GIS与机器学习耦合的摩洛哥Al Hoceima地震易损性制图

《Geohazard Mechanics》：Integrating GIS and machine learning for seismic vulnerability mapping in Al Hoceima, Morocco

　　

沿Alboran–Rif边缘的城市中心反复遭受地震损失，然而城市尺度的易损性制图往往缺乏事件驱动的标签与可操作细节。研究人员为Al Hoceima开发了一个可复现框架，将监督机器学习与2004年及2016年地震中受损的664栋地理参考建筑精选清单以及Risk-UE项目条目相耦合。十七个预测因子涵盖了结构、岩土、物理、社会与应急可达条件。经相关性筛选限制冗余后，训练并验证了四种分类器——随机森林（Random Forest, RF）、XGBoost、支持向量机（Support Vector Machine, SVM）与人工神经网络（Artificial Neural Network, ANN）——并将输出经Jenks自然断点法聚合为五类易损等级。所有模型均恢复出一致的风险地理格局，极高与高易损类集中于中部、东部及西南片区，低与安全类主导北部及外围带。RF表现最强，准确率0.94、F1值0.943、Kappa 0.925、ROC曲线下面积（Area Under the ROC Curve, AUC）0.98，XGBoost紧随其后，其余模型中等。特征重要性分析指出人口密度、震中距与峰值地面加速度（Peak Ground Acceleration, PGA）为主要驱动，其次为消防站可达性、岩性场地效应与建筑年代。地图为加固改造定点、用地管控与应急通道规划提供决策级指引。遗留局限包括非正式街区建筑属性不全、预测因子尺度与时间不一致、标签稀缺及类不平衡。该框架可立即迁移至数据受限的地中海与北非城市，并可通过统一清单、来自无人机（Unmanned Aerial Vehicle, UAV）与合成孔径雷达（Synthetic Aperture Radar, SAR）的事件派生标签以及多灾种集成而增强。

研究背景方面，地震是最具破坏性的自然灾害之一，摩洛哥北部Alboran–Rif边缘因非洲–欧亚斜向汇聚与分段活断层而反复发生中强震，Al Hoceima作为西Rif海岸城市，在1994、2004、2016年多次受灾，2004年Mw 6.4地震造成629人死亡与大量建筑损毁。既有区域研究多聚焦V_s30与HVSR微区划而忽视暴露、建筑易损性与应急可达约束；城市尺度易损性制图常缺事件驱动标签与多模型基准。为此，研究人员以Al Hoceima为对象，构建GIS–机器学习（Machine Learning, ML）可复现框架，用事件损伤清单作标签，集成17个社会物理预测因子，对比四种分类器并产出决策级易损图，论文发表于《Geohazard Mechanics》。

关键技术方法上，研究人员整合2004与2016年两次地震及Risk-UE项目的664栋地理参考建筑损伤点作标签集；预测因子分物理（PGA、震中距、断层距）、岩土（地形与岩性场地效应、高程）、结构（建筑年代、密度、层数、材料、土地利用/覆被）、社会（人口密度）与能力（距警察局/消防站/医院/加油站/路网距离）五类共17项，统一重投影至Lambert Zone I（EPSG:26191）、以10 m数字高程模型（Digital Elevation Model, DEM）为捕捉栅格对齐；场地效应由32点Tromino三分量速度计采环境振动经HVSR（水平/垂直谱比）得卓越频率f₀再用普通克里金插至10 m；经Pearson相关性筛除|r|>0.80冗余后，用Python 3.9的scikit-learn与XGBoost包训练RF、XGBoost、SVM、ANN（多层感知机，隐藏层64-32-16、ReLU、dropout 0.20），70%训练30%验证、十折交叉验证与网格寻优，以准确率、宏F1、Cohen’s Kappa、AUC评价，像素级评分经Jenks自然断点分为安全、低、中、高、极高五类。

研究结果部分，6.1节建筑损伤清单图由两次地震现场记录与Cherif等Risk-UE脆弱性指数研究汇成664点，作为后续训练验证基准。6.2节损伤建筑与影响因子相关性显示距加油站与警察局r=0.86、警察局与消防站r=0.82、震中距与岩性场地效应r=-0.67，证实软土近源共生，需预筛冗余。6.2.1节易损性图中四模型空间一致，RF与XGBoost极高类占约18%、高类26%–27%，极高高类72%–74%落中部–东部，西南坡约18%，两模型极高掩膜Jaccard约0.72；老旧密集与非正式街区（El Menzeh、Sidi Abid、Low/High Mirador、Morro Viejo等）为热点，北部外围为新规低险区。6.2.2节模型比较中RF准确率0.94、F1 0.943、Kappa 0.925、AUC 0.98居首，XGBoost次之（AUC 0.95），ANN 0.93、SVM 0.90。6.2.3节特征重要性（互信息）排序为人口密度＞震中距＞PGA＞消防站距＞岩性场地效应＞建筑年代，路网距、高程、建材贡献较低。

讨论部分指出，事件标签使ML热点与Cherif等Risk-UE指数图空间吻合且补充东部扩展与西南坡新极高口袋；相关矩阵揭示核心区服务设施共址与近源软土放大机制；四模型类别份额稳定、集成学习几何一致；特征层级呼应地中海多准则经验。局限含非正式区建筑属性缺失、预测因子尺度/年代不一、标签少、类不平衡、未纳同震滑坡液化。结论部分翻译如下：本研究通过在监督ML流程中集成地质、岩土、结构、物理、社会与响应能力指标，推进了Al Hoceima地震风险分析；基准测试RF、XGBoost、ANN、SVM四种算法并产出预测图与可解释特征重要性，集成模型表现最稳、解释最清。解释收敛于一致风险叙事——人口密度、震源邻近度、PGA与岩性场地条件对易损空间格局控制最强，建筑年代与应急可达在邻里尺度调节预期影响；图件突显中部东部连续高易损带（老建筑、密建、非正式聚落），RF与XGBoost高度一致支撑干预规划。输出可直接用于老旧不规则建筑定向加固、应急通道与服务覆盖升级、用地管控；指标架构与管线可迁至Rif–Alboran同类城市。遗留不确定来自非正式住房与建筑状况清单，当前模型未含高分辨场地响应与建筑级易损曲线，未来应耦合V_s30、f₀、放大系数，集成遥感快速更新，并用类型化易损函数与情景地面运动转化期望损失，引入公平感知指标。综上，富指标与可解释ML给出Al Hoceima精细可信易损证据，为减少未来震害提供优先加固、应急准备与城市发展导向基础。