《International Journal of Disaster Risk Reduction》：Assessment and optimization of airport operational resilience under severe weather conditions: A case study of snowstorm
编辑推荐：
本文针对极端天气下机场运行韧性评估难题，创新性地提出基于实际离港率(ADR)的韧性量化模型。研究团队通过构建包含航班动态与气象因子的多维度指标体系，采用稀疏主成分分析(SPCA)降维后，引入IVY算法优化KMEDOIDS聚类，实现对武汉天河机场等11个机场在暴雪天气下的运行状态精准分类。结果表明：ADR模型较传统离港正点率(DPP)和离港率(DPR)更能反映实际运行效能；经IVY-KMEDOIDS优化后，机场韧性水平提升最高达3.18，且在美国24个机场的跨区域验证中表现出强鲁棒性。该研究为极端天气下机场运行管理提供了数据驱动的决策支持。
当暴风雪席卷机场，跑道积起厚厚白雪，航班大面积延误或取消的广播声在候机楼不断回荡——这样的场景对经常乘坐飞机的人们来说并不陌生。极端天气已成为影响航空运输系统稳定运行的首要威胁，仅2024年2月中国中部地区的暴雪就导致11个机场的4530架次航班受到影响，其中武汉天河国际机场有850架次航班遭受严重干扰。面对日益频发的极端天气事件，如何科学评估并提升机场在恶劣条件下的运行韧性，成为航空领域亟待解决的关键问题。
传统研究多采用离港正点率(DPP)或离港率(DPR)等指标衡量机场运行状态，但这些指标在极端天气下存在明显局限。DPP只考虑按时起飞的航班，忽略了延误航班后续的离港情况；而DPR则假设所有延误航班都能在计算时段内起飞，往往高估实际运行效率。这两种评估方法均难以准确刻画机场在扰动下的真实恢复能力。
为解决这一难题，发表在《International Journal of Disaster Risk Reduction》上的这项研究提出了创新性的解决方案。研究团队开发了一套基于实际离港率(ADR)的机场运行韧性评估与优化框架，通过精细化分类延误航班的离港场景，并结合S型函数处理特殊情形，建立了更符合实际情况的评估模型。在此基础上，团队引入IVY算法优化的KMEDOIDS聚类方法，对机场运行状态进行智能识别和分类，从而制定针对性的韧性优化策略。
本研究的关键技术方法主要包括：首先构建包含6项运行性能指标和7项气象指标的评估体系；采用稀疏主成分分析(SPCA)对高维数据进行降维处理；利用IVY算法优化KMEDOIDS聚类的参数选择，实现对运行时段的有效分类；最后基于聚类结果制定航班调度优化策略。研究数据来源于中国和美国共35个机场在2024年1-2月冬季风暴期间的实际运行记录，涵盖超过6300个样本观测值。
6.1. 数据选择
研究选取2024年2月22-23日受暴雪影响严重的武汉天河国际机场作为主要案例，同时扩展分析中国地区11个机场及美国24个机场的运行数据。这些机场在暴雪期间共记录4530架次受影响航班，其中武汉天河机场受影响最为严重，取消航班达539架次。研究汇集了航班动态数据与气象数据，构建了多维度分析数据集。
6.2. 机场运行系统性能评估
6.2.1. 小时级取消率、延误率与总延误时长
通过对武汉天河机场每小时运行数据的分析发现，2月22日07:00-14:00期间离港航班延误率高达100%，13:00时总延误时长达到峰值1190分钟。随着暴雪强度减弱，机场运行逐渐恢复，但小时级取消率仍维持在80%左右波动。这表明在极端天气下，机场运行系统更倾向于取消航班而非允许长时间延误。
6.2.2. 实际离港率
提出的ADR模型通过将延误航班分为四种离港场景，并引入S型函数避免极端值，相比DPP和DPR能更准确反映机场真实运行状态。在2月22日12:00-23:00的恢复阶段，ADR曲线始终位于DPR和DPP之间，更合理地刻画了机场运行的逐步恢复过程。
6.3. 基于实际离港率的时变韧性评估模型
研究建立了基于ADR的韧性量化模型，将韧性定义为系统实际累积性能与理想性能的比值。应用该模型对武汉天河机场的分析表明，基于ADR的韧性评估结果介于DPP和DPR之间，更符合机场实际运行状况，避免了传统方法的低估或高估问题。
6.4. 基于IVY-KMEDOIDS算法的韧性优化
6.4.1. 基于SPCA算法的数据稀疏降维
采用SPCA算法将13维指标降至9维，累计方差贡献率达96%，在保留主要信息的同时有效降低了数据噪声。
6.4.2. 基于IVY优化的KMEDOIDS聚类算法韧性优化
IVY算法优化后的KMEDOIDS聚类轮廓系数达0.4756，DBI为1.4119，CHI为102.102，性能显著优于其他对比算法。聚类结果将运行时段划分为20个类别，每个类别代表不同的运行状态模式。
6.4.3. 基于IVY-KMEDOIDS聚类的韧性优化策略
通过提升各类别中低于平均ADR时段的航班离港效率，实现了韧性优化。以武汉天河机场为例，优化后2月22日的韧性提升达0.13-3.18，2月23日提升0.026-0.73。
6.4.4. 基于IVY-KMEDOIDS的机场运行韧性优化鲁棒性验证
在美国24个机场的扩展验证中，IVY-KMEDOIDS算法在6336个样本上仍保持优越性能，轮廓系数达0.49424。芝加哥奥黑尔机场(ORD)和亚特兰大机场(ATL)的韧性分别提升0.41-0.42和0.09-0.34，证明了方法的跨区域适用性。
研究结论表明，基于ADR的韧性评估模型能更准确刻画机场在极端天气下的运行状态，而IVY-KMEDOIDS聚类优化策略能有效提升系统韧性水平。这一框架不仅解决了传统评估方法的局限性，还为机场运行管理提供了数据驱动的决策支持。该方法在不同气候条件、基础设施水平和运营规范的机场均表现出良好的适应性和鲁棒性，为全球范围内的机场韧性管理提供了统一的分析工具。未来研究可进一步拓展该框架在其他极端天气场景下的应用，并开发基于历史数据的韧性预测模型，从而为机场安全高效运行提供更加智能化的解决方案。
