支持野火防治投资优先级排序

《Computers, Environment and Urban Systems》：Supporting wildfire mitigation investment prioritization

　　

• •
  从空间专家知识中激发非线性交互作用的框架。
• •
  用于火灾风险缓解优先级的基于网络的交互式工具。
• •
  对高火灾危险沿海地区城乡交错带的实证评估。

引言

过去十年间，加利福尼亚州20场最具破坏性的火灾中有14场发生在此期间，摧毁了55,528栋建筑，造成178人死亡（加州林业与消防局，2025年）。历史上，野火对社会的负面影响在加州及全球范围内都在急剧增长（Abatzoglou & Williams, 2016; Haas et al., 2026; Westerling, 2016）。日益增长的损失不仅归因于全球变暖导致的越来越有利的火灾条件，包括地表温度升高、干旱季节延长和极端风事件，还归因于人类持续在城乡交错带进行开发（Mosso et al., 2026; Radeloff et al., 2018; Syphard et al., 2022）。

为应对日益增长的野火危险，人们在不同空间尺度上加大了火灾风险缓解的努力：家庭、社区和区域层面。在家庭（或地块）层面，建筑加固和防御性空间等项目已被广泛采纳，并通过公共和私营举措得到大力推广。在更广泛的地理尺度上，已有大量工作支持火灾扑救能力（Baik & Murray, 2025; Yao et al., 2019）或规划跨社区和区域的缓解措施（Dillon et al., 2015; Murray et al., 2023; Scott et al., 2013）。典型的缓解项目面临着有限的资金来投资减少火灾风险的房主和社区项目，因此需要确定有针对性的处理措施优先级。为此，决策者必须考虑多种复杂标准，如环境因素、潜在的人员伤亡、财产损失、扑救能力、天气条件或现有缓解措施（Dillon et al., 2015; Murray et al., 2023; Scott et al., 2013）。综合考虑各种因素既至关重要又十分困难，这使得与地方专家的咨询变得不可或缺。专家，包括科学家、消防救援人员、应急管理者或灾害规划师，被要求通过各种标准比较方法提供他们的风险知识。然后进行综合集成，最常见的做法是基于对潜在地点/地块的评分和排名进行加权线性组合。在实践中，这一过程可能十分困难，并引发一些担忧。决策者和专家往往能提供地理洞察，如识别出重要或处于风险中的地点，但这种直觉很少正式纳入评估过程。

本文探讨了地方专家提供的空间知识如何被整合以支持决策分析中的优先级设定。在这样做时，引入了将空间知识与辅助分析相结合的方法。具体而言，本文制定并实施了一个优化模型，通过探索性环境将专家风险隐患洞察作为战略规划的一个组成部分加以考量。圣巴巴拉沿海地区被作为案例研究对象，该地区野火频发，对人员、财产和环境构成重大风险。下一节将回顾与空间多标准决策分析和灾害缓解相关的研究。随后介绍所提出的方法，接着是案例研究详情和支持性地理信息的描述，然后详细说明野火缓解评估，重点突出专家空间直觉的运用。最后以讨论和结论结束全文。

章节摘要

背景

关于空间决策的研究文献非常丰富，研究涵盖了许多相互重叠的领域，包括位置分析、空间决策支持系统（SDSS）、探索性空间数据分析（ESDA）和多标准决策分析（MCDA）。以下综述旨在支持灾害缓解研究，突出贡献及研究空白。

位置分析有多种不同的解读方式，但可大致定义为定量的

方法

支持明智的空间决策需要多种分析方法的配合。使数据兼容的步骤至关重要，从而实现既有意义又有信息量的整合。以下介绍的是标准化和缩放形式以及属性集成方法，使后续的风险缓解优先级排序成为可能。

数据标准化的一个重要方法是极差归一化（min-max scaling）。对于每个地块 $i$ 和属性 $j$，原始值 $F_{\mathit{ij}}$ 被

案例研究

加州圣巴巴拉的机构寻求支持火灾风险缓解优先级排序，但资金有限，无法为房屋加固工作提供地块级别的补贴。圣巴巴拉易受野火侵袭，该地区以漫长的干旱季节、极端的傍晚强风事件和以灌木丛为主的植被景观为特征（Moritz et al., 2005; Zigner et al., 2022）。气候变化加剧了这些因素带来的风险。

应用结果

支持性的空间优化模型（5）-（8）以及缩放和交互方法（1）-（3）在桌面计算机（AMD 7700×处理器和48GB内存）上使用Python（v3.13.7）开发和集成到一个交互式空间决策支持系统中。求解方案使用Gurobi（v12.0.2）在默认设置下获得。城乡交错带中考虑的地块总数为26,436个。根据专家输入，优选集合 P 包含406个

讨论

有许多值得讨论的问题，包括近最优属性交互的更多细节、支持探索性方法（1）-（8）的环境、专家对结果的反响，以及所呈现模型的局限性和后续扩展。首先，进一步探索近最优方案可能有助于理解。问题在于最优交互项是否在凸显风险方面具有唯一性，还是其他

结论

本文提出了将专家位置洞察与分析方法相结合的方法，以支持灾害风险缓解优先级排序。本研究的目标是确定属性的最佳集成方式，从而为灾害缓解规划提供依据。尽管属性导向的方法在空间环境中广受欢迎，但这类方法未能考虑它们所描述的地理空间特征。受咨询的专家往往拥有易于传达的空间直觉，然而这种直觉

CRediT作者贡献声明

Thelonious Funk：写作——审阅与编辑，写作——原稿撰写，可视化，方法论，调查研究，形式化分析，数据管理，概念构思。Alan T. Murray：写作——审阅与编辑，验证，指导，资源获取，项目管理，方法论，调查研究，资金获取，概念构思。Rob Hazard：资源获取，调查研究，概念构思。Anne-Marie Parkinson：资源获取，调查研究，概念构思。

作者声明

所有作者均对本手稿的开发做出了贡献。Thelonious Funk构思了研究方案，主导了方法论设计并执行了分析。Alan T. Murray在概念构思、方法论设计、文献综述和手稿撰写方面提供了支持。Rob Hazard在数据提供、概念构思和方法论设计方面提供了支持。Anne-Marie Parkinson在数据提供、概念构思和方法论设计方面提供了支持。作者声明不存在利益冲突。本研究未使用人类或

资金

感谢Yardi Systems通过加州大学圣巴巴拉分校的野火韧性计划提供的大力支持。

Thelonious Funk | Alan T. Murray | Rob Hazard | Anne-Marie Parkinson