课题组在全球复合灾害识别与风险评估领域取得研究进展：

复合灾害被定义为在空间和时间上重叠的自然灾害。众所周知，时空复合灾害可能带来毁灭性的损失，其规模远远超过任何孤立灾害所造成的损失。然而，目前灾害模型预测的复合极端事件的潜在风险，科学证据仍然十分有限。人们对全球分布的复合灾害的演变知之甚少，这些灾害的叠加后果是由不断变化的环境中的自然和人为力量造成的。为了填补这一重大的知识空白，团队许怡蕾博士于2024年9月在《Earth’s Future》上发表题为“1981至2020年全球复合灾害重要性增加”的研究成果。

团队研制了全球首套长时序、高数据质量的复合灾害数据集，基于一套复合灾害识别标准系统，从全球 121,214 条不同类型的灾害记录中识别出1981~2020 年期间的 1,614 个复合灾害，涵盖地震、风暴、山体滑坡、火山、野火和洪水六种主要灾害的14 种复合类型，首次在全球范围内识别了16个遭受复合灾害的热点区域。该数据集能够清晰地反映出全球复合灾害的时间和空间信息，为评估复合风险与孤立风险的相对影响提供了新的数据来源。

研究提出了一种全新的复合灾害事件提取（ConEx）方法，即从单一灾害数据库中自动识别并获取复合灾害事件的信息。在复合灾害事件提取前，先对多源数据库的灾害事件描述进行文本处理，包含地理编码和消歧两个过程。具体表现为，研究采用正则表达式（RegEx）和自然语言处理（NLP）技术对非结构化命名的灾害记录文本进行地名提取，然后利用GeoNames进行地理编码，将地名转换为经纬度，之后根据地点、时间和相关记录进行消歧工作，以消除数据库中的重复信息。ConEx方法首先根据以往文献中的经验信息，生成表示每种灾害类型在空间和时间上的覆盖范围的时空域矩阵，接着采用基于密度可达分析的聚类方法（DBScan算法），对一定时空范围内发生的两个灾害事件进行聚类组合，实现复合灾害事件的提取。

本研究通过按复合灾害类型和全球各大洲进行分层抽样验证，并在第三方描述如官方公报和新闻报告，进行模型精度验证。结果识别为复合灾害的查准率/精确率为0.87，说明真实为复合灾害的样本中占识别为复合灾害的样本的87%。识别为复合灾害的查全率/召回率为0.75，说明真实为复合灾害的样本中有75%是识别正确的。F1是查全率和查准率的调和平均数，可以更好地衡量二分类模型的性能，为0.81，得分属于高值水平。因此本研究的ConEx模型具有较高的精度和召回率，提取得到的事件数据质量较为良好，能够为后续研究提供科学的数据支撑。

本研究通过收集和分析全球复合的灾害记录及其时空关系，发现近二十年来复合的灾害的总体相对影响显著增强。相对影响（以CI比值表示）在一定程度上可以避免灾害数据可用性的逐年变化，并影响到经济和人口。研究表明，基于长时间序列数据，沿海和河口地区（例如美国的大西洋/墨西哥湾沿岸，澳大利亚大部分海岸）复合洪水和风暴潮的概率更高，而这些地区已经很容易受到复合的灾害侵袭。变化的环境使复合的灾害的发生变得更加复杂，包括组合方式、空间分布和受影响对象等。

研究结果表明，单个并发灾害（CIeco/CInum和CIdeath/CInum比率）对高收入国家（例如欧洲和美国）的相对影响远低于对低收入国家（如南美和南非）的相对影响。这些国家处于不同的发展阶段，有不同的灾害防护策略。低收入国家，如非洲国家，仍处于早期发展阶段，大部分投资集中在建设基础设施，如水坝和堤坝。相比之下，高收入国家实施了包括结构性（如弹性建筑和绿色基础设施）和非结构性（如土地利用规划、公众意识教育和预警服务）的整体缓解战略，以改善环境和社会经济对并发灾害的复原力。例如，CIeco,ST/CInum,ST高收入国家的变化远低于低收入国家，这意味着缓解策略对经济损失的有效性存在显著差异。