将准备措施融入混合深度学习与基于ANP的空间建模之中,以全面应对地震风险:以印度哥印拜陀市为案例研究
《Sustainable Cities and Society》:A holistic approach to seismic risk by integrating preparedness into hybrid deep learning and ANP-based spatial modeling: A case study of Coimbatore city, India
【字体:
大
中
小
】
时间:2026年07月15日
来源:Sustainable Cities and Society 13.3
编辑推荐:
拉利特·普拉卡什·E|阿南德·K·B|拉蒂兰詹·杰纳|比斯瓦吉特·普拉丹
印度科因巴托尔阿姆里塔世界大学阿姆里塔工程学院土木工程系,邮编641112
摘要
像印度科因巴托尔这样的城市人口密集,且地震事件常被忽视,因此需要超越传统模型的更完善的地震风险评估方法。本研究
拉利特·普拉卡什·E|阿南德·K·B|拉蒂兰詹·杰纳|比斯瓦吉特·普拉丹
印度科因巴托尔阿姆里塔世界大学阿姆里塔工程学院土木工程系,邮编641112
摘要
像印度科因巴托尔这样的城市人口密集,且地震事件常被忽视,因此需要超越传统模型的更完善的地震风险评估方法。本研究构建了一个综合框架,通过24个指标来评估灾害风险、脆弱性以及场地效应放大潜力,并将准备程度作为影响脆弱性的调节因素纳入考量。研究采用卷积神经网络与极端梯度提升算法的混合模型,对11个物理指标进行场地效应放大潜力分析,通过深度学习的空间识别能力与集成预测精度相结合,取得了优异的性能(精确度、召回率和F-1值为0.82)。灾害风险图是通过确定性地震灾害评估方法绘制的,而脆弱性综合图则利用分析网络过程方法,整合了包括家庭密度、建筑强度、人口统计特征、社会经济状况以及应急服务可及性在内的10个相互关联的物理和社会脆弱性指标。准备程度则是通过基于调查反馈的27项个人地震准备指数和20项社区地震准备指数的街区级数据来评估的。政府记录中的空间数据、Sentinel卫星数据以及SRTM(30米分辨率)数据经过栅格化处理,采用Jenks分类法进行分类,最终整合成高精度的地震风险图。研究结果显示,城市中部和西南部街区存在严重的风险热点,这些区域不仅灾害风险和脆弱性较高,而且准备程度较低。研究结果强调了需要建立包含准备程度因素的模型,以便制定针对不同地区的主动政策干预措施,如推动家庭层面的准备工作、建立共享应急物资系统、促进公平的领导力发展以及实施建筑加固措施。这一灵活的框架有助于在快速城市化的地区加强社会韧性,从而实现前瞻性的灾害风险降低策略。
引言
地震对全球城市人口构成重大威胁,因为在复杂的建筑环境中,地震可能造成巨大破坏、人员伤亡以及长期的经济损失(Dollet & Guéguen, 2022; El‐Maissi et al., 2023; Hu et al., 2023; León et al., 2022)。随着城市的不断扩张,其人口规模以及建筑面临地震灾害的风险也在增加。此外,城市化进程削弱了各种社区因素在提升韧性方面的作用,降低了问题解决、沟通以及公众参与的效果(Song et al., 2022)。这就凸显出需要对城市地区采取全面的风险评估方法。然而,尽管地震风险评估领域已取得显著进展,但作为脆弱性调节因素的准备程度却仍未被充分研究(Hajilo et al., 2024; Masi et al., 2014)。在将准备措施纳入风险降低策略方面,目前还存在较大的研究空白(National Earthquake Resilience, 2011)。
地震风险评估已成为灾害管理和减灾工作的重要组成部分,因为各社区都在努力保护生命、基础设施以及经济福祉,以应对地震带来的毁灭性影响(Dabbeek et al., 2021; Pittore et al., 2018)。全面且可靠的地震风险评估对于制定城市灾害风险管理策略、辅助决策具有至关重要的意义(Bansal et al., 2023; Fischer et al., 2022)。这类评估能够揭示有助于提升准备程度并减少潜在损失的重要信息和关键因素(Duzgun et al., 2011)。现有的地震风险测绘方法会系统地评估影响整体风险的多种因素,包括地震灾害特征描述、资产暴露情况以及结构脆弱性评估(Fayjaloun et al., 2021; Kohrangi et al., 2021; Satish, Prakash, et al., 2021)。许多研究都指出,潜在地面振动的地理分布和强度、建筑群的密度与脆弱性,以及关键基础设施和基本服务的集中程度,都是决定地震风险的重要因素(Lifshitz Sherzer et al., 2024; Prakash E et al., 2026; Satish, Lalith Prakash, et al., 2021; Tocchi et al., 2022)。
尽管地震风险评估领域已有诸多进展,但准备程度在降低风险方面的作用仍未被充分探索。在将准备措施纳入风险降低策略方面,目前还存在较大的研究缺口(Hajilo et al., 2024)。现有的地震风险模型大多侧重于物理灾害和社会经济脆弱性,往往忽视了准备程度这一对减轻灾害影响至关重要的调节因素。虽然一些先进模型已经能够有效考虑灾害、暴露程度以及脆弱性等因素(Do?an et al., 2025; Gondaliya et al., 2025; Jeba Wincy Deborah et al., 2026; Tasmen et al., 2023; Tulaganov et al., 2026),但很少有模型将行为准备程度或社区层面的减灾行动等准备指标纳入空间风险评估中。这种缺失使得决策者缺乏有效的工具来开展主动的风险管理。
通过制定和整合准备程度地图,可以深入了解该地区应对和从地震事件中恢复的能力,进而提升整个社区的准备水平(Wu et al., 2018)。准备程度地图可以通过结构合理、有效且可靠的问卷调查,来评估个人和社区的意识水平、应急准备情况、个人减灾策略、建筑与室内安全以及工作场所安全状况来绘制(Kolathayar et al., 2018)。准备程度既包括结构性措施和非结构性措施,也包括个人和社区层面的行动,涵盖了物理层面的减灾措施以及行为层面的准备状态(Fazeli et al., 2024; Paton, 2003)。在此背景下,“准备程度”指的是个人和社区预见、应对以及从地震事件中恢复的能力,它包括意识水平、应急规划、减灾行为以及机构准备状况,这些都与结构脆弱性或物理灾害有所不同。近年来,越来越多的研究强调准备程度指标和行为框架在提升灾害韧性中的作用,不过它们在空间风险模型中的应用仍然有限(Parizi et al., 2024; Wu et al., 2018)。
印度南部的科因巴托尔是一座发展迅速的城市,位于中等地震风险区域,且有地震活动记录。快速的城镇化进程以及不断上升的人口密度进一步加剧了该地区的潜在风险。选择科因巴托尔作为研究对象,是因为它在2002年的BIS修订版中被划分为III区——中等损害风险区,同时该地区也有过中等强度的地震发生,再加上人口和空间的快速增长,这些都提升了该地区的潜在脆弱性。印度半岛的多个城市也具有类似的特征,这表明所提出的框架具有更广泛的适用性。此外,近期没有发生大规模地震也可能导致该地区的准备不足(Lalith Prakash et al., 2024)。这种准备不足的情况表明,有必要建立一个全面的地震风险评估框架,通过现代的数据驱动方法,整合场地效应放大潜力、灾害风险、脆弱性以及准备程度等要素。因此,本研究开发了一种多组分地震风险模型,将准备程度纳入其中,以改进传统评估方法。
本研究提出了一种多维度的风险评估框架,将该地区的个人地震准备指数和社区地震准备指数作为脆弱性的调节因素,同时结合场地效应放大潜力、灾害风险以及脆弱性地图。具体而言,本研究:(i)采用卷积神经网络与极端梯度提升算法的混合模型来绘制场地效应放大潜力图;(ii)运用确定性地震灾害分析方法进行灾害风险评估;(iii)使用分析网络过程方法进行脆弱性评估。这种方法体现了在地震风险评估领域的系统性整合与先进性。
本文将个人和社区层面的地震准备情况整合为一个综合准备指数,从而提升了地震风险模型的可靠性和现实性。它为城市规划者、政策制定者以及灾害管理机构提供了实用的建议,帮助他们制定并实施有针对性的干预措施,以增强社会韧性。该框架旨在为数据有限的条件下提供基于证据的城市规划以及基于风险的信息决策支持。此外,本研究也与《仙台灾害风险减少框架》(2015–2030)中提出的目标相契合,尤其是关于加强城市地区的灾害准备能力和提升社区韧性方面。
本研究的主要目标如下:
• 基于11个关键的物理指标,利用CNN-XGB混合模型为科因巴托尔绘制地震灾害因子与场地效应放大潜力图;
• 通过分析包括住房密度、建筑强度、人口统计特征、社会经济状况以及应急服务可及性在内的物理和社会脆弱性指标,运用ANP方法评估综合地震脆弱性;
• 通过基于结构化问卷调查获得的街区级个人地震准备指数和社区地震准备指数,绘制综合准备程度地图;
• 构建一个全面的地震风险模型,将准备程度作为脆弱性的调节因素,与其他核心风险要素如场地效应放大潜力、灾害风险以及脆弱性共同纳入模型。
本研究提出了一种创新且综合的地震风险测绘方法,填补了传统评估框架与实际准备情况之间的差距。
研究区域
由于科因巴托尔是印度泰米尔纳德邦第二大经济体,因此该地区的建筑密度很高,工业、纺织、教育、医疗以及信息技术产业集群发展迅速,对国家经济具有重要作用,这也使得该地区的地震风险暴露程度较高(Viswanathan & Elangovan, 2017)。该城市的人口超过一百万,高密度的人口结构进一步加剧了其社会脆弱性。
为这项研究,研究人员编制了该地区的地震目录,作为风险评估的主要数据来源。所有数据都经过了可靠性验证,确保其与研究区域的相关性。地震数据来自多个渠道,包括美国地质调查局、印度地球科学部的国家地震学中心以及国家地震信息中心。这些数据覆盖了科因巴托尔市中心周边500公里半径范围内的区域。
结果
所有的地图都经过了栅格化处理,然后重新分类为五类,即“极低、低、中、高和极高”。在所有单个指标地图以及综合地图中,都采用了Jenks自然断点分类算法。这种分类方法能够最小化每类内的差异,同时最大化不同准备程度类别之间的区别,从而实现最佳的集群区分效果(Dent, 1999)。这种一致的分类方式提升了分析的准确性。
讨论
本研究通过系统地整合灾害风险、脆弱性以及作为重要调节因素的准备程度,为科因巴托尔构建了一个全面的多维度地震风险评估框架。为了全面了解复杂的风险状况,研究人员分析了24个物理和社会指标,这些指标涵盖了地质特征、人口密度、建筑强度以及应急服务可及性等方面。本研究采用了一种混合的卷积神经网络方法。
结论
本研究为科因巴托尔提出了一种新颖且严谨的、包含准备程度因素的混合地震风险评估框架,突破了传统的以灾害为核心的研究思路。该城市存在建筑质量较差、地震风险较高、人口不断增加且缺乏准备以及地震历史被忽视等问题。通过结合基于深度学习的地震场地效应放大潜力分析方法、确定性地震灾害分析方法以及ANP加权分析方法,本研究实现了对地震风险的全面评估。
CRediT作者贡献说明
拉利特·普拉卡什:概念设计、研究方法、软件应用、数据验证、形式分析、研究调查、数据整理、原始稿撰写、可视化分析。阿南德·K·B:概念设计、研究方法、指导监督、形式分析、审稿与编辑。拉蒂兰詹·杰纳:研究方法、软件应用、资源协调、数据验证、形式分析、研究调查、数据整理、可视化分析、审稿与编辑。比斯瓦吉特·普拉丹:概念设计、研究方法、指导监督、稿件审稿与编辑。
数据可用性
如需获取本研究的相关数据,可向相应作者提出合理请求。
资金支持
本研究未获得任何公共部门、商业机构或非营利组织提供的资助。
CRediT作者贡献说明(补充)
拉利特·普拉卡什·E:原始稿撰写、可视化分析、数据验证、软件应用、研究方法、研究调查、形式分析、数据整理、概念设计。阿南德·K·B:稿件审稿与编辑、指导监督、研究方法、形式分析、概念设计。拉蒂兰詹·杰纳:稿件审稿与编辑、可视化分析、数据验证、软件应用、资源协调、研究方法、研究调查、形式分析、数据整理。比斯瓦吉特·普拉丹:稿件审稿与编辑、指导监督、研究方法。
利益冲突声明
作者声明不存在任何可能影响本研究结果的已知财务利益或个人关系。
致谢
作者衷心感谢卡纳塔克邦国立技术学院のSreevalsa Kolathayar博士,他在本研究初期就给予了宝贵的意见、激励和支持,对研究的推进起到了重要作用。