不足。网络分析表明这些限制构成紧密耦合系统，且所有方法普遍忽视环境流动修正因子。ML可作为部分解决方案，集成于改进的物理框架中，用于开发代理模型、选择多变量强度指标和客观权重分配。优先研究领域包括：建立全球开源数据库（含后海啸调查和合成模拟）；系统化数据收集运动；制定标准化验证协议；优先发展基于物理信息的ML框架。通过国际合作，可弥合诊断综合与操作工具之间的差距，为全球海啸影响沿海社区提供有效的风险决策支持。
