城市基础设施安全韧性技术研究进展与发展趋势

崔佳伟 ,  曾滨 ,  翟长海 ,  徐曼 ,  刘琎

中国工程科学 ›› 2025, Vol. 27 ›› Issue (4) : 55 -70.

PDF (1424KB)
中国工程科学 ›› 2025, Vol. 27 ›› Issue (4) : 55 -70. DOI: 10.15302/J-SSCAE-2025.07.021
我国城市安全韧性技术发展战略研究

城市基础设施安全韧性技术研究进展与发展趋势

作者信息 +

Safety and Resilience Technologies for Urban Infrastructure: Current Progress and Future Trends

Author information +
文章历史 +
PDF (1457K)

摘要

在极端自然灾害频发、城市系统高度耦合及运行压力持续增长的背景下，提升城市基础设施的安全韧性水平成为保障国家安全和推动可持续发展的关键举措。然而，当前基础设施韧性技术的发展水平与建设韧性城市的实际需求之间仍存在显著差距，亟需对相关技术体系和研究进展进行系统梳理与总结。本文从自然灾害预测与预警、基础设施脆弱性与风险评估、基础设施功能损失与韧性评估、基础设施韧性提升与设计、基础设施灾害应急响应与优化决策等5个方面，深入分析了当前技术研究现状与未来发展趋势。研究认为，尽管“韧性防灾”推动了基础设施防灾从单纯关注抗灾安全转变为更加注重灾后系统级的功能与恢复，“智能防灾”提高了灾害感知、预测预警以及应急响应决策的效率与精确性，但仍然存在缺乏统一的韧性技术标准和规范、多灾种联合建模不足、跨系统协同机制缺失、智能模型泛化能力弱以及可解释性差等问题。未来，构建统一的基础设施安全韧性理论体系和标准规范，基于“数据赋能+语言驱动+认知推理”形成多源数据融合、跨模态知识迁移、跨灾种联合评估、跨系统协同、可解释性强的智能技术体系是重要发展趋势。本文进一步从制度保障、智慧赋能与资源支撑、技术标准体系建设等维度提出发展建议，以期为推动我国城市基础设施安全韧性能力的系统性跃升提供理论支撑与技术参考。

Abstract

Amid increasingly frequent extreme natural disasters, highly interconnected urban systems, and mounting operational pressures, enhancing the safety and resilience of urban infrastructure has become a vital strategy for safeguarding national security and advancing sustainable development. However, a significant gap persists between the current state of resilience-related technologies and the practical demands of building resilient cities, highlighting the urgent need for a systematic review of relevant technical systems and recent research progress. This study analyzes the current state and future development trends of urban infrastructure resilience technologies across five key domains: natural disaster forecasting and early warning, infrastructure vulnerability and risk assessment, functionality degradation and resilience evaluation, resilience enhancement and design, and emergency response and decision-making optimization. The study finds that while resilience-based disaster prevention has shifted the focus of infrastructure safety from structural robustness to system-level functionality and post-disaster recovery, and intelligent disaster prevention has greatly enhanced the efficiency and accuracy of disaster sensing, forecasting, and emergency response, several major challenges persist. These challenges include the absence of unified standards for resilience technologies, insufficient multi-hazard joint modeling, weak cross-system coordination, poor generalization and interpretability of intelligent models, and limited transparency in decision-making processes. Looking ahead, a key development trend will involve building a unified theoretical framework and standardized system for infrastructure safety and resilience. This should be supported by an intelligent technology system characterized by data empowerment, language-driven interaction, and cognitive reasoning, facilitating multi-source data fusion, cross-modal knowledge transfer, multi-hazard joint assessment, system-level coordination, and high interpretability with transparent mechanisms. Furthermore, the study offers development recommendations from the aspects of institutional support, intelligent enablement and resource allocation, as well as technical standardization, aiming to provide theoretical foundations and practical guidance for systematically enhancing urban infrastructure resilience in China.

Graphical abstract

关键词

极端自然灾害 / 城市基础设施 / 安全韧性 / 功能与恢复 / 人工智能

Key words

extreme nature disasters / urban infrastructure / safety and resilience / functionality and recovery / artificial intelligence

引用本文

引用格式 ▾
崔佳伟,曾滨,翟长海,徐曼,刘琎. 城市基础设施安全韧性技术研究进展与发展趋势[J]. 中国工程科学, 2025, 27(4): 55-70 DOI:10.15302/J-SSCAE-2025.07.021

登录浏览全文

4963

注册一个新账户 忘记密码

一、 前言

城市是人口、资源和经济活动高度聚集的空间载体，城市基础设施则承载着交通运输、能源供给、信息通信等多重关键功能，成为维系社会稳定运行的重要基石[1]。改革开放以来，我国经历了世界历史上规模最大、速度最快的城市化进程，城市与城市群快速扩张，区域内基础设施密集分布，新老建（构）筑物并存，呈现出高度复杂、多样化和高密度的发展特征。然而，人员与社会财富的高度集中也显著放大了城市系统的脆弱性[2]。近年来，极端气候事件、地震、洪涝、地质等灾害频发，给城市基础设施的稳定运行带来了严峻挑战[3]。2020—2024年，全球因自然灾害造成的经济损失累计已超过1.2万亿美元，其中超过70%的损失源于基础设施的破坏[4~7]。极端灾害事件所引发的人员伤亡、经济损失与社会功能中断，对城市社会经济发展的冲击是深远而持久的。因此，加强城市安全保障体系建设、提升基础设施防灾减灾能力，成为全球共同关注的关键议题和亟待应对的重大挑战。

长期以来，基础设施防灾减灾技术主要遵循“预防为主、防御与救助相结合”的传统理念，其核心策略依赖于结构工程措施，通过设计规范、加固改造和应急响应机制等方式提升单体设施的抗灾能力[8~14]。该策略在缓解初始灾害冲击方面发挥了积极作用。然而，在面对频率更高、强度更大、情境更复杂的极端灾害时，传统以“防 ‒ 抗 ‒ 救”为主线的路径逐渐暴露出响应迟滞、恢复缓慢、系统协同不足、智能技术应用缺失等突出问题，难以有效应对气候加剧影响下系统级功能失效与服务中断的挑战。特别是在当前城市基础设施高度互联耦合的背景下，叠加社会经济对城市功能快速恢复的迫切需求，传统路径的局限性愈发凸显。

“韧性”作为一种新兴的系统性风险治理与可持续演化理念，在基础设施防灾减灾领域逐渐成为研究与实践的重要范式[15,16]。当前，多个国家都将建设“安全韧性城市”列为国家战略重点[17~19]。与传统“抗灾”导向不同，韧性更加强调全生命周期应对能力，涵盖灾前预防、灾中保障、灾后恢复与长期适应，体现出工程手段与非工程因素的协同增效。韧性导向推动城市基础设施防灾减灾技术体系发生深刻变革：从单一灾害影响分析转向对多灾种耦合效应的系统性考量；从传统以结构安全为核心的抗灾模式，演进为更加注重灾后功能损失评估与恢复过程的“韧性导向”模式；随着人工智能（AI）、数字孪生等先进技术的发展，基于经验或物理机制的传统方法正被更加智能化的数据驱动手段所补充与突破。可以看出，“韧性防灾”“智能防灾”已成为当前城市基础设施安全研究中最具前沿性和变革性的方向。

尽管“韧性+智能”的融合已成为重要发展趋势，但我国现有城市基础设施防灾减灾技术体系仍难以满足快速推进安全韧性城市建设的现实需求。一方面，韧性技术体系标准化不足，在韧性评估、提升、设计等领域缺乏统一的技术标准与规范，现有韧性度量框架和分级体系在可比性与通用性方面仍显不足。跨灾种耦合作用分析、跨系统协同响应机制研究及集成应用实践经验匮乏，制约了关键韧性技术的工程化应用与规模化推广。另一方面，智能技术应用面临深层挑战。以深度学习为代表的AI技术虽在灾害预警预测、基础设施风险评估和应急决策支持等环节展现出高效、智能、实时、精确等优势，但在多灾种联合建模、模型泛化能力（尤其是应对罕见极端事件）、决策可解释性与透明性、高质量基础数据支撑等方面仍存在显著瓶颈[20~23]。由此，大力推进城市基础设施安全韧性技术体系研究，完成从“刚性”防灾向“韧性+智能”防灾转型，对于加快安全韧性城市建设具有重要战略意义。

本文旨在系统梳理城市基础设施安全韧性技术发展面临的核心挑战，深入分析其研究进展及发展趋势，探讨新一代AI技术范式与韧性理念融合发展的演进路径，期望为城市基础设施韧性建设提供系统性的理论框架、技术支撑与发展建议，助力实现更安全、更智能、更可持续的城市建设目标。

二、 城市基础设施安全韧性技术的发展现状

城市基础设施防灾减灾技术的发展大致经历了4个阶段：从早期的被动响应阶段，到以工程防御为主的系统化减灾阶段，再到融合信息技术的科技赋能与智慧减灾阶段，直至当前以AI为代表的新技术驱动的韧性防灾阶段（见图1）。在城市基础设施领域，系统性、功能性与恢复性是其安全韧性的三大核心特征。这些特征也决定了安全韧性防灾技术具有显著的多学科交叉属性，亟需融合土木工程、灾害学、运筹学、材料科学、管理科学、AI等多领域的知识体系予以解决。当前，城市基础设施安全韧性技术的发展主要聚焦自然灾害预测与预警、基础设施脆弱性与风险评估、基础设施功能损失与韧性评估、基础设施韧性提升与设计、基础设施灾害应急响应与优化决策等5个关键方向。

（一） 自然灾害预测与预警

自然灾害预测与预警指利用科学手段和信息技术，对自然灾害发生的可能性、时间、地点、强度等进行分析与判断，并在灾害即将发生或初期，及时向相关部门和公众发出预警，以减少人员伤亡和财产损失[24,25]。自然灾害预测与预警是城市基础设施韧性防灾的重要一环。准确的预测可以显著提高基础设施灾前抵抗冲击的能力，提前做好应急预案并助力灾后救援与快速恢复；及时的预警可以为人员疏散、关键基础设施保护和灾后快速应急响应争取黄金时间。

在自然灾害预测与预警方法发展早期，采用的是非自动化手段，具有以人为主导、方法直观、适应性强的特点，主要依赖人类长期积累的历史记录、民间经验和专家的直觉判断进行预测，并通过人力监测与观察进行预警和传递。尽管这一时期的灾害预测与预警方法在科学性、及时性、系统性等方面相对不足[26]，但为后续灾害监测技术的演进积累了宝贵的数据基础和风险认知。之后，自然灾害预测与预警方法发展过渡到物理驱动阶段，标志着自然灾害预测与预警方法由传统经验向现代科学体系的关键转型。基于遥感影像、地面传感器、气象水文监测等多源数据[27,28]，采用回归分析、时间序列模型、贝叶斯推理和概率风险模型等手段[29~31]，可实现对灾害风险等级、降雨强度、地震烈度等关键指标的预测与量化表达。与此同时，建立了更系统化的监测网络，利用广播、电话、网络等通信手段发布灾害警报，应用数值模拟实现了预警从定性向定量化的跨越[32~34]。

当前，自然灾害预测与预警技术已迈入数据驱动的智能阶段，依托大数据、深度学习、物联网、云计算等先进技术，显著提升了灾害预测、预警的精度与响应效率。在灾害预测方面，卷积神经网络在地震动场的大尺度、高精度快速模拟中展现出显著优势，较传统有限差分方法大幅缩短了计算时间[35,36]。在洪水预测领域，集成多种深度学习算法的径流区间预测模型不仅在径流点预测精度方面表现出色，而且在不确定性的区间预测方面也有显著优势[37]。支持向量机与随机森林等机器学习方法在极端降雨诱发的洪水风险预测方面展现出更高的稳定性和准确性[38]。此外，更有研究表明了深度学习强大的非线性建模能力及其对时空特征的高效提取能力，能够显著提升极端气象灾害预测的分辨率与准确度[39,40]。在灾害预警方面，利用数据增强和机器学习方法能够在灾害监测数据的多维特征与灾害危险类别之间建立联系，实现更为准确和可靠的灾害预警[41]。物联网提供了更先进的传感器部署、数据传输与通信以及数据分析系统，显著提高了预警准确性、响应速度以及综合效益[42]。中国地震台网中心则研发了一种海量预警信息高并发技术，实现了亚秒内千万量级预警信息的推送，满足了及时发送地震预警信息的减灾需求[43]。

可以看出，深度学习、物联网等先进技术以其卓越的识别能力、多源数据融合能力、非线性建模优势以及实时监测与感知，在实现分钟级、街区级、大规模的精准预测和实时预警方面展现出巨大潜力。然而，仍存在诸如可解释性不足、缺少智能推理能力、泛化能力较弱、统一灾种建模框架缺乏、灾害链复杂性刻画不足以及覆盖率不足等问题。

（二） 基础设施脆弱性与风险评估

基础设施脆弱性与风险评估指在自然灾害、突发事故或极端气候等威胁下，系统性识别基础设施可能存在的薄弱环节，并定量或定性评估其在特定风险情境下的损坏概率、影响后果的综合分析过程[44]。基础设施脆弱性与风险评估是实现灾害风险防控和城市韧性提升的重要基础性技术手段。

在早期阶段，基础设施脆弱性分析多依赖专家经验、灾后调查与历史灾情案例分析，采用德尔菲法、模糊综合评判等方式对设施进行定性分级[45~47]，但这些方法存在主观性强、难以量化等问题。之后，基础设施脆弱性分析发展到定量建模阶段，强调通过统计方法与物理机制模型，将灾害冲击与基础设施动力响应之间的关系数学化，构建可以描述损伤概率、失效模式与损失后果的定量模型，如较为熟知的易损性曲线[48]、结构可靠度分析[49]、蒙特卡洛模拟[50]、损失评估模型[51]等。

当前，基础设施脆弱性与风险评估处于智能融合阶段。该阶段在延续传统物理建模与统计分析的基础上，进一步引入AI算法、遥感观测等先进技术，实现了从静态、定性评估向智能化、动态化、系统化评估的跃迁。具体而言，借助遥感影像与计算机视觉技术，实现对基础设施几何特征与损伤状况的快速提取，支持区域尺度的暴露识别与损害评估[52,53]。同时，融合机器学习与深度学习算法，能够从海量历史灾害数据中自动学习风险演化模式，构建高效的损伤识别与风险评估模型[54,55]。例如，基于多源监测数据和深度学习方法，研究提出了一种风电塔的风致脆弱性评估框架，能够高效拓展风致动力响应数据库，并实现更可靠和快速的脆弱性评估[56]。也有研究通过结合确定性因素模型和支持向量机，有效解决了供水系统风险评估中的不确定性因素，提高了准确性和区域适用性[57]。多种机器学习方法在城市建筑地震易损性评估中的应用也显示出优于传统方法的性能，能够提供更高精度的分析结果[58]。此外，基于机器学习技术构建的区域尺度混凝土桥梁地震脆弱性与风险预测自动化模型，进一步验证了AI在大规模数据处理和结构安全评估中的先进能力[59]。

总体来看，计算机视觉、机器学习算法为基础设施脆弱性与风险评估提供了多源、实时的数据支撑和特征提取能力，具备挖掘复杂非线性关系、处理大规模特征数据并构建高拟合度风险模型的能力，显著提升了评估的智能化与精细化水平。然而，当前智能融合技术仍面临多灾种联合建模能力不足、多维脆弱性指标体系构建难度大、风险模型跨区域适用性不强、泛化能力弱、可解释性与透明性有限等关键瓶颈问题亟待解决。

（三） 基础设施功能损失与韧性评估

韧性理念要求基础设施不仅要具备抵御外部冲击的能力，还需保持关键功能的连续性与快速恢复能力。随着城市巨系统的复杂度日益上升，基础设施之间的功能关联效应越来越明显，“结构损坏”并不一定导致“功能中断”，“结构未明显损坏”并不等同于“服务能力无影响”。传统的基础设施损伤评估多聚焦于结构层面的破坏识别，通过专家经验或功能阈值法，推测设施在遭受灾害冲击后的可运行性，但存在较强的主观性，忽略了结构 ‒ 功能之间的非线性耦合关系，且缺乏对系统级影响与动态变化过程的刻画。

随着AI、图计算和复杂网络理论的迅猛发展，基础设施功能损失评估逐渐迈入智能识别阶段。评估对象不再局限于单体设施的静态状态，也不再仅以结构破坏推断功能中断为主要手段，而是通过引入AI算法与图模型，实现对城市尺度、多系统、多设施间功能失效链及其传播路径的全面识别与动态分析[60~62]。例如，综合考虑地铁系统中结构与非结构构件的抗震性能及其功能依赖关系，基于服务效率指标量化震后系统功能水平，构建服务能力与结构破坏之间的映射关系，打破了传统以结构损伤定义基础设施状态方法的局限性[63]。也有研究构建了基于深度学习网络的交通 ‒ 医疗系统震后功能预测代理模型，相较于物理计算具有更高的效率和精确性，可以实现多系统的协同评估，这对于高效制定恢复方案至关重要[64]。此外，融合长短期记忆网络与时空图卷积网络，可有效捕捉极端降雨情境下道路网络功能的时空演化特征，展示了深度学习代理模型在预测精度、稳定性与泛化能力方面的显著优势[65]。由此可见，深度学习与复杂网络理论赋能的基础设施功能评估，在处理非线性关系、提升计算效率与实时性方面具有独特优势。对于电力、交通、供排水等具有显著图特征的系统，图方法或图神经网络可有效揭示其灾后功能的时空演化规律。然而，对于医院建筑、工业建筑、社区等大型复杂基础设施，其内部组件与支持系统之间往往缺乏明确的物理或信息关联（如医疗设备 ‒ 科室 ‒ 电力系统），亟需厘清主体结构、非结构构件与附属设备之间的功能耦合关系，建立可量化的评估方法，以判定局部组件破坏对整体功能造成的影响程度。此外，当前常用的故障树、贝叶斯网络和图神经网络等方法在物理机制解释力方面仍存在一定局限，难以全面反映复杂系统中多层级、多维度的功能依赖特性。

韧性作为系统综合能力的度量指标，在不同研究领域中具有多样化的定义与评估方法。其中，较为普遍采用的量化路径是基于“功能 ‒ 时间”曲线及其积分形式，构建反映基础设施系统灾后性能演化过程的指标体系[66~69]。该类指标在一定程度上综合体现了系统的抗扰能力与恢复能力，为韧性评估提供了直观有效的度量手段。然而，此类方法通常未能充分区分不同灾害情境下抗冲击能力与恢复能力在整体韧性中的相对重要性，难以精准刻画二者在不同时空背景下的动态权重与作用机制。为弥补这一不足，近年来有研究提出，基于双参数的城市抗震韧性评估方法，明确区分抗灾能力与恢复能力在不同阶段的相对优先级和重要性，提升指标体系的灵活性与适用性[70]。然而，目前尚缺乏统一的基础设施韧性度量框架与分级标准，不同地区、不同研究机构所采用的韧性指标体系存在显著差异，导致相关研究成果的可比性与通用性不足，制约了韧性理论在城市基础设施防灾减灾领域的进一步推广与深化应用。

（四） 基础设施韧性提升与设计

随着城市系统复杂度的提升以及韧性理念的发展，基础设施建设与治理正处于由抗破坏设计向恢复导向与适应性增强设计的过渡时期。对于新建基础设施，可通过引入韧性设计理念，增强其对灾害的吸收、适应与恢复能力；对于既有设施，可通过韧性提升技术进行加固改造、功能优化与系统重构，提升其在灾害情境下的稳定性与恢复性。

刚性设计是基础设施防灾设计的初始阶段，也是现代抗灾工程的基础技术体系，其核心目标是提升个体设施的结构强度与稳定性，强调通过增强构件本体的抗灾性能以抵御外部冲击[71~74]。随后，延性设计逐步成为主流结构设计理念，强调在极端荷载作用下，通过结构构件或节点的可控塑性变形吸收能量、延缓破坏，避免灾害引发的突发性失效[75~77]。近年来，韧性设计理念日益受到重视并逐步兴起。已有研究提出了城市生命线系统与建筑的抗震韧性设计方法，明确了韧性设计的理论内涵、设计目标与关键步骤，推动了基础设施设计从单一抗灾导向朝系统韧性导向转变[78,79]。也有研究认为，传统单一指标的自复位设计方法不仅无法兼顾多个目标，还可能因为保守的设计增加建造成本。由此，采用基于强化学习的智能优化算法进行自复位结构的多目标抗震韧性性能设计，可以利用更少的材料实现性能提升[80]。亦有研究提出，面向震后功能快速恢复的大跨度设施设计策略，通过刚度与强度参数的协同优化提升了恢复效率，体现了韧性设计的优越性[81]。可以看出，韧性设计正逐步替代刚性设计与延性设计，展现出成为新一代基础设施建设主流设计范式的潜力。然而，目前韧性设计理论研究仍以抗震为主，在抗风、抗洪等其他灾种领域发展相对滞后；此外，政策层面尚缺乏统一的韧性设计标准、规范与技术指南，限制了其在工程实践中的推广与深度应用。

单体基础设施的韧性提升旨在增强结构整体对灾害冲击的抵抗能力、功能维持能力、快速恢复能力以及对环境变化的适应能力，贯穿“灾前防控 ‒ 灾中应对 ‒ 灾后恢复”全生命周期，体现出从结构安全导向朝系统功能导向转变的技术发展现状[82]。结构加固是最基本的技术路径，主要通过采用高性能材料、安装隔震耗能装置、实施气动优化等措施，对既有设施进行构件级改造，以提升其极限承灾能力[83~85]。然而，当前设施加固技术多聚焦于主体结构，较少关注非结构构件和附属设备的韧性提升。对于大型基础设施而言，非结构构件（如吊顶、幕墙、机电系统）和附属设备（如变电装置、供水泵、通风系统）不仅广泛存在，而且在灾后功能维持中扮演关键角色，其重要性与主体结构等同。因此，进一步实现基础设施主体结构、非结构构件与附属设备之间抗灾韧性能力的协同提升，逐渐成为当前韧性提升技术研究中的关键科学问题。

在基础设施系统的韧性提升中，增强系统冗余设计与功能保障、优化恢复路径与恢复策略，已成为主流的研究方向。通过增设备用节点、替代路径、多回路结构、容错协议及自动切换机制等手段，可在遭受灾害或局部失效时保障关键服务系统（如供水、供电等）持续运行，真正实现“局部可坏、系统不倒、部分失效、整体不断”[86~88]。相关研究表明，冗余策略在提升系统应对突发事件能力方面具有显著优势。例如，增强关键电力组件的抗灾能力以提升系统整体韧性，体现了基础设施关键功能在韧性提升策略中的重要性[89]。也有研究构建了涵盖结构、非结构构件及关键设备损伤维度的功能评估方法，进而设计出融合隔震系统、构件优化与设备保障的一体化韧性提升方案，体现了结构增强与功能保障的协同增效[90]。另有研究从灾前线路风险预测、灾中处置优化到灾后维修调度，形成了多阶段协同联动的韧性提升策略，在冰灾等极端情境下显著提升了电力系统的功能保持与恢复能力，进一步验证了基于功能保障的韧性提升理念的优越性[91]。由此可见，冗余设计与功能保障不仅能够增强系统应对单点或局部破坏的生存能力，还可以在主系统失效时通过备用机制实现服务接续，显著缩短功能恢复时间。因此，将结构强化的硬性措施与冗余设计和功能保障的软性策略有机结合，构成了当前基础设施系统韧性提升体系的核心内容。

整体来看，新建基础设施的设计理念已逐渐向韧性设计转变。然而，该理念的推广仍面临多个瓶颈问题亟待解决：一是韧性设计的应用领域较为局限，尚缺乏跨灾种、跨系统的实践经验；二是当前尚未建立统一的韧性设计标准、规范与评估体系，制约了其工程化落地与政策支持。对于既有设施，尽管设施强化、冗余设计在提升防灾能力方面取得了积极成效，但进一步实现复杂基础设施中“主体结构 ‒ 非结构构件 ‒ 附属设备”的抗灾韧性协同提升、实现耦联系统抗灾韧性的协同提升以及在经济资源受限条件下进行多目标协同优化，仍是当前亟需解决的关键问题。

（五） 基础设施灾害应急响应与优化决策

基础设施应急响应与救援是保障人民生命财产安全、维护城市运行秩序、加快灾后恢复重建进程以及提升政府公信力的关键环节。在早期阶段，应急响应与决策主要依赖人工组织、线下调度与经验判断。基础设施的运行高度依赖人工值守，如变电站需要人工巡查设备状态，桥梁结构状况需要人工目测进行判断；灾情发现手段依赖于群众报告或现场勘查，信息获取存在显著的滞后性；调度与通信则主要依靠电话、电报等线性通信手段，传输路径单一、效率有限。多数灾害响应活动在灾后临时启动、现场临时组织，缺乏完备的预案支持，属于典型的“应急式”管理模式[92~94]。

为克服传统应急响应方式的局限性，当前基础设施应急响应与优化决策正处于“数据驱动 ‒ 智能决策”的发展阶段，主要体现在以下几个方面：一是数据来源的多元化，从传统的现场报告拓展至实时感知、遥感影像、社交媒体、物联网终端等多源异构数据；二是决策机制的智能化，引入AI算法、知识图谱、强化学习与组合学习等新兴技术，提升应急策略的自主演化与推理能力；三是响应模式的动态优化，逐步构建面向多目标、具备自动推理和动态调度能力的智能化应急体系[95]。已有研究实践验证了当前技术发展的价值。例如，有研究提出了一种面向应急响应的异构群体协作感知与任务分配方法，融合人类、无人机与无人车等主体，在场景动态变化条件下仍能保持较高的任务完成率，展现了群智协同技术在复杂应急环境中的适应性与高效性[96]。另有研究构建了面向灾后电力与燃气系统的综合应急能力提升策略，通过优化分配移动与固定发电机、维修队、油罐车等多类型应急资源，实现了相互依赖基础设施系统的协同应急响应，提高了应急处置的效率[97]。应急管理部大数据中心则通过基于卫星的通信平台构建，突破了地面基础设施受损后的信息传输瓶颈，拓展了极端灾害条件下的数据获取能力[98]。也有研究开发了融合动态环境建模与强化学习算法的多灾种应急响应决策支持系统，支持灾情演化中实现智能体的自适应优化决策，显著提升了系统的响应灵活性与实用价值[99]。

整体而言，以AI、大数据分析和优化算法为代表的新兴技术，为灾害态势感知、故障链快速识别及资源配置智能优化提供了全新的技术路径与方法支撑。然而，目前广泛采用的“数据驱动+深度学习+优化算法”模式，本质上仍定位于信息处理器角色，未能从根本上改变决策的认知逻辑与机制。此外，在实际落地过程中，智能决策体系仍面临数据碎片化、模型可解释性不足、推理能力缺失、部门协同机制落后以及人机协同不畅等瓶颈。

三、 城市基础设施安全韧性技术的发展趋势

得益于大数据、深度学习算法以及计算能力的显著提升，大语言模型（LLM）、智能体（AI agent）、多智能体系统（Agentic AI）等新一代AI技术迅速发展，正在引发研究范式的深刻变革，为传统防灾减灾理论与新兴交叉学科的融合带来了前所未有的战略机遇。当前，城市基础设施安全韧性技术的发展呈现出从单体设施向系统耦合演进、从结构强化向功能保障转型、从静态设计向动态韧性演化、从数据驱动向智能推理融合、从单灾防控向多灾种适应拓展的趋势。面对未来更加不确定的灾害环境与城市运行压力，亟需构建以系统协同、智能响应与适应演化为核心的新一代韧性技术体系，实现从“灾后修复”向“灾中保障”乃至“灾前预控”的能力跃升。新的理念和新的分析工具引领新技术的发展，城市基础设施安全韧性技术的发展趋势如图2所示。

（一） 自然灾害预测与预警

自然灾害预测与预警正迈向智能化、协同化与实战化交叉融合的新阶段，通过构建精准、实时、智能、可解释的自然灾害预测与预警体系，融合多源感知、AI驱动建模与LLM等方式，实现灾害风险的前置识别与动态应对。

自然灾害预测与预警将从单一数据向多源异构数据融合发展。单一来源数据易受空间覆盖范围有限、更新频率低、设备易受灾损坏等限制，因此，开发“天 ‒ 空 ‒ 地”一体化的灾害监测体系，综合利用遥感、地面传感器、气象站、无人机、社交媒体等多源与多模态数据进行相互补充和验证，可以显著提升自然灾害预测与预警的准确性。

从单灾预测预警向多灾耦合预测预警拓展。灾害之间往往存在物理联动、时序递进、空间耦合等复杂关联，多灾耦合预测不是对多个灾种（如“风 ‒ 雨 ‒ 滑坡”“地震 ‒ 火灾”“干旱 ‒ 高温 ‒ 山火”等）的简单叠加预测，而是注重不同灾种之间的因果关联、相互增强机制与链式响应关系的建模及推理，提出统一预警等级与响应机制，支撑资源调度与风险传播抑制，提升应对自然灾害预测与预警的效率。

引入LLM等更高阶的智能推理工具，拓展深度学习算法的能力边界，提升预测与预警模型的可解释性、泛化能力、多模态能力和推理能力。LLM具备对复杂文本、时空信息与领域知识进行理解和演绎的能力，可以从历史灾情报告、专家文献、应急预案等非结构化文本中提取灾害因果链与预测变量间的隐含逻辑关系，为多灾耦合场景提供语义层面的辅助建模与机制推理。此外，LLM与深度学习模型的集成可实现“数据驱动+认知推理”双轨并行，在训练样本有限或灾种演化模式复杂的场景中显著增强模型的泛化能力与跨域迁移能力。此外，基于LLM的自然语言解释能力可为预警结果提供逻辑合理、面向公众与决策者的可解释输出，如预测理由、参考历史、风险因果链等，进一步提升智能预警系统的信任度与可操作性。

未来，典型应用场景为：将自然灾害预测与预警问题建模为语言问题，使多模态数据转换为自然语言模态，并对具有通用知识的预训练LLM进行监督微调和推理增强，构建具有预测和预警能力的专业LLM。进一步结合其他功能的LLM、特定深度学习小模型与领域知识图谱，搭建面向复合灾害、跨模态输入、多语种交互、语义驱动的下一代灾害Agentric AI，实现真正意义上的泛灾种、强推理、高解释的智能预测与预警体系。

（二） 基础设施脆弱性与风险评估

基础设施脆弱性与风险评估将从静态结构分析、数据驱动分析朝多维评估、系统建模、实时分析与智能推理方向演进。一是提升灾种联合建模与推理能力。探究多灾种耦合对基础设施脆弱性的关键影响机制（协同增强、系统级联、触发链式或异构时空）等，形成各类耦合灾害的叠加作用机制，使用图神经网络、因果图模型或贝叶斯网络，推理设施间的因果关系与风险扩散链，识别耦合点与关键功能节点。二是将传统基于结构破坏的脆弱性评估拓展到融入社会、经济等不确定性的多维脆弱性评估。在开展基础设施脆弱性与风险评估时，不仅要涵盖结构强度、功能服务能力、恢复能力等工程属性，还应融入社会经济脆弱性、人群暴露度、关键资源依赖度等非结构因素。

一是提升基础设施脆弱性和风险评估模型的全周期和跨区域泛化能力。在地域、灾种、设施类型、建设标准差异显著的情况下，基础设施脆弱性和风险评估模型的迁移性与适应性往往不足，需要重新标定和进行本地化训练。因此，汇集不同区域的灾情数据、结构类型、气候条件、设施响应等，构建多元化训练集，利用迁移学习或联邦学习机制实现高风险区域向低数据区域的模型迁移，将设施的老化、维护、灾后修复等因素纳入建模，根据实时数据的获取，支持设施风险的时间序列建模与滚动评估。二是提升风险评估模型的可解释性与自适应能力。利用LLM的智能推理能力，将专家知识、历史案例与评估规则注入模型，使其在输入数据不完整、先验信息不充分时也能进行类比推理与因果判断，提升复杂条件下的适应能力。在输出层面，构建自然语言解释接口，使模型不仅输出风险等级与脆弱性数值，还能自动生成模型适用范围、评估路径、输入依据、失效机制解释等自然语言说明，增强决策透明度和公众可接受性。

未来，基于“数据赋能+知识驱动+语言生成”的技术路线，将有望形成多源融合、跨灾种、多维度、机制透明、场景自适应、用户可理解的智能风险评估系统，为实现复杂灾害环境下科学的脆弱性量化和风险评估提供可靠支撑。

（三） 基础设施功能损失与韧性评估

基础设施功能损失与韧性评估将向服务导向、耦合建模、动态评估、跨模态感知融合的深层次演进。对于医院建筑、工业建筑、社区等大型复杂基础设施，亟需厘清主体结构、非结构构件与附属设备之间的功能耦合关系，建立可量化的评估方法，以判定局部组件破坏对整体功能造成的影响程度。此外，随着城市巨系统日益复杂，呈现出“设施 ‒ 子系统 ‒ 系统 ‒ 城市群”多层级耦合结构，不同系统之间在能量、信息与功能等多个维度上存在高度依赖关系，传统的“0 ‒ 1”型耦合建模方法已难以准确刻画节点间复杂的功能关联。未来，亟需突破复杂耦合系统中非线性交互建模、多尺度动态融合与不确定性表征等关键科学问题，构建融合图模型、系统动力学与多智能体协同仿真的耦合建模框架，以全面描述设施间、设施与系统间以及系统之间的级联失效机制与功能传递路径。

基础设施功能损失评估呈现出多源异构数据驱动的发展趋势。灾时基础设施的状态高度动态变化，单一数据源难以支撑高精度评估，亟需实现多源感知数据的跨模态融合与动态接入。为此，可融合遥感影像、建筑信息模型、物联网传感器数据、运维日志、无人机巡检结果及社交媒体文本等多模态感知信息，提升功能状态识别的时空精度与响应能力。未来，引入LLM与AI agent等新兴AI工具，通过监督微调、因果推理增强与模块化扩展等方法，有望突破多模态数据融合、跨模态语义推理与基础设施复杂网络的时空动态建模等技术瓶颈，构建具备功能动态评估与智能推理能力的多模态LLM和Agentic AI，赋能复杂基础设施系统的智能评估与韧性提升。

在顶层设计层面，需构建具备可比性、通用性与指导性的统一基础设施韧性评估框架，并配套制定相关标准与技术规范。该评估框架应具备以下核心特征：一是指标可解释性强，每一项韧性指标应具有明确的物理或功能内涵，确保评估结果的科学性与可理解性；二是层级分解能力强，评估结果应支持自上而下分解至构件、子系统、节点等不同层级，满足多尺度、多环节的精细化分析需求；三是标准化体系完善，应建立统一的量纲与评分体系，确保在不同类型设施、不同灾害场景下的评估结果具有横向可比性与纵向可追溯性；四是维度覆盖全面，指标体系应涵盖结构完整性、功能可用性、恢复速度、资源调配效率等关键维度，全面反映基础设施在灾前预警、灾中响应与灾后恢复等全过程中的韧性表现。

未来，通过构建统一的基础设施韧性评估体系，可有效明晰指标逻辑、设定等级标准，并推动其在科学研究、工程实践、管理决策与政策制定等多个领域的协同应用与转化，支撑城市基础设施韧性能力的系统性提升。

（四） 基础设施韧性提升与设计

在多灾种频发、城市巨系统复杂耦合的新形势下，基础设施安全与韧性的提升，不能仅依靠个体设施或单个系统的强化，而是需要推动“跨组件、跨系统、跨层级、跨阶段”的协同提升。例如，可结合多系统间的功能依赖关系、恢复能力差异与物资可达性，构建“分阶段 ‒ 分等级 ‒ 跨系统”的协同提升策略组合；同时，在资源受限与系统耦合的现实约束下，借助多智能体仿真与强化学习方法，生成灾后最优修复方案，以支持“有限时间 ‒ 有限资源 ‒ 最大恢复效益”的应急决策需求。

新型材料与结构驱动的设施韧性提升技术正逐步成为当前发展的重要趋势之一。在韧性导向下，新一代材料不仅需具备高强度、高延性等基础力学性能，还应具备自感知、自修复、高可替换、智能集成等综合功能，助力实现基础设施“灾不毁、毁可修、修得快、服务续”的目标。未来，典型的发展方向包括：高延性与强吸能材料技术；适用于灾后快速更换与重构的材料体系，如装配式混凝土板、钢结构模块、高性能螺栓连接件以及快速凝固修复材料等；面向多场景应用的功能复合材料系统与韧性增强型结构系统，如装配式结构体系、减隔震结构系统、可更换节点结构设计等；发展“材料 ‒ 结构 ‒ 功能”一体化的集成技术，推动基础设施从材料性能提升向结构功能保障、再到系统韧性增强的协同转化。

深入构建跨灾种、系统级、功能导向型、生命周期全过程的基础设施韧性设计理论与技术体系。关键的发展方向包括：开发可适应不同灾种强度与作用特征的韧性设计方法与评价模型，实现设计理念从“单灾适应”向“复合韧性”转型；突破以单体设施为对象的传统设计模式，基于设施网络、功能依赖链与级联故障传播机制，构建跨系统耦合模型与韧性协同设计技术，推动从“局部增强”向“系统韧性”跃升；贯通灾前（风险规避与加固）、灾中（应急响应与再配置）、灾后（功能恢复与重构）全过程，嵌入设施从规划设计、建设实施、运行维护到更新退役的全过程韧性评估、动态调控与投资优化机制，实现从“事后补救”向“前置设计 ‒ 弹性运营 ‒ 灾后恢复”一体化演进。

整体来看，研究基础设施“跨组件、跨系统、跨层级、跨阶段”的韧性协同提升技术，发展新型材料与结构驱动的韧性增强手段，构建面向多灾种、系统级、功能导向和生命周期全过程的韧性设计理论与技术体系，是当前基础设施韧性提升与设计技术演进的总体趋势与必然方向。

（五） 基础设施灾害应急响应与优化决策

当前，“数据驱动+智能决策”的技术模式显著提升了城市基础设施面对突发灾害时的应急响应时效、系统协同与资源调配效率。随着大数据、LLM、优化算法等先进技术的进一步发展与深度融合，基础设施灾害应急响应与优化决策将加速向自然语言驱动、自动化决策、自主感知与行动、以人为辅的智能代理范式演进，实现灾前风险预判、灾中协同优化、灾后动态调度与执行的全流程深度智能化转型，为构建具备自主认知与协同能力的新一代智能应急系统奠定基础。

未来，基础设施灾害应急响应需从灾后响应向灾前预判转变。① 在风险预判方面，借助实时数据感知与情境模拟方法，实现对潜在故障传播路径的预测与提前部署。例如，利用图神经网络可有效预测电网级联故障扩散路径或识别交通系统中的瓶颈区段失效风险，从而提升响应速度、优化资源配置，并为应急管理人员提供科学决策支持，显著提高救援效率。② 在应急调度方面，将从单一设施响应向多系统协同优化拓展。随着水、电、气、交通等关键基础设施系统之间的服务依赖性不断增强，响应策略必须综合考虑系统联动效应与功能重构路径，推动实现城市层级的“设施 ‒ 网络 ‒ 服务”一体化协同调度，从而在提升恢复效率的同时，有效降低应急响应成本。③ 在灾后应急响应机制方面，将从规则预案执行向智能生成与优化升级转型。现有预案虽然具备明确流程，有助于快速启动响应机制，但在复杂灾情下易出现僵化、不适应等问题。融合强化学习、进化算法与语言模型等智能技术，有望在资源受限、交通中断等复杂条件下，快速生成高质量、可执行、可动态调整的响应方案，为应急人员提供灵活选项，显著提升应对复杂灾害情境下的响应效率与决策效能。④ 在推动智能应急技术深度落地方面，构建统一的数据标准与共享平台，发展多模态感知数据的深度融合与对齐技术，打破“数据孤岛”问题。推进跨部门、跨系统的数据格式规范与接口标准化建设，构建统一的数据中台与应急感知图谱，为智能化响应提供坚实的数据支撑。同时，构建具有韧性导向的协同响应框架，将关键服务保障纳入应急响应的目标函数，推动跨系统、跨行业的协同预案制定与联合演练，提升整体应急联动能力。此外，还需进一步强化人机交互与智能决策辅助系统，结合图形化操作界面、自然语言对话系统和自动问答助手等方式，增强一线指挥人员对智能模型输出结果的理解、信任与采纳，提升智能技术在实战场景中的可用性与可靠性。

LLM驱动的Agentic AI，凭借其在自然语言理解与推理、跨领域与多模态支持、知识泛化、推理可解释性、人机交互便捷性、复杂任务执行能力、智能决策能力以及长期记忆与持续学习等方面的关键优势，正日益展现出在基础设施应急管理与优化辅助决策中的巨大潜力和独特价值。面向未来，构建LLM驱动的基础设施应急管理多智能体辅助决策系统，成为该领域的重要发展趋势和核心研究方向。如图3所示，该系统以多模态的基础设施灾害应急数据为基础，经过系统性的数据工程与特征工程处理，构建覆盖基础设施应急知识的语料数据集、指令数据集和推理数据集。在此基础上，结合具备通用世界知识的预训练大语言模型，进一步通过监督微调、强化学习推理增强与提示工程等方法，打造具备多模态感知处理能力、复杂任务逻辑推理能力与应急场景规划决策能力的专用LLM。最终，围绕该LLM，采用多智能体通信协议、任务路由等机制，构建具备规划、记忆、感知、行动、工具调用能力的Agentic AI，实现“感知 ‒ 识别 ‒ 评估 ‒ 决策 ‒ 行动”的闭环应急响应流程，有效支撑灾害情境下的快速响应与高效决策，辅助应急管理人员完成多维度任务目标。

四、 推动城市基础设施安全韧性技术发展的建议

针对当前城市基础安全韧性技术研究中存在的瓶颈问题，以及在极端气候加剧和AI技术持续发展的影响下，在极端气候事件频发和LLM、AI agent等新兴技术快速发展的背景下，应统筹制度保障、智慧赋能与资源支撑、技术标准体系建设等多维度协同发展，全面提升城市基础设施的安全韧性水平与综合技术能力。

（一） 加强制度保障，为城市基础设施安全韧性技术营造良好的发展环境

加快推动相关专门立法进程，建议出台《城市基础设施韧性建设专项规划》，在国家层面系统明确韧性建设的目标、重点内容，为韧性能力提升提供制度化、规范化的保障支撑。将韧性指标全面纳入基础设施全生命周期管理体系，覆盖设计、施工、运营维护、报废等各阶段，强制要求新建项目严格执行韧性相关标准。推行“韧性绩效”评价，将基础设施故障率、灾后功能恢复时间等关键指标纳入地方政府政绩考核体系，提升各级政府对韧性建设的重视程度与执行力，推动相关部门、高校和科研院所重视城市基础设施安全韧性技术。同时，应建设跨部门城市基础设施数据共享平台，整合住建、交通、水务、电力等关键部门的业务数据，构建统一、互通的“城市韧性大脑”，为韧性技术的发展和智能化管理提供高质量的数据支撑与分析能力。

（二） 加大科研投入，推进新兴智能技术的交叉融合与应用转化

强化科技赋能，提升城市基础设施的智能化韧性水平。深化大数据、LLM、AI agent等前沿智能技术在城市基础设施安全韧性领域的集成应用，突破传统经验物理驱动方法与深度学习算法的适应性瓶颈，推动从被动响应向主动预测、从规则驱动向智能决策的持续转型升级，全面提升基础设施系统的感知能力、响应能力与适应能力。此外，还应聚焦城市基础设施韧性建设的关键领域，加大科研资源配置力度，统筹推动国家层面设立“城市安全韧性”重点实验室，强化关键核心技术的自主研发与成果转化，夯实技术创新体系基础。与此同时，推动科技成果向实际工程应用的深度融合，在重点城市设立城市韧性实验区或试点城市群，探索“科技创新 ‒ 应用转化 ‒ 政策验证”协同推进的闭环机制，形成可复制、可推广的实践样板和区域示范。

（三） 建立统一的城市基础设施安全韧性标准和技术规范，保障韧性技术发展的协同性与统一性

加快健全法规配套体系，构建覆盖城市更新、基础设施建设与灾害应急全过程的韧性技术标准体系，推动从单点规范向系统协同转变。重点编制涵盖设计、建设、运行维护与绩效评估等全生命周期环节的国家或行业标准，为韧性技术的科学化、规范化和可比性提供有力支撑。制定统一的城市基础设施韧性标准框架与资源配置方案，明确各类设施的韧性等级划分、评估指标体系及建设优先级，推动形成系统性的顶层设计。地方政府则应结合本地风险图谱，制定具有针对性的分区域、分阶段实施计划，建立城市韧性建设项目数据库，落实“清单化管理、项目化推进”机制，切实保障各项韧性建设措施落地见效。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

翟长海, 刘文, 谢礼立. 城市抗震韧性评估研究进展 [J]. 建筑结构学报, 2018, 39(9): 1‒9.
[2]

Zhai C H, Liu W, Xie L L. Progress of research on city seismic resilience evaluation [J]. Journal of Building Structures, 2018, 39(9): 1‒9.
[3]

王洌瑄, 王崑声, 黄华津. 系统论视野下城市治理的复杂性分析 [J]. 计算机仿真, 2022, 39(3): 1‒6, 45.
[4]

Wang L X, Wang K S, Huang H J. Complexity analysis of urban governance from perspective of system theory [J]. Computer Simulation, 2022, 39(3): 1‒6, 45.
[5]

Wang Y, Chew A W Z, Zhang L M. Building damage detection from satellite images after natural disasters on extremely imbalanced datasets [J]. Automation in Construction, 2022, 140: 104328.
[6]

夏陈红, 马东辉, 郭小东, 面向复杂适应性的城市防灾设施网络建模与韧性优化 [J/OL]. 北京工业大学学报, 2025: 1‒14[2025-07-26]. https://kns.cnki.net/KCMS/detail/detail.aspx?filename=BJGD20250526004&dbname=CJFD&dbcode=CJFQ.
[7]

Xia C H, Ma D H, Guo X D, et al. Advances in network modeling and resilience optimization of urban disaster prevention facilities for complex adaptability [J/OL]. Journal of Beijing University of Technology, 2025: 1‒14[2025-07-26]. https://kns.cnki.net/KCMS/detail/detail.aspx?filename=BJGD20250526004&dbname=CJFD&dbcode=CJFQ.
[8]

Yang X, Zhang X M, Li S, et al. Increasing urban flooding facing metro system: Evidence from Internet media records in China from 2001 to 2021 [J]. International Journal of Disaster Risk Reduction, 2025, 124: 105551.
[9]

徐雪松, 唐加乐, 曾子洋, 极端自然灾害下我国城市电力系统韧性提升框架与发展策略研究 [J]. 中国工程科学, 2024, 26(2): 198‒209.
[10]

Xu X S, Tang J L, Zeng Z Y, et al. Framework and strategy for enhancing resilience of China’s urban power systems under extreme natural disasters [J]. Strategic Study of CAE, 2024, 26(2): 198‒209.
[11]

Novendah I, Prasetyo Y T, Chen Y, et al. Exploring house purchase intention considering typhoon and earthquake disaster experiences in Taoyuan, Taiwan: An extended theory of planned behaviour approach [J]. International Journal of Disaster Risk Reduction, 2024, 115: 105068.
[12]

谢霁明, 项海帆. 桥梁抗风设计的新概念——多振型耦合颤振 [J]. 土木工程学报, 1987, 20(2): 35‒45.
[13]

Xie J M, Xiang H F. New concepts on wind-resistant design of bridges—multi-mode coupled flutter [J]. China Civil Engineering Journal, 1987, 20(2): 35‒45.
[14]

林素婷. 抗洪堤防的设计、建设和加固技术研究 [R]. 福州: 第十四届防汛抗旱信息化论坛, 2024.
[15]

Lin S T. Research on the design, construction, and reinforcement technology of flood control embankments [R]. Fuzhou: The 14th Flood Control and Drought Relief Informatization Forum, 2024.
[16]

胡槿初. 铁路桥涵的抗洪设计 [J]. 铁道工程学报, 1986, 3(1): 82‒88.
[17]

Hu J C. Flood-resistant design of railway bridges and culverts [J]. Journal of Railway Engineering Society, 1986, 3(1): 82‒88.
[18]

胡庆昌. 钢筋混凝土房屋抗震设计的延性问题 [J]. 建筑科学, 1990, 6(1): 52‒58.
[19]

Hu Q C. Ductility problems concerning the seismic design of reinforced concrete buildings [J]. Building Science, 1990, 6(1): 52‒58.
[20]

郑捷. 延性框架的设计概念 [J]. 煤矿设计, 2000, 32(2): 38‒40.
[21]

Zheng J. Design concept of ductile frame [J]. Coalmine Design, 2000, 32(2): 38‒40.
[22]

金磊. 城市综合减灾的应急管理模式及方法 [J]. 北京规划建设, 1997 (3): 58‒60.
[23]

Jin L. Emergency management mode and method of urban comprehensive disaster reduction [J]. Beijing Planning Review, 1997 (3): 58‒60.
[24]

晁洪太,李远志,李波. 中国防震减灾法律体系与立法实 践综述 [J]. 中国地震, 2015, 31(3): 461‒471.
[25]

Chao H T, Li Y Z, Li B. Review of legal system and legislative practice on protecting against and mitigating earthquake disaster in China [J]. Earthquake Research in China, 2015, 31(3): 461‒471.
[26]

Klein R J T, Nicholls R J, Thomalla F. Resilience to natural hazards: How useful is this concept? [J]. Global Environmental Change Part B: Environmental Hazards, 2003, 5(1): 35‒45.
[27]

Holling C S. Resilience and stability of ecological systems [J]. Annual Review of Ecology and Systematics, 1973, 4: 1‒23.
[28]

吴厚礼. 城市供水系统抗震韧性评价方法和地震灾害风险快速评估模型研究 [D]. 哈尔滨: 中国地震局工程力学研究所(博士学位论文), 2024.
[29]

Wu H L. Research on seismic resilience evaluation method and seismic risk rapid assessment model of urban water supply systems [D]. Harbin: Institute of Engineering Mechanics, China Earthquake Administration (Doctoral dissertation), 2024.
[30]

新华社. 中共中央关于制定国民经济和社会发展第十四个五年规划和二O三五年远景目标的建议 [EB/OL]. (2020-11-03)[2025-04-03]. https://www.gov.cn/zhengce/2020-11/03/content_5556991.htm.
[31]

Xinhua News Agency. The 14th Five-Year Plan (2021—2025) for national economic and social development and the long-range objectives through the year 2035 [EB/OL]. (2020-11-03)[2025-04-03]. https://www.gov.cn/zhengce/2020-11/03/content_5556991.htm.
[32]

中共中央办公厅 国务院办公厅关于推进新型城市基础设施建设打造韧性城市的意见 [EB/OL]. (2024-11-26)[2025-04-30]. https://www.gov.cn/gongbao/2024/issue_11766/202412/content_6993325.html.
[33]

Opinions of the General Office of Central Committee of the Communist Party of China and the General Office of the State Council on promoting the construction of new urban infrastructure and building resilient cities [EB/OL]. (2024-11-26)[2025-04-30]. https://www.gov.cn/gongbao/2024/issue_11766/202412/content_6993325.html.
[34]

Zhang K P, Ma L, Cui B B, et al. Visual large language model for wheat disease diagnosis in the wild [J]. Computers and Electronics in Agriculture, 2024, 227: 109587.
[35]

Lin L, Zhang S H, Fu S, et al. FD-LLM: Large language model for fault diagnosis of complex equipment [J]. Advanced Engineering Informatics, 2025, 65: 103208.
[36]

Jiang G, Chen J L. Efficient fine-tuning of large language models for automated building energy modeling in complex cases [J]. Automation in Construction, 2025, 175: 106223.
[37]

李佳玲. 考虑多灾种作用的城市区域韧性评估方法及系统开发 [D]. 广州: 华南理工大学(硕士学位论文), 2024.
[38]

Li J L. Resilience assessment method and system for urban areas under multiple hazards [D]. Guangzhou: South China University of Technology (Master’s thesis), 2024.
[39]

高会然, 许冲, 王巍, 自然灾害“预”“防”的核心要义及发展现状 [J]. 灾害学, 2025, 40(3): 139‒144.
[40]

Gao H R, Xu C, Wang W, et al. Central issues and development status of natural hazards prediction and prevention [J]. Journal of Catastrophology, 2025, 40(3): 139‒144.
[41]

Chen C, Li B Q, Zhang H M, et al. Performance enhancement of deep learning model with attention mechanism and FCN model in flood forecasting [J]. Journal of Hydrology, 2025, 658: 133221.
[42]

李全敏. 西南边疆民族地区气象灾害预测的经验表征、地方认同与文化传承 [J]. 云南民族大学学报(哲学社会科学版), 2025, 42(3): 44‒49.
[43]

Li Q M. Empirical characterization, local identity and cultural inheritance of the meteorological disaster prediction in the ethnic minority borderlands in southwestern China [J]. Journal of Yunnan Minzu University (Philosophy and Social Sciences Edition), 2025, 42(3): 44‒49.
[44]

刘培君. 遥感技术在新疆自然灾害调查和预测中的应用分析 [J]. 干旱区研究, 1990, 7(3): 8‒13.
[45]

Liu P J. The analysis of remote sensing technology applying to the natural calamities surveys and forecasts in Xinjiang [J]. Arid Zone Research, 1990, 7(3): 8‒13.
[46]

周宏祥. 多源遥感技术集成在地质灾害勘查与评估中的创新实践 [J]. 智能建筑与智慧城市, 2025 (6): 41‒43.
[47]

Zhou H X. Innovative practice of integrating multi-source remote sensing technologies in geological hazard exploration and assessment [J]. Intelligent Building & Smart City, 2025 (6): 41‒43.
[48]

韩文奇. 基于贝叶斯网络模型的隧道洞口段地质灾害风险评估 [J]. 低碳世界, 2025, 15(3): 70‒72.
[49]

Han W Q. Risk assessment of geological disasters in tunnel entrance based on Bayesian network model [J]. Low Carbon World, 2025, 15(3): 70‒72.
[50]

Gourio F. Time-series predictability in the disaster model [J]. Finance Research Letters, 2008, 5(4): 191‒203.
[51]

Fakhruddin B, Kintada K, Hassan Q. Understanding hazards: Probabilistic cyclone modelling for disaster risk to the Eastern Coast in Bangladesh [J]. Progress in Disaster Science, 2022, 13: 100216.
[52]

夏玉胜, 杨丽萍. 地震预警(报)系统及减灾效益研究 [J]. 西北地震学报, 2000, 22(4): 452‒457.
[53]

Xia Y S, Yang L P. On earthquake prediction (warning) system and its disaster reduction benefit [J]. Northwestern Seismological Journal, 2000, 22(4): 452‒457.
[54]

张火青, 魏文秋. 天气雷达在洪水预警报中的应用 [J]. 水利水电科技进展, 1996, 16(3): 21‒25.
[55]

Zhang H Q, Wei W Q. Application of weather radar in flood warning [J]. Advances in Science and Technology of Water Resources, 1996, 16(3): 21‒25.
[56]

林灿尧, 彭若能, 刘云. 国家防汛指挥系统通信分系统建设 [J]. 中国水利, 2000 (1): 37‒38.
[57]

Lin C Y, Peng R N, Liu Y. Construction of communication subsystem of national flood control command system [J]. China Water Resources, 2000 (1): 37‒38.
[58]

Ji D F, Li C X, Zhai C H. Wave propagation modeling using machine learning-based finite difference scheme [J]. Journal of Computational Physics, 2025, 529: 113870.
[59]

Chen S P, Ji D F, Zhai C H, et al. Prediction of the existing building-induced modifications of ground motion at layered sites using convolutional encoder-decoder neural networks (CEDNN) [J]. Soil Dynamics and Earthquake Engineering, 2025, 193: 109303.
[60]

黄靖涵, 王兆才, 吴俊豪, 基于深度学习集合优化模型的径流区间预测研究 [J]. 水利学报, 2025, 56(2): 240‒252, 265.
[61]

Huang J H, Wang Z C, Wu J H, et al. Research on streamflow interval prediction based on deep learning ensemble optimization model [J]. Journal of Hydraulic Engineering, 2025, 56(2): 240‒252, 265.
[62]

Onsay E A, Bulao R J G, Rabajante J F. Bagyong kristine (TS trami) in bicol, Philippines: Flood risk forecasting, disaster risk preparedness predictions and lived experiences through machine learning (ML), econometrics, and hermeneutic analysis [J/OL]. Natural Hazards Research, 2025[2025-06-10]. https://doi.org/10.1016/j.nhres.2025.02.004.
[63]

杨浩, 寿涵锐, 刘泽润, 深度学习在极端灾害性天气预测中的应用及展望 [J]. 新一代信息技术, 2024 (4): 16‒24.
[64]

Yang H, Shou H R, Liu Z R, et al. Application and prospects of deep learning in extreme disaster weather prediction [J]. New Generation of Information Technology, 2024 (4): 16‒24.
[65]

王嫄, 霍鹏, 韩毅, 基于深度学习的气象预报模型研究综述 [J]. 计算机科学, 2025, 52(3): 112‒126.
[66]

Wang Y, Huo P, Han Y, et al. Survey on deep learning-based meteorological forecasting models [J]. Computer Science, 2025, 52(3): 112‒126.
[67]

孙甜甜, 杨治学, 杨蒙蒙, 基于数据增强和机器学习的煤矿冲击地压灾害预警方法 [J]. 无线互联科技, 2025, 22(11): 103‒106.
[68]

Sun T T, Yang Z X, Yang M M, et al. Early warning method of coal mine rock burst disaster based on data enhancement and machine learning [J]. Wireless Internet Science and Technology, 2025, 22(11): 103‒106.
[69]

郑旭, 胡琦, 马晴. 物联网技术在洪涝灾害预警中的研究与应用 [J]. 中国高新科技, 2025(3): 131‒133.
[70]

Zheng X, Hu Q, Ma Q. Research and application of Internet of things technology in flood disaster warning [J]. China High and New Technology, 2025(3): 131‒133.
[71]

郭凯, 刘杰, 方毅, 面向地震预警场景的千万量级预警信息推送服务研究 [J]. 中国地震, 2025, 41(2): 339‒353.
[72]

Guo K, Liu J, Fang Y, et al. Research on ten-million-level early warning information push service for earthquake early warning scenarios [J]. Earthquake Research in China, 2025, 41(2): 339‒353.
[73]

Kwong N S, Jaiswal K S. Assessing earthquake risks to lifeline infrastructure systems in the United States [J]. International Journal of Critical Infrastructure Protection, 2025, 49: 100758.
[74]

靳文波, 蔡周全, 肖泽元. 运用德尔菲法进行矿井瓦斯爆炸灾害风险评价 [J]. 内蒙古煤炭经济, 2014 (4): 66‒69.
[75]

Jin W B, Cai Z Q, Xiao Z Y. Risk assessment of mine gas explosion disaster by Delphi method [J]. Inner Mongolia Coal Economy, 2014 (4): 66‒69.
[76]

任鲁川. 灾害损失定量评估的模糊综合评判方法 [J]. 灾害学, 1996, 11(4): 5‒10.
[77]

Ren L C. The method of fuzzy comprehensive evaluation applied in quantitative assessment of disaster losses [J]. Journal of Catastrophology, 1996, 11(4): 5‒10.
[78]

Yang Q S, Yin J Q, Liu M, et al. Post-disaster investigations of damage feature of buildings and structures due to several local strong winds in China during 2021—2024 [J]. Advances in Wind Engineering, 2024, 1(2): 100011.
[79]

He C, Xie Q, Yang Z Y, et al. Seismic evaluation and analysis of 1100-kVUHV porcelain transformer bushings [J]. Soil Dynamics and Earthquake Engineering, 2019, 123: 498‒512.
[80]

金伟良, 宋志刚, 赵羽习. 工程结构全寿命可靠性与灾害作用下的安全性 [J]. 浙江大学学报(工学版), 2006, 40(11): 1862‒1868.
[81]

Jin W L, Song Z G, Zhao Y X. Life-cycle reliability of engineering structures and structure safety under hazard events [J]. Journal of Zhejiang University (Engineering Science), 2006, 40(11): 1862‒1868.
[82]

Cui C Y, Xu M Z, Xu C S, et al. An ontology-based probabilistic framework for comprehensive seismic risk evaluation of subway stations by combining Monte Carlo simulation [J]. Tunnelling and Underground Space Technology, 2023, 135: 105055.
[83]

陈小康. 海南省自然灾害灾情损失评估指标体系构建与应用 [J]. 中国防汛抗旱, 2024, 34(9): 64‒69.
[84]

Chen X K. Construction and application of the evaluation indicators for natural disaster losses in Hainan Province [J]. China Flood & Drought Management, 2024, 34(9): 64‒69.
[85]

Yuan Q L. Knowledge distillation based adaptive deformable perceptron for remote sensing image road extraction [J/OL]. Advances in Space Research, 2025[2025-06-28]. https://doi.org/10.1016/j.asr.2025.06.046.
[86]

陈嘉华, 吴楠. 融入灯光遥感的建筑自然灾害损失预测研究 [J]. 佳木斯大学学报(自然科学版), 2024, 42(12): 128‒131.
[87]

Chen J H, Wu N. Study on loss prediction of natural disasters in buildings integrated with lighting remote sensing [J]. Journal of Jiamusi University (Natural Science Edition), 2024, 42(12): 128‒131.
[88]

Gu J, Kim D, Jun C, et al. Quantitative assessment of factors that influence heat vulnerability in residential areas using machine learning and unmanned aerial vehicle [J]. City and Environment Interactions, 2025, 27: 100214.
[89]

王凯歌, 郑山锁, 杨丰, 机器学习驱动的变电站系统抗震韧性快速评估 [J/OL]. 安全与环境学报, 2025: 1‒11[2025-06-16]. https://link.cnki.net/doi/10.13637/j.issn.1009-6094.2025.0063.
[90]

Wang K G, Zheng S S, Yang F, et al. Rapid assessment of seismic resilience in substation systems using machine learning [J/OL]. Journal of Safety and Environment, 2025: 1‒11[2025-06-16]. https://link.cnki.net/doi/10.13637/j.issn.1009-6094.2025.0063.
[91]

Zhang W S, Fu X, Li H N, et al. Wind-induced fragility analysis of a transmission tower based on multi-source monitoring data and deep learning methods [J]. Journal of Wind Engineering and Industrial Aerodynamics, 2024, 252: 105834.
[92]

Hu Z, Zhu J C, Jiao H M, et al. Risk assessment of water distribution networks through an integrated model based on machine learning and statistical methods [J]. Reliability Engineering & System Safety, 2025, 264: 111338.
[93]

Asadollahzadeh D, Behnam B. Machine learning approaches for seismic vulnerability assessment of urban buildings: A comparative study with analytic hierarchy process [J]. Progress in Disaster Science, 2025, 25: 100398.
[94]

Li S Q, Han J C, Li Y R, et al. Intelligent prediction and evaluation models for the seismic risk and vulnerability of reinforced concrete girder bridges in large-scale zones [J]. Reliability Engineering & System Safety, 2025, 256: 110743.
[95]

谢日辉, 关雪峰, 曹军, 基于时空层次图神经网络的通信基站负载预测模型 [J]. 测绘地理信息, 2025, 50(3): 56‒62.
[96]

Xie R H, Guan X F, Cao J, et al. The spatial-temporal hierarchical graph neural network for accurate mobile traffic forecasting [J]. Journal of Geomatics, 2025, 50(3): 56‒62.
[97]

张月, 李晓露. 考虑级联失效的电力 ‒ 交通耦合网络故障分析 [J/OL]. 上海电力大学学报, 2025: 1‒9[2025-06-24]. https://kns.cnki.net/KCMS/detail/detail.aspx?filename=DYXY20250623001&dbname=CJFD&dbcode=CJFQ.
[98]

Zhang Y, Li X L. Fault analysis of power-transportation coupled networks considering cascading failures [J/OL]. Journal of Shanghai University of Electric Power, 2025: 1‒9[2025-06-24]. https://kns.cnki.net/KCMS/detail/detail.aspx?filename=DYXY20250623001&dbname=CJFD&dbcode=CJFQ.
[99]

Lu Z, Yan D Y, Jiang H J, et al. Cascading failures in urban infrastructure systems: A comprehensive review of disaster chain mechanisms [J]. Journal of Infrastructure Intelligence and Resilience, 2025, 4(3): 100157.
[100]

Hu J, Wen W P, Zhai C H, et al. Post-earthquake functionality assessment for urban subway systems: Incorporating the combined effects of seismic performance of structural and non-structural systems and functional interdependencies [J]. Reliability Engineering & System Safety, 2024, 241: 109641.
[101]

Pei S S, Zhai C H, Hu J. Surrogate model-assisted seismic resilience assessment of the interdependent transportation and healthcare system considering a two-stage recovery strategy [J]. Reliability Engineering & System Safety, 2024, 244: 109941.
[102]

Wang J Y, Wang N Y. Forecasting road network functionality states during extreme rainfall events to facilitate real-time emergency response planning [J]. Reliability Engineering & System Safety, 2024, 252: 110452.
[103]

Bruneau M, Chang S E, Eguchi R T, et al. A framework to quantitatively assess and enhance the seismic resilience of communities [J]. Earthquake Spectra, 2003, 19(4): 733‒752.
[104]

Zobel C W. Representing perceived tradeoffs in defining disaster resilience [J]. Decision Support Systems, 2011, 50(2): 394‒403.
[105]

Bruneau M, Reinhorn A. Exploring the concept of seismic resilience for acute care facilities [J]. Earthquake Spectra, 2007, 23(1): 41‒62.
[106]

Cimellaro G P, Reinhorn A M, Bruneau M. Seismic resilience of a hospital system [J]. Structure and Infrastructure Engineering, 2010, 6(1‒2): 127‒144.
[107]

翟长海, 岳清瑞, 谢礼立. 抗震韧性城市评估与构建 [J]. 建筑结构学报, 2024, 45(5): 1‒13.
[108]

Zhai C H, Yue Q R, Xie L L. Evaluation and construction of seismic resilient cities [J]. Journal of Building Structures, 2024, 45(5): 1‒13.
[109]

王万祯. 钢框架梁柱栓焊刚性连接的滞回性能、破坏机理及抗震设计建议 [D]. 西安: 西安建筑科技大学(博士学位论文), 2003.
[110]

Wang W Z. Fracture mechanism, cyclical performance and design recommendations of welded flange-bolted web beam-to-column rigid connections in steel moment frames under seismic load [D]. Xi’an: Xi’an University of Architecture and Technology (Doctoral dissertation), 2003.
[111]

国家建委建筑科学研究院. 《工业与民用建筑抗震设计规范》TJ11—74简介 [J]. 建筑结构, 1975, 5(4): 35‒40.
[112]

National Academy of Building Science of National Construction Commission. Brief introduction of TJ11-74 code for seismic design of industrial and civil buildings [J]. Building Structure, 1975, 5(4): 35‒40.
[113]

高光伊. 国家标准《核电厂抗震设计规范》编制完成 [J]. 世界地震工程, 1994, 10(2): 56.
[114]

Gao G Y. The national standard Code for seismic design of nuclear power plants was compiled [J]. World Information on Earthquake Engineering, 1994, 10(2): 56.
[115]

侯文葳. 结构抗风设计的新特点 [J]. 铁道建筑, 1990, 30(2): 15‒18.
[116]

Hou W W. New characteristics of wind-resistant design of structures [J]. Railway Engineering, 1990, 30(2): 15‒18.
[117]

何广民, 郭红云, 王岩. 高层轻砼框支剪力墙结构延性设计 [J]. 天津大学学报, 1996, 29(3): 349‒357.
[118]

He G M, Guo H Y, Wang Y. Ductile design of light weight reinforced concrete high-rise frame-supported shear wall structure under earthquake [J]. Journal of Tianjin University (Science and Technology), 1996, 29(3): 349‒357.
[119]

张志强. 延性与抗震设计 [J]. 山西建筑, 2008 (12): 93‒94.
[120]

Zhang Z Q. Ductility and the anti-quake design [J]. Shanxi Architecture, 2008 (12): 93‒94.
[121]

孙卓, 闫贵平, 钟铁毅, 桥梁实用延性抗震设计方法研究 [J]. 中国安全科学学报, 2002, 12(2): 1, 53‒57.
[122]

Sun Z, Yan G P, Zhong T Y, et al. Study on a simplified method for bridge ductile anti-seismic design [J]. China Safety Science Journal, 2002, 12(2): 1, 53‒57.
[123]

翟长海, 胡杰, 谢礼立. 城市生命线工程系统抗震韧性统一设计方法 [J]. 地震工程与工程振动, 2025, 45(2): 1‒13.
[124]

Zhai C H, Hu J, Xie L L. Unified seismic resilience design approach for urban lifeline engineering systems [J]. Earthquake Engineering and Engineering Dynamics, 2025, 45(2): 1‒13.
[125]

翟长海, 宋倬茹, 谢礼立. 建筑抗震韧性设计方法 [J]. 建筑结构学报, 2025, 46(1): 124‒133.
[126]

Zhai C H, Song Z R, Xie L L. A approach for seismic resilience design of buildings [J]. Journal of Building Structures, 2025, 46(1): 124‒133.
[127]

林智超, 徐龙河, 谢行思, 基于智能算法的自复位结构抗震韧性设计方法 [J]. 建筑结构学报, 2025, 46(6): 153‒164.
[128]

Lin Z C, Xu L H, Xie X S, et al. Intelligent algorithm-based seismic resilience design method of self-centering structures [J]. Journal of Building Structures, 2025, 46(6): 153‒164.
[129]

陈渊铭, 林煌斌. 基于刚度和强度指标的大跨度体育馆韧性设计 [J/OL]. 工程力学, 2025: 1‒12[2025-06-16]. https://kns.cnki.net/KCMS/detail/detail.aspx?filename=GCLX20250613006&dbname=CJFD&dbcode=CJFQ.
[130]

Chen Y M, Lin H B. Resilience design of large-span sports stadiums based on stiffness and strength indicators [J/OL]. Engineering Mechanics, 2025: 1‒12[2025-06-16]. https://kns.cnki.net/KCMS/detail/detail.aspx?filename=GCLX20250613006&dbname=CJFD&dbcode=CJFQ.
[131]

翟长海, 丁俊男, 史铁花, 既有建筑抗震韧性提升方法研究 [J]. 地震工程与工程振动, 2025, 45(1): 18‒27.
[132]

Zhai C H, Ding J N, Shi T H, et al. An approach for enhancing the seismic resilience of existing buildings [J]. Earthquake Engineering and Engineering Dynamics, 2025, 45(1): 18‒27.
[133]

Zhang Z, Guo F Y, Gao J D, et al. Seismic performance of an innovative prefabricated bridge pier using rapid hardening ultra-high performance concrete [J]. Structures, 2025, 74: 108558.
[134]

Chen M F, Liu W G, Xu H, et al. Improved seismic response prediction of isolated structures using hardening correction in a novel LRB model [J]. Journal of Building Engineering, 2023, 76: 107123.
[135]

Fan L S, Yang G, Zhang Y, et al. A novel tolerance optimization approach for compressor blades: Incorporating the measured out-of-tolerance error data and aerodynamic performance [J]. Aerospace Science and Technology, 2025, 158: 109920.
[136]

孙吴玥. 江西省应急医疗资源配置韧性评价研究 [D]. 赣州: 江西理工大学(硕士学位论文), 2024.
[137]

Sun W Y. Research on the Resilience Evaluation of Emergency Medical Resource Allocation in Jiangxi Province [D]. Ganzhou: Jiangxi University of Science and Technology (Master’s thesis), 2024.
[138]

周一丹, 宁宁, 周文婧, 冗余性视角下医院应对重大突发公共卫生事件的韧性提升策略 [J]. 中国医院管理, 2021, 41(10): 61‒64.
[139]

Zhou Y D, Ning N, Zhou W J, et al. The hospital’s resilience improvement strategy in response to major public health emergencies from the perspective of redundancy [J]. Chinese Hospital Management, 2021, 41(10): 61‒64.
[140]

Zhang Z Y, Ji T T, Wei H H. Dynamic emergency inspection routing and restoration scheduling to enhance the post-earthquake resilience of a highway-bridge network [J]. Reliability Engineering & System Safety, 2022, 220: 108282.
[141]

Yang J, Shan X W, Zhang X, et al. Hardening critical components to enhance grid resilience by fusing the data of power networks and natural disasters [J]. Information Fusion, 2025, 122: 103181.
[142]

Song Z R, Zhai C H, Ma Y H, et al. Multi-stage and multi-objective design optimization for improving resilience of base-isolated hospital buildings [J]. Engineering Structures, 2024, 304: 117644.
[143]

李雪, 张涵帅, 姜涛, 应对极端冰灾的电力系统多阶段韧性提升策略 [J]. 电力自动化设备, 2024, 44(7): 69‒77.
[144]

Li X, Zhang H S, Jiang T, et al. Multi-stage resilience enhancement strategy for power system against extreme ice disaster [J]. Electric Power Automation Equipment, 2024, 44(7): 69‒77.
[145]

张剑芳, 李中学, 黄晓微. 仓库物资应急保障决策支持系统 [J]. 兵工自动化, 2003, 22(5): 33‒35.
[146]

Zhang J F, Li Z X, Huang X W. Decision supporting system for emergency guarantee of storehouse materials [J]. Ordnance Industry Automation, 2003, 22(5): 33‒35.
[147]

施仲齐, 李俊峰. 根据核电厂工况进行应急防护决策 [J]. 核科学与工程, 2001, 21(4): 386‒393.
[148]

Shi Z Q, Li J F. Determining protective actions based on nuclear power plant conditions during a reactor accident [J]. Chinese Journal of Nuclear Science and Engineering, 2001, 21(4): 386‒393.
[149]

火恩杰, 宋俊高, 朱元清, GIS在城市防震减灾应急决策中的应用 [J]. 自然灾害学报, 2000, 9(3): 15‒22.
[150]

Huo E J, Song J G, Zhu Y Q, et al. Application of GIS in emergence decision-making of urban earthquake prevention and disaster reduction [J]. Journal of Natural Disasters, 2000, 9(3): 15‒22.
[151]

Zheng C Y, Zhong Z Q, Wu B Y, et al. Emergency decision-making in public health emergencies: Integrating intuitionistic fuzzy preferences with knowledge-unit case-based reasoning [J]. Applied Soft Computing, 2025, 180: 113451.
[152]

路文浩, 赵勇, 季雅泰, 面向应急响应群智感知的异构群体协作任务分配方法 [J/OL]. 物联网学报, 2025: 1‒14[2025-05-19]. https://kns.cnki.net/KCMS/detail/detail.aspx?filename=WLWX20250516001&dbname=CJFD&dbcode=CJFQ.
[153]

Lu W H, Zhao Y, Ji Y T, et al. Task allocation method for collaborative crowdsensing of heterogeneous entities in emergency response [J/OL]. Chinese Journal on Internet of Things, 2025: 1‒14[2025-05-19]. https://kns.cnki.net/KCMS/detail/detail.aspx?filename=WLWX20250516001&dbname=CJFD&dbcode=CJFQ.
[154]

Wang W, He Y F, Wang H B, et al. Improving interdependent urban power and gas distribution systems resilience through optimal scheduling of mobile emergency supply and repair resources [J]. Reliability Engineering & System Safety, 2024, 250: 110303.
[155]

周星. 基于卫星移动通信的应急救援系统探析 [J]. 中国煤炭工业, 2025 (6): 69‒71.
[156]

Zhou X. Analysis of emergency rescue system based on satellite mobile communication [J]. China Coal Industry, 2025 (6): 69‒71.
[157]

Lei Y, Liu J B, Ke Y Q. Multi-disaster emergency response decision support based on reinforcement learning algorithm [J]. Procedia Computer Science, 2025, 261: 887‒895.

基金资助

中国工程院咨询项目“极端灾害下城市与社会系统安全韧性技术发展战略研究”(2024-XBZD-21)

国家自然科学基金项目(52494963)

AI Summary AI Mindmap
PDF (1424KB)

24332

访问

0

被引

详细
导航
相关文章

AI思维导图

/

〈 〉